modelscope/FunASR

FunASR — 産業用音声認識ツールキット

FunASRは、音声認識システムを構築するための包括的でオープンソースのツールキットです。実際のプロダクション環境向けに設計されており、オフライン（バッチ）文字起こし、リアルタイムストリーミング、エッジデバイスへの展開をサポートしています。単なる音声テキスト変換にとどまらず、音声活動検出 (VAD)、句読点、話者識別、感情認識、音声イベント検出も処理可能です。

機能

核となる機能は音声をテキストに書き起こすことですが、モジュール式であるため、ニーズに合わせて異なるコンポーネント（モデル）を組み合わせてパイプラインを構築できます。例えば、VADモデルを追加して音声セグメントを検出し、話者埋め込みモデルで誰が話しているかを特定し、句読点モデルで出力の可読性を高めることができます。

主な機能

• 多様な音声タスク: ASR（音声テキスト変換）、VAD（音声検出）、句読点、話者分離（誰がいつ話したか）、感情認識、音声イベントタグ付け。
• ストリーミングサポート: 音声をリアルタイムのチャンクで処理し、ライブキャプションや音声アシスタントに役立ちます。
• エッジ展開: CPUまたはGPUでモデルを実行可能。Python不要の軽量な llama.cpp/GGUF パス（単一バイナリ）も含まれます。
• OpenAI互換サーバー: LangChain、Dify、AutoGenなどのツールで動作するREST APIを提供します。
• CLIツール: 高速な文字起こし、字幕作成、バッチ処理のためのシンプルなコマンドラインインターフェース。

含まれるモデル

FunASRは、複数の事前学習済みチェックポイントを備えたモデルZooを提供します。

• Fun-ASR-Nano (800Mパラメータ): 中国語、英語、日本語、中国語方言向けの高速で正確なASR。
• Fun-ASR-MLT-Nano (800M): 31言語をカバーする多言語バージョン。
• SenseVoiceSmall (234M): 中国語、英語、日本語、韓国語、広東語向けのASR、感情認識、音声イベントタグ付け。
• Paraformer-zh: タイムスタンプ付きASRおよびストリーミングバリアント。
• Qwen3-ASR および GLM-ASR-Nano: より大規模な多言語モデル。
• Whisper モデル: 比較や移行用。
• サポートコンポーネント: ct-punc（句読点）、fsmn-vad（音声活動検出）、cam++（話者埋め込み）、emotion2vec（感情認識）。

使用方法

FunASRは主に3つの方法で使用できます。

1. Python API — AutoModel でモデルをロードし、数行のコードで文字起こしを生成します。
2. コマンドライン — funasr audio.wav を実行してテキストを取得するか、フラグを使用してJSON、SRT、話者分離などを行います。
3. サーバー — funasr-server でローカルHTTPサービスを開始し、curl や任意のHTTPクライアント経由で音声を送信します。

展開オプション

• GPU: CUDAを使用して推論を高速化。
• CPU: 多くのユースケースで問題なく動作。
• エッジ: llama.cpp/GGUFを使用したビルド済みバイナリは、Linux、Windows、macOS上でPythonなしで動作し、組み込みデバイスに最適です。
• Docker: ストリーミングサービス用のすぐに使えるコンテナ。

なぜ重要なのか

FunASRは、開発者に柔軟性を提供する実用的なプロダクショングレードのツールキットです。言語やハードウェアに適したモデルを選択し、必要に応じてコンポーネントを組み合わせ、クラウドサーバーからエッジデバイスまでどこにでも展開できます。特に中国語アプリケーションにおいて、クラウドASRサービスの強力な代替手段であり、AlibabaのModelScopeチームによって積極的にメンテナンスされています。

はじめに

pip install funasr

その後、クイックスタートノートブックやCLIを試してください。READMEには、文字起こし、ストリーミング、話者分離、サーバー展開の詳細な例が含まれています。

注: モデルのライセンスはツールキットのMITライセンスとは別です。商用利用の前に各モデルのページを確認してください。