语言转文字-FunASR阿里开源

原创于 2025-10-25 10:36:22 发布 · 1.3k 阅读

CC 4.0 BY-SA版权

文章标签：

语言识别知识点补充

语音识别技术，也被称为自动语音识别（Automatic Speech Recognition，ASR），其目标是将人类语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列。
当前主流的语音识别系统多基于统计理论的贝叶斯准则。其典型框架一般包含前端处理、声学模型、语言模型、解码器和后处理等五个基本模块。

方案

. 如果你只是想要一个简单、可靠、本地运行的语音转文字工具：
👉 强烈推荐从 Vosk 开始，它是目前 Windows/Linux/macOS 上部署最简单、对硬件要求最低、效果还不错的开源方案，特别适合 i7 老机器。

FunAudio-ASR 提供了轻量化版本 FunAudio-ASR-nano，在保持较高识别准确率的同时，具备更低的推理成本，适合对资源敏感的部署环境。
两个版本均支持低延迟流式识别、中英无缝切换以及用户自定义热词功能。目前，该技术已在钉钉的 “AI 听记”、视频会议以及 DingTalk A1 硬件中落地应用。其 API 也已在阿里云百炼平台上线。
体验地址：https://modelscope.cn/studios/iic/FunAudio-ASR
技术报告：https://github.com/FunAudioLLM/FunAudioLLM.github.io/blob/master/pdf/FunAudio-ASR.pdf

FunASR 特点

阿里达摩院开源的语音识别模型库，对中文支持非常好
提供多个模型，包括轻量级模型，部分可适配 CPU 推理
有 Python 接口，也有预训练模型
支持流式识别、实时语音转写等高级功能
⚠️ 但注意：
部分模型较大，对 i7 机器可能吃力，建议测试其小模型或 INT8 量化版本

环境准备

系统要求

操作系统: CentOS Stream 9 (x86_64)
Python: 3.8 或 3.9 (FunASR 官方推荐)
GPU (可选但推荐): NVIDIA GPU + CUDA + cuDNN 可显著提升推理速度。

安装部署

# 创建虚拟环境
python3 -m venv funasr_env

# 激活虚拟环境
source funasr_env/bin/activate

pip install --upgrade pip

#有 NVIDIA GPU:
pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu118
#无 GPU (CPU-only):
pip install torch torchaudio
#安装 FunASR
pip install funasr

注意：如果安装失败，可以尝试从源码安装：

git clone https://github.com/alibaba-damo-academy/FunASR.git
cd FunASR
pip install -e .

下载中文语音识别模型

#下载中文语音识别模型 FunASR 支持多种模型，我们以最常用的**流式多级的截断注意力模型（SMLTA）**为例。
# 创建模型目录
mkdir -p ~/funasr_models
cd ~/funasr_models
# 下载中文语音识别模型（支持中文普通话） 
wget https://modelscope.cn/models/iic/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8358-pytorch/resolve/master/modelscope/model.tar.gz

tar -xzf model.tar.gz
# modelscope已经不支持 wget方式
pip install modelscope
# 创建一个 Python 脚本 download_model.py
from modelscope.hub.snapshot_download import snapshot_download
from modelscope.utils.constant import ModelFile

# 指定模型ID和本地缓存目录
model_id = 'iic/speech_seaco_paraformer_large_asr_nat-zh-cn-16k-common-vocab8404-pytorch'
cache_dir = '/home/laich/speek/funasr_models'  # 替换为你的实际路径

# 下载模型
model_dir = snapshot_download(model_id, cache_dir=cache_dir)

print(f"模型已下载至: {model_dir}")

说明:

speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8358-pytorch 是一个高性能的中文ASR模型。
您也可以访问 ModelScope (魔搭) 搜索更多 FunASR 模型。
假设模型解压后路径为：/home/yourusername/funasr_models/modelscope

创建一个 Python 脚本 asr_test.py 来测试语音转文字功能。

from funasr import AutoModel
import os
""""
https://github.com/modelscope/FunASR
"""
# 使用模型名称或者路径模式
#model_name = "iic/speech_seaco_paraformer_large_asr_nat-zh-cn-16k-common-vocab8404-pytorch"
model_name = "/home/laich/speek/funasr_models/iic/speech_seaco_paraformer_large_asr_nat-zh-cn-16k-common-vocab8404-pytorch"
# 初始化模型
model = AutoModel(model=model_name, model_revision="v2.0.4",
                  vad_model="fsmn-vad", vad_model_revision="v2.0.4",
                  punc_model="ct-punc-c", punc_model_revision="v2.0.4",
                  # spk_model="cam++", spk_model_revision="v2.0.2",
                  )
# 初始化模型
#model = AutoModel(
#    model=model_dir,
    # 如果使用GPU，可以指定 device="cuda"
    # device="cuda"
#)

# 测试音频文件路径（准备一个中文语音的wav文件）
audio_file = "test_audio.wav"

# 检查音频文件是否存在
if not os.path.exists(audio_file):
    print(f"音频文件 {audio_file} 不存在，请先准备一个中文语音文件。")
    exit(1)

# 执行语音识别
res = model.generate(input=audio_file)

# 打印识别结果
print("识别结果:")
print(res[0]["text"])

准备测试音频

准备一个 16kHz 采样率的 .wav 格式的中文语音文件。
如果你的音频不是16kHz，可以使用 sox 转换：

# 确保虚拟环境已激活
source funasr_env/bin/activate

# 运行测试脚本
python asr_test.py   # source funasr_env/bin/activate && python asr_test.py
#如果一切正常，你应该会看到类似输出：语言转文字