FunASR 新手完整指南5 分钟跑通达摩院开源语音识别全套流程【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/FunASRFunASR 是阿里达摩院开源的端到端语音识别工具包把 ASR、语音活动检测VAD、标点恢复、说话人验证、声音事件检测这些环节收进同一套接口。你不需要自己拼流程给它一个音频文件它还能顺带返回时间戳、说话人标签和标点。下面按能做什么 → 怎么工作 → 怎么跑起来的顺序带你过一遍最后给你能直接复制的命令和代码。一个项目定位语音处理工具箱先回答它适合谁。如果你是算法工程师可以拿它训练和微调自己的声学模型examples/ 目录里按数据集分好了各模型的训练脚本如果你是应用开发者直接调用推理接口或把模型包装成服务就够了。它一次调用能编排的能力有五块语音识别主力模型 Paraformer负责把语音转成文字语音活动检测FSMN-VAD 找出音频里真正有人说话的时段标点恢复CT-Transformer 给转写文本补上标点说话人验证Xvector 提取声纹特征判断谁在说声音事件检测SOND 模型捕捉特定声音事件从总览图能看出它的分工模型库Paraformer、FSMN-VAD、Xvector 等预训练模型喂给核心库做训练与推理训练完的模型经导出模块转成 Libtorch、ONNX 或 TensorRT 格式再由运行时部署、服务层以 gRPC、websocket、Triton 三种方式对外提供推理。换句话说研究者调模型、工程师接服务各走各的路互不干扰。能力拆解三个你最可能在用的场景场景一离线整段转写丢一段长录音进去它一口气完成识别、切分、加标点返回带时间戳的整段文本。这是最基础也最常用的用法后面快速上手部分会实际跑一次。场景二多人会议要分清谁说了什么多人场景里有个容易混淆的区分多说话人 ASR把不同人的语音先切成独立片段说话人归属 ASR给每句转写直接标注说话人身份FunASR 用一个端到端模型同时覆盖这两件事声学编码器AsrEncoder出语义表示说话人编码器SpeakerEncoder出声纹表示AsrDecoder 逐 token 生成文字SpeakerDecoder 再配合余弦相似度注意力把每句话贴到正确的说话人头上。场景三行业黑话、专有名词总认错新版 FunASR 针对这点引入了三类上下文机制音频上下文Audio Context结合前后音频片段提升识别准确度CTC 预测上下文给 CTC 解码提供先验信息用户热词你自定义一份热词表领域词识别率立刻上来更关键的是RAG-user hotword解码前先从你的词库里检索出与当前内容相关的热词再注入解码过程热词是动态生效的而不是把整张表一股脑塞给模型。它是怎么跑起来的一个音频文件的完整旅程把上面零散的架构、原理、流程串成一条线。你调用接口传入一个音频文件后内部大致经历五步消息队列接收音频FSMN-VAD切出有语音的片段去掉静音Paraformer声学模型把语音片段转成文本特征WFST 解码器结合 Ngram/Token/Lex 语言模型和 FST 热词约束产出初稿CT-Transformer补标点最后经ITN逆文本正则化输出规范文本训练和调优走同一条主线的另一侧核心库里 asr_trainer.py / asr_infer.py 这类脚本负责训练与推理export_model.py 负责把模型导出成 Libtorch、ONNX、TensorRT 格式。部署时 runtime 层提供跨平台支持服务层则以 gRPC、websocket、Triton 三种方式把能力端出去——这也是仓库里 runtime/ 目录分 Android、iOS、ONNX、gRPC 等子目录的原因。FunASR 安装步骤与 Paraformer 模型调用示例环境要求推荐 LinuxMac/Windows 也支持Python 3.7 及以上PyTorch 1.11 及以上没有 GPU 用 CPU 版即可安装完整说明见 docs/ 下的安装文档git clone https://gitcode.com/GitHub_Trending/fun/FunASR cd FunASR pip install -r requirements.txt最小示例加载 Paraformer 中文模型对本地音频跑一次离线转写from funasr import AutoModel model AutoModel(modelparaformer-zh) result model(audio_intest.wav) print(result)有 GPU 的话给 AutoModel 加devicecuda即可。想换 VAD、说话人等模型组合或想调流式识别去 examples/ 翻各模型的脚本最快。真实用在哪儿三个落地案例客服质检。某电商客服团队以前靠人工抽听录音做质检覆盖不了全量。接入 FunASR 后通话自动转写成文本再交给 NLP 环节做质检和问答质检覆盖率从抽样变成全量效率上来了。会议记录。产品组用多说话人能力处理例会录音不用自己先分轨转写结果直接带说话人标签结构化纪要自动生成记录员从边听边打字变成校对。语音助手与实时字幕。助手指令理解和在线字幕生成都依赖低延迟、高准确的 ASRFunASR 的流式能力正好补这个位——同样的识别精度实时场景下也能撑住。写在最后FunASR 把预训练模型、训练脚本、模型导出、跨平台运行时和 OpenAI 兼容服务装进了一个仓库新手三步就能跑通第一句转写。下一步打开 examples/ 找一个离你业务最近的模型目录照着脚本跑一遍再看 docs/ 补细节。【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