企业官网建设流程全解析

FunASR 完全指南：从会议转写到实时字幕，一套免费开源语音识别工具搞定

【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

一场两小时的会议纪要、几百段客服录音、需要实时字幕的直播——这些场景背后都是同一个需求：把语音准确、快速地变成文字。FunASR 是阿里巴巴达摩院开源的端到端语音识别（ASR）工具包，一条AutoModel调用就能串联起 VAD 语音端点检测、ASR 识别、标点恢复和说话人分离，并且支持离线转写、流式实时识别、OpenAI 兼容 API 部署，甚至纯 CPU 的边缘设备。与"单个模型"不同，FunASR 提供的是一个可按需组合的模型工具箱：有 GPU 就用旗舰 Fun-ASR-Nano 追极致精度，纯 CPU 就用 SenseVoice-Small 跑 17 倍实时，需要低延迟就用 Paraformer 流式模型。

为什么说 FunASR 值得放进你的技术栈

选语音识别方案时，大家最常纠结三件事：准确率够不够、跑得快不快、部署省不省钱。FunASR 给出的答卷是（数据来自项目自带的 184 条长音频、共 192 分钟基准测试）：

更直观的一句话：FunASR 的模型跑在 CPU 上，比 Whisper 跑在 GPU 上还要快。同时它自带说话人分离、情感与音频事件标签（SenseVoice 提供）、流式 WebSocket 服务，而这些都是"Whisper + 额外组件"要自己拼出来的。工具包源码为 MIT 协议，模型权重按各自模型卡许可使用，整体免费自托管。

按场景看：FunASR 能帮你解决哪些问题

长音频一次转写成结构化文本

丢进去一整段会议录音，返回的不是干巴巴的一行字，而是带时间戳、说话人编号和标点的句子列表——AutoModel会自动协调 ASR、VAD、说话人模型完成整条流水线。

多人会议与客服录音的说话人区分

通过spk_model="cam++"参数即可开启说话人分离，配合 FSMN-VAD 切分语音段，"谁在什么时候说了什么"直接落进结果里，无需再引入额外的分离工具。

实时字幕与呼叫中心流式转写

Paraformer 流式模型按 600ms 小块逐段输入、逐段输出，配合项目内置的 WebSocket 运行时服务（详见 运行时文档），可以支撑直播字幕、通话质检这类长连接场景。

私有化部署一套"语音识别 API"

funasr-server一条命令就能起一个 OpenAI 兼容的/v1/audio/transcriptions端点，LangChain、Dify、n8n 等现有客户端几乎零改动接入，音频不出内网。示例代码在 examples/openai_api/。

让 AI 智能体"听"懂语音

仓库自带 MCP Server（examples/mcp_server/），把本地语音识别能力直接暴露给 Claude、Cursor 这类 Agent，实现"对 Agent 说话"的交互入口。

两个关键设计，帮你看懂它是怎么做到的

流水线编排：一次调用背后的"装配线"

FunASR 的核心思想是把语音理解拆成可插拔的工序：VAD 负责"哪里有声音"，ASR 负责"说了什么"，CT-Transformer 负责"加标点"，CAM++ 负责"谁说的"。你只需在AutoModel里声明用哪些工序，框架负责调度、批处理和结果合并。这就是为什么它既能一行代码做最简转写，也能一行代码做带说话人的生产级转写。

上下文增强解码：旗舰模型如何提升准确率

最新的 Fun-ASR-Nano 采用"编码器 + LLM 解码器"结构，并引入三路上下文注入：音频上下文（Audio Context）、CTC 预测上下文（CTC Predicting Context）和基于 RAG 的用户热词（User Hotword）。简单说，模型在解码每个词时，既参考前面已识别的语音与文本，也能检索你提供的业务热词库，因此对专有名词、人名、方言场景的识别明显更稳。

FunASR 最快上手：安装 + 第一段识别

一键安装步骤

pip install torch torchaudio pip install funasr

要求 Python ≥ 3.8，Linux / Windows / Mac 均支持；从源码安装则为git clone https://gitcode.com/GitHub_Trending/fun/FunASR && cd FunASR && pip install -e .，详细环境说明见 安装文档。

最短识别示例

有 GPU 的场景，三行代码出结果：

from funasr import AutoModel model = AutoModel(model="FunAudioLLM/Fun-ASR-Nano-2512", device="cuda") result = model.generate(input="meeting.wav") print(result[0]["text"])

纯 CPU 或想同时要情感和说话人标签，换成 SenseVoice 流水线：

model = AutoModel(model="iic/SenseVoiceSmall", vad_model="fsmn-vad", spk_model="cam++", device="cpu") result = model.generate(input="meeting.wav")

不想写 Python 也没关系，装完就有 CLI 可用：

funasr audio.wav # 最简转写 funasr audio.wav --spk --timestamps -f json # 说话人 + 时间戳，JSON 输出 funasr audio.wav --output-format srt # 直接生成字幕

不同场景的典型用法

选不定模型时的完整对照表在 模型选择指南，从 Whisper 或云端 ASR 迁移过来的评估方法见 迁移指南。

无 GPU、无 Python：单二进制跑在边缘设备上

通过 llama.cpp 的 GGUF 路线，SenseVoice / Paraformer / Fun-ASR-Nano 都能编译成单个自包含二进制，内置 FSMN-VAD，Linux / macOS / Windows（含 Vulkan、CUDA 包）都有预编译版本，中文错误率比 whisper.cpp 低约 3 倍。相关实现见 runtime/llama.cpp/。

版本演进与近期亮点

• Fun-ASR-Nano（V2 架构）：LLM 式 ASR，支持中英日与中文方言/口音，配合 vLLM 达到 340 倍实时
• MOSS-Transcribe-Diarize：一次离线请求同时返回转写、时间戳和匿名说话人标签，支持 Docker / Kubernetes / vLLM 工作流
• FunASR 1.4.x：完善 Model Zoo 发现机制，提升实时服务稳定性
• 部署生态：OpenAI 兼容 API、MCP Server、Gradio 演示、Kubernetes 模板、llama.cpp 边缘包一应俱全

延伸资源：继续深入 FunASR

• 模型源码：funasr/models/（Paraformer、SenseVoice、FSMN-VAD 等全部模型实现）
• 训练与推理流水线：funasr/auto/auto_model.py
• 工具包与 CLI 入口：funasr/cli.py、docs/cli.md
• 故障排查：docs/troubleshooting.md
• 使用场景合集：docs/use_case_showcase.md
• 社区集成项目：docs/community_projects.md

从一段会议录音到一整套私有语音识别服务，FunASR 提供的不是"又一个模型"，而是一条从研究、推理到生产部署的完整通路。先用 Colab 或上面的三行代码试出感觉，再按 部署矩阵 选择适合你的落地路径，就是最快的开始方式。

【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