FunASR 语音识别：两条命令装好，本地第一次转写 10 分钟跑通

FunASR 语音识别两条命令装好本地第一次转写 10 分钟跑通【免费下载链接】FunASROpen-source speech recognition toolkit for training, inference, streaming ASR, VAD, punctuation, speaker diarization pipelines, and OpenAI-compatible/MCP serving.项目地址: https://gitcode.com/GitHub_Trending/fun/FunASR会议录音堆在桌面手动敲纪要敲到眼花FunASR 是一套可本地部署的开源语音识别工具箱新手没有显卡的 CPU 机器就能起步VAD、转写、标点、说话人分离串成一条流水线一次调用直接出文字。工具源码 MIT 协议模型权重按各模型卡标注的协议执行不走按分钟计费的云端。装 FunASR 之前确认三件事Python ≥ 3.8python --version看一眼PyTorch ≥ 1.13且 torchaudio 与 torch 来自同一安装渠道混装是后面 import 报错的头号原因磁盘留几个 GB首次运行会自动下载模型权重SenseVoiceSmall 只有几百 MB。没有显卡也没关系。CPU 和 GPU 的区别不是能不能跑而是选哪个模型CPU 上 SenseVoiceSmall、Paraformer 都够用基于 LLM 的 Fun-ASR-Nano支持中文方言和 26 种地域口音需要显卡。pip 安装有 Python 环境就走这条新手最常见的路线三条命令python3 -m venv .venv source .venv/bin/activate # 建独立虚拟环境 python -m pip install -U torch torchaudio # 先装推理框架 python -m pip install -U funasr # 再装 FunASR源码安装想改代码或跟进最新修复先git clone https://gitcode.com/GitHub_Trending/fun/FunASR再进 FunASR 目录执行python -m pip install -e .。可编辑模式注册后改源码即时生效不用重装。更细的环境配置Conda、离线机器见 docs/installation/installation_zh.md。预编译包Windows / 没有 Python 的机器仓库提供基于 llama.cpp 的 GGUF 预编译包单个自包含二进制不需要 Python内置 FSMN-VAD支持 SenseVoice / Paraformer / Fun-ASR-Nano。下好 GGUF 权重后执行llama-funasr-sensevoice -m sensevoice.gguf --vad fsmn-vad.gguf -a audio.wav即可转写CPU / Vulkan / CUDA 三种构建按硬件选细节在 runtime/llama.cpp/README.md。怎么确认装对了先跑一次最省事的。第一次转写看到这行输出就说明装对了最小示例就五行的量from funasr import AutoModel from funasr.utils.postprocess_utils import rich_transcription_postprocess model AutoModel(modeliic/SenseVoiceSmall, devicecpu) result model.generate(inputhttps://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/asr_example_zh.wav) print(rich_transcription_postprocess(result[0][text]))首次运行会自动下载模型看到进度条属正常。终端里打印出一句中文比如欢迎大家来体验达摩院推出的语音识别模型 ✅ 安装就成功了有显卡的机器把devicecpu换成cuda速度更快。不想写 Python 也行命令行一条出字funasr audio.wav # 默认 sensevoice输出纯文本 funasr audio.wav -f json # 结构化输出方便程序解析 funasr ./*.wav -f srt -o ./subs # 批量生成 SRT 字幕注意 CLI 只接受本地文件不接受 URL。换模型用--model paraformer加热词用--hotwords FunASR,达摩院。能做什么对号看你的场景整箱东西有三类出口用 Python 脚本做训练、推理、微调导出成 LibTorch / ONNX / TensorRT 做原生部署或者直接起 gRPC、WebSocket、Triton 这类服务。模型侧 Paraformer、FSMN-VAD、CT-Transformer 等按需取用。按场景挑路离线会议纪要录音丢进去出来带标点的完整文字。CPU 上 SenseVoiceSmall 约 17 倍实时30 分钟的录音一分多钟处理完。实时听写WebSocket 服务走 2pass 模式流式模型先出字VAD 检测到尾点后用离线模型修正加标点。区分谁说了什么FSMN-VAD 配 CAM输出带说话人标签和时间的分句纪要不用猜。服务化funasr-server起一个 OpenAI 兼容的/v1/audio/transcriptions接口curl 就能调也方便对接编排框架。显存爆了或者太慢按这个顺序调参数遇到 OOMgenerate里先看这三项参数作用什么时候动batch_size_s动态 batch 的总音频时长秒OOM 第一步先减它起始显存主要靠它撑batch_size_threshold_s超阈值强制 batch 降为 1VAD 长片段仍 OOM 时调小max_single_segment_timeVAD 单段最长时间毫秒前两招都不够再动它⚠️ 别一上来就缩短 VAD 段长那会牺牲识别质量。高吞吐批处理场景别在参数上纠缠直接换引擎AutoModelVLLM走 vLLM 路线Fun-ASR-Nano 配 vLLM 的官方基准能到 340 倍实时。卡住了对照这四个高频问题import funasr报 DLL 或架构错误大概率是 torch、torchaudio、funasr 来自不同安装渠道。按 torch → torchaudio → funasr 的顺序同渠道重装还不行就新建干净虚拟环境记下pip list和完整报错。模型下载慢或反复失败大概率是 hub 源和网络不匹配或半截缓存损坏。默认走 ModelScope海外网络加--hub hf换 Hugging Face中断后只清那个模型的缓存重试别把整个缓存目录删了。服务起来了但接口 4xx/5xx大概率缺 FastAPI、Uvicorn、multipart 上传依赖。先用一段很短的本地 WAV 对/v1/audio/transcriptions冒烟测试curl 通但浏览器被拦时重启加--cors-origin传精确 origin多个可信源要各传一次。实时识别输出为空或延迟巨大大概率是客户端音频格式不匹配——采样率、通道、chunk、PCM 编码任何一个不对都像服务端故障。先确认 16kHz 单声道 PCM用一段已知能跑的短 WAV 定位。更多情况翻 docs/troubleshooting_zh.md。跑通之后还有三条路可以往深走如果你想接入业务系统OpenAI 兼容接口直接对接 LangChain、Dify完整示例在examples/openai_api/想让 Claude、Cursor 直接调用转写能力用examples/mcp_server/里现成的 MCP 服务。如果你想提升特定领域准确率热词是最轻量的软提示Python 侧model.generate(input..., hotword关键词 20)命令行侧--hotwords但热词是提示增强而非确定性纠错电话车牌这类强专业场景建议走微调训练脚本参考examples/aishell/。如果你想规模化上生产runtime/下有 Docker 镜像、Triton 部署材料模型怎么选细看 docs/model_selection_zh.md。打开终端把安装那三条命令敲一遍终端里出现那句欢迎大家来体验达摩院推出的语音识别模型你就入门了。【免费下载链接】FunASROpen-source speech recognition toolkit for training, inference, streaming ASR, VAD, punctuation, speaker diarization pipelines, and OpenAI-compatible/MCP serving.项目地址: https://gitcode.com/GitHub_Trending/fun/FunASR创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考