modelscope/FunASR

何を解決するか

FunASR は、オフライン、ストリーミング、エッジデプロイ向けに設計された産業用音声認識ツールキットで、高パフォーマンスなエンドツーエンド ASR（自動音声認識）を提供します。ユーザーがトランスクリプション、音声活動検出（VAD）、句読点補完、話者ダイアライゼーションに特化したモデルを自由に組み合わせられる柔軟なツールキットの必要性に対応しており、単一のモノリシックモデルに依存するのではなく、目的に応じて最適なモデルを選択できます。

仕組み

このツールキットは、複数の専門モデルを調整する AutoModel パイプラインを使用しています。たとえば、一般的なプロダクションパイプラインでは、トランスクリプションモデル（Paraformer や Fun-ASR-Nano など）と VAD モデル（fsmn-vad）、話者識別モデル（cam++）を組み合わせます。GPUアクセラレーション（vLLM経由）、OpenAI互換APIサーバー、および GGUFフォーマットを用いた高効率CPUおよびエッジデプロイ向けの C++ランタイム（llama.cppベース）をサポートしています。

対象ユーザー

音声対応アプリケーション、AIエージェント、産業用音声サービスを開発する開発者やエンジニア向けです。低レイテンシ、高精度（特に中国語、英語、日本語）を要求する場面で、高級GPUからエッジデバイスまで多様なハードウェアにデプロイ可能な能力が求められます。

特徴

• 高パフォーマンス：Fun-ASR-Nano と vLLM を使用して、最大 340x 実時間速度を達成。
• 多様なモデルズーライブラリ：ASR、感情認識、音声イベント、話者ダイアライゼーションに特化したモデルを提供。
• マルチプラットフォームデプロイ：Python、Docker、および standalone C++バイナリ（llama.cpp経由）で Windows、Linux、macOS に対応。
• 広範な言語対応：31言語以上のチェックポイントを提供。特に中国語の方言や地域訛りに強み。
• エージェント対応：Claude/Cursor 用の MCP サーバー、LangChain および Dify 用の OpenAI互換エンドポイントを提供。