modelscope/FunASR

FunASR — 工业级语音识别工具包

FunASR 是一个全面且开源的语音识别系统构建工具包。它专为实际生产环境设计，支持离线（批量）转录、实时流式传输以及边缘设备部署。它不仅仅是语音转文字，还能处理语音活动检测 (VAD)、标点符号、说话人识别、情感识别和音频事件检测。

功能特色

核心功能是将音频转录为文字。但它是模块化的：您可以组合不同的组件（模型）来构建符合您需求的管线。例如，您可以添加 VAD 模型来检测语音片段，添加说话人嵌入模型来辨识说话人，以及添加标点符号模型来提高输出可读性。

主要能力

• 多种语音任务：ASR（语音转文字）、VAD（语音检测）、标点符号、说话人日志（辨识谁在何时说话）、情感识别和音频事件标记。
• 流式支持：实时处理音频块，适用于实时字幕或语音助手。
• 边缘部署：在 CPU 或 GPU 上运行模型，包括无需 Python 即可运行的轻量级 llama.cpp/GGUF 路径（仅需单个二进制文件）。
• 兼容 OpenAI 的服务器：提供与 LangChain、Dify 或 AutoGen 等工具兼容的 REST API。
• CLI 工具：简单的命令行界面，用于快速转录、字幕制作和批量处理。

包含的模型

FunASR 提供了一个包含多个预训练检查点的模型库：

• Fun-ASR-Nano (800M 参数)：针对中文、英文、日文和中文方言的快速、准确 ASR。
• Fun-ASR-MLT-Nano (800M)：涵盖 31 种语言的多语言版本。
• SenseVoiceSmall (234M)：针对中文、英文、日文、韩文和粤语的 ASR 以及情感和音频事件标记。
• Paraformer-zh：带有时间戳的 ASR，以及流式变体。
• Qwen3-ASR 和 GLM-ASR-Nano：更大的多语言模型。
• Whisper 模型：用于比较或迁移。
• 支持组件：ct-punc（标点符号）、fsmn-vad（语音活动检测）、cam++（说话人嵌入）、emotion2vec（情感识别）。

如何使用

您可以透过三种主要方式使用 FunASR：

1. Python API — 使用 AutoModel 加载模型，只需几行代码即可生成转录。
2. 命令行 — 执行 funasr audio.wav 获取文字，或使用标记进行 JSON、SRT、说话人日志等操作。
3. 服务器 — 使用 funasr-server 启动本地 HTTP 服务，并透过 curl 或任何 HTTP 客户端发送音频。

部署选项

• GPU：使用 CUDA 进行更快的推理。
• CPU：适用于许多使用场景。
• 边缘：使用 llama.cpp/GGUF 的预编译二进制文件，可在 Linux、Windows 和 macOS 上运行，无需 Python，非常适合嵌入式设备。
• Docker：用于流式服务的现成容器。

为什么选择它

FunASR 是一个实用的工业级工具包，为开发者提供了灵活性：为您的语言和硬件选择合适的模型，根据需要组合组件，并部署在从云端服务器到边缘设备的任何地方。它是云端 ASR 服务的强大替代方案，特别是对于中文应用，并且由阿里巴巴 ModelScope 团队积极维护。

入门指南

pip install funasr

然后尝试快速入门笔记本或 CLI。README 包含转录、流式传输、说话人日志和服务器部署的详细示例。

注意：模型授权与工具包的 MIT 授权分开，商业使用前请检查每个模型的页面。