本地部署通义FunASR服务进行语音识别

github中FunASR资源封面 立即下载

我想在本地搭建一个语音识别的服务,提供给手机端做实时语音识别,就尝试部署通义实验室的Fun-ASR服务。

简介

Fun-ASR 是通义实验室推出的端到端语音识别大模型,是基于数千万小时真实语音数据训练而成,具备强大的上下文理解能力与行业适应性,支持低延迟实时听写,并且覆盖 31 个语种。在教育、金融等垂直领域表现出色,能准确识别专业术语与行业表达,有效应对"幻觉"生成和语种混淆等挑战,实现"听得清、懂其意、写得准"。
有2个地址,感觉是同一个东西,但内容区别很大。
https://github.com/modelscope/FunASR ,内容要多很多。本次执行的代码就从这里取的。
https://github.com/FunAudioLLM/Fun-ASR ,应该是原始的FunASR仓库。

用的模型是Fun-ASR-Nano。

部署

官方git上提供的部署手册能跑,但第一次执行的我,还是很懵。所以以下只代表我自己的操作手册,记录下来以后备查。

基础环境要求

python>=3.8
torch>=1.13
torchaudio

我用的是Anaconda,创建一个新的环境,并激活

conda create -n faenv python=3.12.9
conda activate faenv

安装pytorch,直接参考官网(https://pytorch.org/get-started),必须要先安装,才能正确运行demo

pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu130

从源码开始安装

# https://github.com/alibaba/FunASR.git就是https://github.com/modelscope/FunASR
git clone https://github.com/modelscope/FunASR.git
cd FunASR
conda activate faenv
pip3 install -e ./

下载模型

模型地址:
https://www.modelscope.cn/models/FunAudioLLM/Fun-ASR-Nano-2512/files

建议先修改模型存储位置:
添加环境变量MODELSCOPE_CACHE="目标地址"
执行下面的命令:

conda activate faenv
pip install modelscope
modelscope download --model FunAudioLLM/Fun-ASR-Nano-2512
# 默认下载~/.cache/modelscope/hub/models/FunAudioLLM/Fun-ASR-Nano-2512

请添加图片描述

验证

文件验证,源码地址在模型地址:https://www.modelscope.cn/models/FunAudioLLM/Fun-ASR-Nano-2512/summary
将下面源码保存为run_demo.py:

from funasr import AutoModel


def main():
    model_dir = "FunAudioLLM/Fun-ASR-Nano-2512"
    model = AutoModel(
        model=model_dir,
        trust_remote_code=True,
        remote_code="./model.py",
        device="cuda:0",
    )

    wav_path = f"{model.model_path}/example/zh.mp3"
    res = model.generate(
        input=[wav_path],
        cache={},
        batch_size=1,
        hotwords=["开放时间"],
        # 中文、英文、日文 for Fun-ASR-Nano-2512
        # 中文、英文、粤语、日文、韩文、越南语、印尼语、泰语、马来语、菲律宾语、阿拉伯语、
        # 印地语、保加利亚语、克罗地亚语、捷克语、丹麦语、荷兰语、爱沙尼亚语、芬兰语、希腊语、
        # 匈牙利语、爱尔兰语、拉脱维亚语、立陶宛语、马耳他语、波兰语、葡萄牙语、罗马尼亚语、
        # 斯洛伐克语、斯洛文尼亚语、瑞典语 for Fun-ASR-MLT-Nano-2512
        language="中文",
        itn=True, # or False
    )
    text = res[0]["text"]
    print(text)

    model = AutoModel(
        model=model_dir,
        trust_remote_code=True,
        vad_model="fsmn-vad",
        vad_kwargs={"max_single_segment_time": 30000},
        remote_code="./model.py",
        device="cuda:0",
    )
    res = model.generate(input=[wav_path], cache={}, batch_size=1)
    text = res[0]["text"]
    print(text)


if __name__ == "__main__":
    main()

执行:

conda activate faenv
python ./run_demo.py

实验效果:
请添加图片描述

解决问题的过程记录

缺少torch,解决方案,安装pytorch

  File "D:\aispace\FunASR\funasr\auto\auto_model.py", line 9, in <module>
    import torch
ModuleNotFoundError: No module named 'torch'

缺少torchaudio

File "D:\aispace\FunASR\funasr\utils\load_utils.py", line 9, in <module>
    import torchaudio
ModuleNotFoundError: No module named 'torchaudio'

解决方案,注意,这个链接可以参考:torch(https://pytorch.org/get-started),根据自己的配置进行选择。
pip3 install torchaudio --index-url https://download.pytorch.org/whl/cu130

验证torchaudio
# check_env.py
import sys
import torch
import torchaudio
 
print(f"Python version: {sys.version}")
print(f"PyTorch version: {torch.__version__}")
print(f"Torchaudio version: {torchaudio.__version__}")
print(f"CUDA available: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"CUDA version: {torch.version.cuda}")
    print(f"GPU device: {torch.cuda.get_device_name(0)}")
 
# 尝试一个简单的torchaudio操作,比如加载一个虚拟的音频张量
try:
    # 创建一个假的音频波形
    waveform = torch.randn(1, 16000)  # 1通道,16000采样点
    print("\nTorchaudio基本功能测试通过。")
    print(f"虚拟波形形状: {waveform.shape}")
except Exception as e:
    print(f"\nTorchaudio功能测试失败: {e}")

执行:

python ./check_env.py

请添加图片描述

缺少必要的包或包版本太旧:transformers

原因是transformers包版本太旧。我不确定之前是否安装了transformers。

File "D:\aispace\FunASR\funasr\tokenizer\hf_tokenizer.py", line 11, in HuggingfaceTokenizer
    tokenizer = AutoTokenizer.from_pretrained(init_param_path)
                ^^^^^^^^^^^^^
UnboundLocalError: cannot access local variable 'AutoTokenizer' where it is not associated with a value

安装transformers:

pip install -U transformers

缺少ffmpeg

Notice: ffmpeg is not installed. torchaudio is used to load audio
If you want to use ffmpeg backend to load audio, please install it by:
        sudo apt install ffmpeg # ubuntu
        # brew install ffmpeg # mac

解决方案1:到ffmpeg官网下载windows编译包,将ffmpeg的bin加入到PATH环境变量中。

https://www.gyan.dev/ffmpeg/builds/
# 选择  ffmpeg-release-full-shared.7z,当前版本为8.0.1

解决方案2,此方案我没走通:

# 
conda install -c conda-forge ffmpeg

安装之后报错:

To take advantage of gdk-pixbuf's support for librsvg, please run:
    C:\Users\pc_presto\.conda\envs\faenv2\Scripts\.gdk-pixbuf-post-link.bat

done
ERROR conda.core.link:_execute(1031): An error occurred while installing package 'conda-forge::gdk-pixbuf-2.42.12-hab781ea_1'.
Rolling back transaction: done

UnicodeDecodeError('gbk', b"g_module_open() failed for C:\\Users\\pc_presto\\.conda\\envs\\faenv2\\Library\\lib\\gdk-pixbuf-2.0\\2.10.0\\loaders\\libpixbufloader-svg.dll: 'C:\\Users\\pc_presto\\.conda\\envs\\faenv2\\Library\\lib\\gdk-pixbuf-2.0\\2.10.0\\loaders\\libpixbufloader-)
()

请添加图片描述

尝试再次安装ffmpeg,报错如下,感觉是环境崩溃了。新建一个conda环境,还是一样的错误。所以就放弃了这个方案。

请添加图片描述

参考:
https://blog.gitcode.com/ca66380b8b7eca87de2de25c0ef70b39.html
https://blog.51cto.com/u_16213327/12300154

缺少:tiktoken

ModuleNotFoundError: No module named 'tiktoken'

解决

pip install tiktoken

一个下载模型的提示:

感觉这块没有影响,搜索也没找到具体原因。记录备查。

Downloading Model from https://www.modelscope.cn to directory: D:\ProgramData\modelscope\models\FunAudioLLM\Fun-ASR-Nano-2512
WARNING:root:trust_remote_code: True
Loading remote code failed: ./model.py, No module named 'model'

总结

我在使用OpenClaw的过程中,有个感触是,看别人做的很酷炫,自己做的时候就很痛苦。但也是这个过程,让自己能够深刻领会工具的使用方法,掌握正确的用法。好比是看西游记师徒四人去取经,而我也在取经的路上。想要真正用好,还有很多路要走。

基于STM32的智能盆栽管家系统设计与实现(开题报告2) 本文设计了一种基于STM32的智能盆栽管家系统,旨在解决传统盆栽养护依赖人工、效率低下的问题。系统以STM32为核心,集成土壤湿度、温湿度及光照传感器,通过WiFi模块实现数据上传与远程控制,配备OLED显示屏本地显示,并利用继电器控制水泵与补光灯实现自动化养护。软件方面开发嵌入式程序、安卓APP及云平台,支持数据采集、远程监控和智能决策。相比现有产品,本系统具有成本低、扩展性强等优势,可满足家庭用户对植物精细化管理的需求。研究计划12周完成,包括硬件设计、软件开发、系统测试等环节,最终形成一套完整的智能盆 阅读详情

相关推荐

用Multisim和74192芯片复刻经典:手把手教你搭建篮球24秒违例计时器(附仿真文件)

本文详细介绍了如何使用Multisim仿真平台和74192芯片构建篮球24秒违例计时器,涵盖时序逻辑电路设计、核心器件选型、仿真环境搭建及调试技巧。通过分步指导,帮助读者掌握数字电路设计的关键技术,并附赠仿真文件供实践参考。

weixin_27014595的博客 279

ubuntu 编译加载ffmpeg动态库报错,大片提示函数未定义

(解决问题的时候,考虑过头文件与库版本不对应,代码不适用与新版本,ffmpeg编译配置有问题,是否需要开源声明等等,都考虑了一遍。还是没有解决,最后把几年前自己用过的一套代码找出来,发现了细节)ffmpeg原生头文件中是没有C++编译器判断的,如果使用的是C++编译器编译的代码,那么就必须要手动把extern C加上!一个小问题困扰了我一天(压根没往这处想,不应该),还是记录下。也许正好能提醒到有相同情况正在困扰的人。再次编译,直接搞定。虽然是很小的问题,但是被完全忽略,耽误了很多时间。

Miuney的博客 757

Rust Reqwest+Rustls 自签名证书校验

所以这里必须保证reqwest引用的rustls库和本地工程一致。以上就是实现不校验签名的逻辑,后续自己可以在对应回调进行逻辑判断。

bawomingtian123的专栏 1368

torchaudio报错:RuntimeError: Failed to load audio from ...

torchaudio无法读取音频的报错解决方案

HarryChen的博客 3103

字节跳动高频111道核心前端面试题解析,web开发增强

但是本人觉得看书也很必要,可以节省很多时间,常见的javascript的书,例如:javascript的高级程序设计,是每位前端工程师必不可少的一本书,边看边用,了解js的一些基本知识,基本上很全面了,如果有时间可以读一些,js性能相关的书籍,以及设计者模式,在实践中都会用的到。内容包括html,css,JavaScript,ES6,计算机网络,浏览器,工程化,模块化,Node.js,框架,数据结构,性能优化,项目等等。自定义指令(v-check、v-focus)的方法有哪些?v-model是什么?

2401_84094620的博客 1200

Librepilot _64位window10环境下的搭建及一些坑的解决办法

  刚入IT行业的小菜鸟,在window上折腾了四天的librepilot地面控制站的搭建,想着这么辛苦不能白费了,看网上相关资料少得可怜,唯一一个详细教程还是在32位环境下,一大堆坑,所以把自己的经验写下来,供大家一起参考。 参考的原文是:https://www.cnblogs.com/jasonchan1202/p/7809937.html的博客,但是执行下来才发现这个博客对64位系统极其不...

weixin_41426339的博客 2728

linux下安装ffmpeg的详细教程、ffmpeg is not installed

【代码】linux下安装ffmpeg的详细教程、ffmpeg is not installed。

Drug discovery 4702

34、实数域上高效负循环卷积算法解析

本文介绍了一种高效的实数域负循环卷积算法,通过引入离散傅里叶负循环变换(DFNT)避免传统方法的冗余,显著提升计算效率。文章详细分析了算法原理、误差传播机制,并推导出误差与方差界,提出无误差和基于3σ规则的参数设置方案。结合Cooley-Tukey与Gentleman-Sande FFT路径优化,实验验证了算法在不同精度和多项式长度下的性能优势与结果正确性,为密码学与信号处理等领域提供了高精度、高性能的卷积计算解决方案。

salt的博客 116

ASR引擎测试:FunASR,再给阿里点一个赞

凭良心讲,阿里在开源FunASR的时候是真的够诚意,很地道。FunASR这玩意儿TMD基本上就是一个商业化的东西直接开源出来给大家用了。

OddMeta 3158

实例详解C++程序的五大内存分区

本文详细讲述C++程序在运行时的5大内存分区。 下面使用日常开发中的编程实例,详细介绍一下这5个分区,以便大家能更深刻的理解这5大内存分区。 1、栈内存区 栈内存区是我们用的最多的分区,只要有函数的地方都会使用到这个分区。栈分区是用来存放函数参数及函数局部变量值的内存区,是由编译器在编译时自动分配和释放的。 函数中的参数与函数中的局部变量占用的内存是代码执行到函数(进入函数)是分配的,在............

dvlinker的技术专栏 1万+

【图像拼接(Image Stitching)】关于【图像拼接论文精读】专栏的相关说明,包含专栏使用方法、阅读顺序、创新思路、文章汇总、源码汇总、数据集汇总等。总之,【图像拼接论文相关】看这一篇就够了

为什么会有这篇文章?因为专栏简介里写不下太多东西,只能通过这篇文章和大家交流,算是一个专栏阅读指南吧。说点心里话本来吧,我只想用优快云来记录自己学习【图像拼接】领域论文的过程,对每篇文章有个细致的理解,方便自己反复查阅。设置为付费也是因为涉及论文和本人其他项目需要,防止查重和其他问题,所以价格最开始设置的是专栏付费价格里最高的。起初,确实没有人看,一切也都平淡地度过着。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 4万+

【 torchaudio报错:RuntimeError: Failed to load audio from …】

torchaudio报错:RuntimeError: Failed to load audio from …

galaxycraft的博客 2995

leetcode134 加油站

题目如下 在一条环路上有 N 个加油站,其中第 i 个加油站有汽油 gas[i] 升。 你有一辆油箱容量无限的的汽车,从第 i 个加油站开往第 i+1 个加油站需要消耗汽油 cost[i] 升。你从其中的一个加油站出发,开始时油箱为空。 如果你可以绕环路行驶一周,则返回出发时加油站的编号,否则返回 -1。 说明: 如果题目有解,该答案即为唯一答案。 输入数组均为非空数组,且长度相同。 输...

ayang818 's blog 234

本地部署通义FunASR服务(中):WebSocket语音识别服务配置与验证

FunASR WebSocket 语音识别服务本地部署实操:启动 funasr_wss_server.py 常驻服务,配置客户端连接参数,完整验证流式转写。转写结果可经 TaoToken 统一 Key 通道接入大模型做后处理,官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 提供统一入口。

JetFalcon67的博客 239

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

蛐蛐(QuQu)开发者手册:从源码到部署

蛐蛐(QuQu)是开源免费的Wispr Flow替代方案,专为中文用户打造的下一代智能语音工作流,集成FunASR本地模型和可配置大语言模型,实现本地语音识别与AI文本优化,保护隐私的同时提供高效语音输入体验。 ## 📋 开发环境准备 ### 系统要求 - **Node.js 18+** 和 pnpm包管理器 - **Python 3.8+**(运行本地FunASR语音识别服务) - **操

gitblog_00806的博客 945

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

快速搭建本地AI视频剪辑系统:FunClip完全部署指南

FunClip是一款完全开源、本地部署的智能视频剪辑工具,通过先进的语音识别和大语言模型技术,让视频处理变得更加高效智能。无论你是内容创作者、视频编辑师还是技术爱好者,都可以通过本文的完整指南,快速搭建属于自己的AI视频处理系统。 ## 项目核心价值:为什么选择FunClip? FunClip解决了传统视频剪辑中的痛点问题:手动定位音频片段耗时耗力。通过集成阿里巴巴通义实验室开源的Parafo

gitblog_01114的博客 273

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

FunClip终极指南:基于AI大语言模型的智能视频剪辑解决方案

在当今视频内容爆炸式增长的时代,如何高效地从冗长的视频素材中提取关键片段,成为内容创作者、教育工作者和企业用户面临的共同挑战。FunClip作为阿里巴巴通义实验室开源的一款**AI视频剪辑工具**,通过集成先进的语音识别和大语言模型技术,实现了从视频到精彩片段的**智能自动化处理**。本文将深入解析FunClip的技术架构、核心功能和实践应用,为您提供完整的**开源视频剪辑解决方案**。 ##

gitblog_00713的博客 447

如何把 FunASR 语音识别跑在安卓手机上:从服务端部署到客户端接入的完整指南

FunASR Android 移动端语音识别不需要在手机上跑模型:手机只负责录音,服务端负责推理,两端通过 WebSocket 实时互联。按这套 FunASR 部署方式,几小时就能做出一款按住说话、实时上屏的听写应用,安卓设备端硬件要求很低。全程分两段:先完成 FunASR 服务端部署,再接入 Android 客户端。 ## FunASR 移动端语音识别架构:为什么模型不上手机 第一反应可能是

gitblog_00139的博客 918

Ubuntu24.04/FunASR/Docker Compose 本地部署

FunASR是由阿里巴巴通义实验室开发的开源语音识别工具包,集成了语音识别(ASR)、语音活动检测(VAD)、标点恢复等功能。它支持流式和非流式识别,采用先进的Paraformer等模型架构,具有低延迟(200ms内)和高准确率特点。FunASR提供Python API和Docker部署方案,可应用于智能客服、在线教育、医疗文书等场景。通过ModelScope平台提供预训练模型,支持中英文等多种语言,并具备抗噪和领域自适应能力,便于工业级应用部署。

oIAOAIo的博客 1149

FunASR:开源语音识别框架,助力离线文件转写应用

FunASR 近期推出了 离线文件转写服务,可高效处理 长音频和视频,将其转换为 带标点的文本,并支持 字级别时间戳、ITN(Inverse Text Normalization)及用户自定义热词。此外,FunASR 兼容 多种编程语言客户端,包括 Python、C++、Java、C# 和 HTML,让开发者能够快速集成并进行二次开发。

gs80140的专栏 3328

本地部署通义FunASR服务(中)

上一篇只是将FunASR在本地环境调试好,解决了基本问题,并验证可行性。本文将实现在本地启动一个实时处理语音识别的服务。

车公庙北街 149

FunASR语音识别终极指南:三分钟打造免费实时字幕系统

你是否曾为会议记录而烦恼?是否希望为视频内容自动添加字幕?FunASR作为阿里巴巴通义实验室开源的语音识别框架,提供了从模型训练到实时转写的完整解决方案。本文将带你快速掌握如何利用FunASR构建高效的语音识别系统,特别适合需要实时字幕、会议记录、音视频转写的开发者和用户。 ## 语音识别的挑战与FunASR解决方案 传统语音识别系统往往面临三大挑战:高延迟影响实时性、复杂环境下的识别准确率低

gitblog_00853的博客 1143

5分钟本地部署:FunASR+Paraformer中文语音识别实战

语音识别技术正从云端API走向本地化部署,端到端模型与轻量工具包的结合让开发者能在离线环境下获得高准确率的中文转写能力。Paraformer作为达摩院开源的端到端非自回归模型,通过并行计算实现快速推理,配合FunASR工具包中的VAD语音活动检测与标点恢复模块,可自动完成长音频切分与文本格式化。本地部署方案不仅解决隐私合规与API调用成本问题,还支持热词定制与流式识别,适合构建会议纪要、字幕生成、实时语音交互等应用。本文以实际部署为主线,涵盖环境配置、最小脚本、长音频优化和常见踩坑排查,帮助开发者快速落地一

weixin_34161064的博客 386

会议录音不出本地:FunASR 离线转写部署笔记

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(IT

gitblog_00708的博客 492

从本地部署到结果导出|FunASR语音识别全流程实操记录

本文介绍了如何在星图GPU平台上自动化部署FunASR 语音识别基于speech_ngram_lm_zh-cn 二次开发构建by科哥镜像,实现高效中文语音转写。通过该平台,用户可快速搭建本地化语音识别环境,典型应用于会议记录转录、视频字幕生成等场景,兼顾准确性与数据安全性。

weixin_28968525的博客 528

FunASR语音识别系统:企业级应用部署案例分享

本文介绍了基于“星图GPU”平台自动化部署FunASR语音识别基于speech_ngram_lm_zh-cn二次开发构建by科哥镜像的实践案例。该方案支持企业本地化实现高精度中文语音转写,典型应用于会议纪要生成与客服质检,兼顾数据安全与高效推理,助力AI应用开发快速落地。

weixin_35879493的博客 724
上一篇: OpenClaw2026.3.1更新要点及飞书特殊处理
下一篇: 本地部署通义FunASR服务(中)
tinygone
博客等级 码龄13年 190粉丝 42原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
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