FunASR

项目概述

FunASR 是阿里巴巴达摩院开源的工业级语音识别工具包，覆盖离线转写、流式识别与边缘部署三类场景。它把 ASR、端点检测、标点恢复、说话人分离等能力做成可自由组合的模型单元，内置中文识别能力突出的 Paraformer 等模型，并提供 OpenAI 兼容 API 与 MCP Server，方便接入现有 Agent 工作流。

任务、模型、运行时三者解耦，按场景自由组合成完整语音流水线。

主要功能

• 语音识别：离线与流式转写，中文表现突出，支持多语种与方言
• 端点检测：FSMN-VAD 切分语音起止，长音频自动分段
• 标点恢复：转写文本自动补全标点
• 说话人分离：CAM++ 区分多说话人并输出时间戳
• 情感识别：SenseVoice 同时输出情绪与音频事件标签
• 模型组合：ASR、VAD、说话人模型按需拼接成 pipeline
• 服务化部署：OpenAI 兼容 API、MCP Server 与 vLLM 批量加速

适用人群

• 需要本地转写会议录音与播客的开发者
• 构建实时语音助手的工程师
• 做中文语音识别的算法工程师
• 接入 Agent 工作流的语音应用团队

快速上手

1. 安装：

pip install torch torchaudio
pip install funasr

2. 加载模型转写音频：

from funasr import AutoModel

model = AutoModel(model='FunAudioLLM/Fun-ASR-Nano-2512', device='cuda')
result = model.generate(input='asr_example_zh.wav')
print(result[0]['text'])

3. CPU 场景可选 SenseVoiceSmall 模型，GPU 部署参照官方 vLLM 指南

核心优势

• 中文领先：Paraformer 系列对中文与方言识别效果好
• 部署灵活：同一套工具包覆盖 CPU、GPU 到边缘设备
• 易集成：OpenAI 兼容 API 与 MCP Server 现成可用

系统要求

注意事项

• GPU 检测：设 device=cuda 前先确认 torch.cuda.is_available() 返回 True，否则改用 CPU 或重装匹配 CUDA 的 PyTorch
• 说话人编号：返回的说话人序号仅在本条录音内有效，不代表真实身份
• 模型差异：Fun-ASR-Nano 与 MLT-Nano 语言覆盖不同，按 checkpoint 单独选择