会议录音不出本地:FunASR 离线转写部署笔记

会议录音不出本地:FunASR 离线转写部署笔记

【免费下载链接】FunASR Open-source speech recognition toolkit for training, inference, streaming ASR, VAD, punctuation, speaker diarization pipelines, and OpenAI-compatible/MCP serving. 【免费下载链接】FunASR 项目地址: https://gitcode.com/GitHub_Trending/fun/FunASR

老板发来一段两小时的客户会议录音,要求下班前出文字稿,但录音不能上传到任何第三方平台。FunASR 是达摩院开源的语音识别工具包,可以在你本机跑一个离线转写服务:音频不出机器,输出的是带标点的文字稿。

项目速览:FunASR 是什么

FunASR 的核心定位是一条完整的本地语音处理链路:语音活动检测(VAD,把人声从噪音里切出来)+ 语音识别(ASR)+ 标点恢复 + 逆文本规范化(ITN,把"两千零二六"写成"2026")。

  • 支持三种转写模式:离线文件转写、实时流式、2pass(流式先出结果,离线模型再纠错)
  • 提供 Python 服务和 C++ 运行时两条部署路线,全程 CPU 即可,无需 GPU
  • 自带浏览器 Web 界面,不写代码也能上传文件、对着麦克风转写

FunASR 整体架构:模型库、训练推理、运行时与服务层

四步跑通 FunASR 离线转写服务

主线走 Python 服务路线,Linux、macOS 直接可用;Windows 用户在 WSL2 里执行同样的命令即可。另一条路线是 C++ 运行时的 Docker 部署,面向高并发场景,放到后面讲。

第一步:装依赖、拉代码

modelscope 是国内的模型托管平台,装它是因为首次启动时服务要自动下载预训练模型。代码克隆下来则是为了取现成的服务端和客户端脚本:

pip install -U modelscope funasr
git clone https://gitcode.com/GitHub_Trending/fun/FunASR
cd FunASR/runtime/python/websocket
pip install -r requirements_server.txt

这一步完成后,你应该看到依赖安装完毕且没有任何报错。

第二步:启动转写服务

服务端一条命令就能起来。首次运行会自动下载 VAD、ASR、标点等四个模型:

python funasr_wss_server.py --port 10095 --device cpu

没有显卡就带上 --device cpu;首次启动的模型下载体积在 GB 级,终端里会滚动进度,别当成卡死。

正常情况下,终端会先滚动模型下载进度,加载完成后 WebSocket 服务开始监听 10095 端口。服务端保持运行,另开一个终端继续。

第三步:发第一个转写请求

客户端不带 --audio_in 时直接走麦克风实时录音,适合先验证链路是否通:

python funasr_wss_client.py --host "127.0.0.1" --port 10095 --mode offline

你现在应该看到:说话的同时终端逐行打印出转写文字,语句里带标点。停下来稍等,拿到最终结果后连接自动结束。到这里,最小闭环已经跑通。

能做什么 & 怎么用

批量转写一文件夹的客服录音

多个文件时用 Kaldi 风格的 wav.scp 列表:每行一条,空格分隔"音频编号 音频路径"。仓库里自带样例音频 asr_example.wav,可以先把这行写进 wav.scp 试水:

python funasr_wss_client.py --host "127.0.0.1" --port 10095 --mode offline \
  --audio_in "./data/wav.scp" --output_dir "./results"

参数速查(其余参数见 客户端脚本 的 --help):

参数含义
--mode offline非流式,文件转写默认选它
--mode online流式,低延迟实时场景
--mode 2pass流式先出、离线纠错,兼顾速度与准确率
--output_dir转写结果按音频编号落盘成文本文件
--use_itn默认开启数字规范化,传 0 可关闭

浏览器里直接打开转写界面

不想敲命令的话,直接打开仓库里的 Web 客户端页面,填入服务地址 127.0.0.1 和端口 10095,就能用麦克风或上传文件转写,手机浏览器同样可访问:

FunASR Web 转写界面,支持麦克风输入与文件上传

用热词把行业术语的识别率拉上来

转出来的稿子里如果"达摩院""通义"这类专有名词老被认错,准备一个热词文件,每行一个"热词 权重",用 --hotword 传给客户端,服务端加载后这些词的识别率会明显上来:

达摩院 20
通义实验室 20

调优与进阶:并发与准确率

Python 服务走的是标准离线流水线:VAD 切段、ASR 解码、标点模型补标点、ITN 做数字规范化,每个环节都可以单独换模型:

FunASR 离线转写处理流程

CPU 机器需要多路并发转写怎么办

Python 服务更适合作单客户端的演示和中小批量处理;要给几十路请求同时服务,用 C++ 运行时的 Docker 一键部署(仅支持 Linux,需 root,脚本会自动装 Docker、拉镜像、下模型):

sudo bash funasr-runtime-deploy-offline-cpu-zh.sh install --workspace /path/to/funasr-runtime-resources

部署脚本在 runtime/deploy_tools/,解码线程数按 CPU 核数自动设置,跑起来后监听 10095 端口,多个客户端可同时接入。

识别准确率不够怎么提升

两件事优先做:一是检查音频规格,模型按 16kHz 单声道设计,非 wav 格式先用 ffmpeg 重采样再转;二是把高频专有名词做成热词(方法见上文)。场景特别垂直的话,去 model_zoo/ 看有没有行业专用模型。

本地部署常踩的坑

服务起来了,客户端连不上? 九成是端口问题。用 lsof -i:10095(Windows 下 netstat -ano | findstr :10095)查一下 10095 是不是被别的进程占了,结束掉它,或者把服务端的 --port 换成别的端口。

首次启动久到离谱? 不是卡死,是在下载四个模型。国内网络慢的话,模型都托管在 ModelScope 平台上,可以按平台文档换成更快的下载渠道,或者手动下好模型放到缓存目录再启动。

mp3 文件报解码错误? Python 客户端靠 ffmpeg 解析非 wav 格式,机器上没装 ffmpeg 就会在这里栽跟头。Linux 执行 apt-get install -y ffmpeg,macOS 执行 brew install ffmpeg,只有 wav 文件的话不用管这一步。

适合谁

FunASR 本地部署最适合音频数据不能离开公司的场景:客服录音质检、会议纪要、病历整理、庭审转写,中文为主、CPU 就能跑。如果你的素材以纯英文为主、量也不大,有更轻量的选择。想继续深入,从 快速上手文档 和 常见问题 开始看。

【免费下载链接】FunASR Open-source speech recognition toolkit for training, inference, streaming ASR, VAD, punctuation, speaker diarization pipelines, and OpenAI-compatible/MCP serving. 【免费下载链接】FunASR 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

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值