FunASR识别独立的语音文件问题

docker部署FunASR实时语音听写服务,纯CPU+简化官方的测试页面API docker部署FunASR实时语音听写服务,纯CPU+简化官方的测试页面 阅读详情

之前我实现了在本地部署FunASR并调用,还是比较成功。当我想在OpenClaw中用FunASR识别收到的音频文件时,发现调用还是不顺,所以就记录下来。

2种调用方式

调用FunASR服务有2种方式,

  • funasr_client_api.py
  • funasr_wss_client.py
    没有深入看代码,我直觉先用funasr_wss_client.py调用,解决基本问题后,就可以轻松识别。问题解决见我之前的文章:

识别模式mode

我先用funasr_wss_client.py跑了一下,感觉效果还可以。
就写了一段代码,实现在Android手机上进行语音识别。
但用着就发现,还有mode的区别:

  • online:只用online模式,精准度较低,实时返回给客户端。
  • offline:用offline模式识别,精准度较高,且有标点符号,延迟相对高一点。在funasr_wss_client.py有BUG,直接会识别不了。
  • 2pass:2阶段模式,先用online模式快速识别,并返回客户端。当VAD识别中断后,调用offline模式,进行精准识别。返回给客户端是先返回online,几个字一返回,速度快,实时。然后会返回一段offline的识别结果。

这就导致程序必须要做特殊处理:

  • 实时解析online的结果,并显示,但不作为最终的结果
  • 如果收到offline的结果,就将最近收到的online结果替换成offline的结果,可以作为最终结果
  • 这样循环往复处理
  • 最后,如果没有收到offline就结束了,最后一部分的online结果要追加到最终识别结果中。
    这对实时语音识别还好。
## 实时识别结果
[2026-03-14 20:42:35.756] online,  {'key': 'rand_key_dckfdL0z5uIAy', 'text': '嗯'}
[2026-03-14 20:42:36.568] online,  {'key': 'rand_key_urlorDGzrgpk3', 'text': '是一'}
[2026-03-14 20:42:37.385] online,  {'key': 'rand_key_dpM7tpTqiDexO', 'text': '测试的音'}
[2026-03-14 20:42:38.195] online,  {'key': 'rand_key_q6xD6tpBm9BYs', 'text': '频收'}
[2026-03-14 20:42:38.978] online,  {'key': 'rand_key_FcINSJXFHGrvM', 'text': '到之后将'}
[2026-03-14 20:42:39.853] online,  {'key': 'rand_key_tMMVyu8TmB0DH', 'text': '文字转'}
[2026-03-14 20:42:40.701] online,  {'key': 'rand_key_1IUqHgBE2NwYt', 'text': ''}
[2026-03-14 20:42:41.485] online,  {'key': 'rand_key_KEkjm94BRNriX', 'text': '将音频转'}
[2026-03-14 20:42:42.295] online,  {'key': 'rand_key_BOKlofaf5Vvc9', 'text': '成文字'}
[2026-03-14 20:42:43.203] online,  {'key': 'rand_key_9l4CcBt08p9Hp', 'text': '并且发给'}
[2026-03-14 20:42:44.103] online,  {'key': 'rand_key_Kd840v2DL8WJF', 'text': '我'}
[2026-03-14 20:42:45.260] offline_asr, raw: {'key': 'rand_key_Jc1g3yNq14ScG', 'text': '这 是 一 条 测 试 的 音 频 收 到 之 后 将 文 字 转 将 音 频 转 成 文 字 并 且 发 给 我', 'timestamp': [[250, 390], [390, 510], [510, 590], [590, 730], [730, 870], [870, 1050], [1050, 1170], [1170, 1330], [1330, 1570], [1730, 1870], [1870, 2010], [2010, 2110], [2110, 2310], [2310, 2530], [2530, 2690], [2690, 2830], [2830, 3070], [3590, 3830], [3850, 3950], [3950, 4150], [4150, 4250], [4250, 4390], [4390, 4530], [4530, 4770], [4790, 4890], [4890, 5050], [5050, 5190], [5190, 5430], [5430, 6055]]}
[2026-03-14 20:42:45.260] offline_asr, keys: dict_keys(['key', 'text', 'timestamp'])
[2026-03-14 20:42:46.237] offline, after punc {'key': 'rand_key_amHImDZF510iK', 'text': '这是一条测试的音频,收到之后将文字转将音频转成文字并且发给我', 'punc_array': tensor([1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
        1, 1, 1, 1, 3], device='cuda:0')}
## offline的结果,看起来更准确,且有标点符号
[2026-03-14 20:42:46.238] ======offline final text: 这是一条测试的音频,收到之后将文字转将音频转成文字并且发给我

FunASR识别一个文件

当我想用FunASR识别一个文件的时候,就遇到无法完整识别的问题。
按理应该是用offline模式,但是会失败。所以还是用2pass模式。

  • 按照流程,会先用online识别,然后静音后用offline识别
  • 最后一段没有用offline,只有online结果,导致识别准确率不高。
    就如上面的日志显示那样。

funasr_client_api调用方式

最开始没有注意到这个,当我注意它的时候,以为它能用来识别一个文件。但看了代码还是和funasr_wss_client类似。
想要正确调用,需要修改funasr_client_api.py,将文件路径直接填进源码,其他信息如服务器、端口都要进行调整。

python ./funasr_client_api.py

提示缺少:websocket。安装

pip install websocket
# 如果不安会有新的报错
pip install websocket-client

提示新的错误,需要安装websocket-client:

ImportError: cannot import name 'ABNF' from 'websocket' (/home/band/anaconda3/envs/faenv/lib/python3.12/site-packages/websocket/__init__.py)

这是直接调用会报新的错误:

connect to url wss://127.0.0.1:10095
Exception: Handshake status 400 Bad Request -+-+- {'date': 'Sat, 14 Mar 2026 13:37:22 GMT', 'connection': 'close', 'content-length': '60', 'content-type': 'text/plain; charset=utf-8', 'server': 'Python/3.12 websockets/16.0'} -+-+- b'Failed to open a WebSocket connection: missing subprotocol.\n'

解决方案是改funasr_client_api.py

# 修改前
self.websocket = create_connection(uri, ssl=ssl_context, sslopt=ssl_opt)
# 修改后
self.websocket = create_connection(uri, ssl=ssl_context, sslopt=ssl_opt, subprotocols=["binary"])

单文件调用的正确方式

上述的websocket调用方式,对于单文件都有不好的地方。最终找到最佳的使用方式是使用代码调用:

# 
from funasr.auto.auto_model import AutoModel

model_dir = "FunAudioLLM/Fun-ASR-Nano-2512"

model = AutoModel(
    model=model_dir,
    vad_model="fsmn-vad",
    vad_kwargs={"max_single_segment_time": 30000},
    device="cuda:0",
)

wav_path = f"filepath.wav"

res = model.generate(input=[wav_path], cache={}, batch_size_s=0)
text = res[0]["text"]
print(text)
(faenv) PS D:\workspace\FunASR\tests> python .\test_single_wav.py
funasr version: 1.3.1.
Check update of funasr, and it would cost few times. You may disable it by set `disable_update=True` in AutoModel
You are using the latest version of funasr-1.3.1
Downloading Model from https://www.modelscope.cn to directory: D:\ProgramData\modelscope\models\FunAudioLLM\Fun-ASR-Nano-2512
WARNING:root:trust_remote_code: False
Downloading Model from https://www.modelscope.cn to directory: D:\ProgramData\modelscope\models\iic\speech_fsmn_vad_zh-cn-16k-common-pytorch
WARNING:root:trust_remote_code: False
rtf_avg: 0.022: 100%| 略
Okay。 收到这条语音,这是一条测试音频,收到之后将这个音频 转成文字,并且发给我,把文字的内容发给我。

总结及最终选择

第一次使用FunASR,对于它的原理、用法还不熟,借用AI,只是提高效率,对于我不熟、AI也不熟的地方,实在没有好的方法,只能一步一个脚印、走一步踩一坑地走下去。

对于单文件语音识别,使用WebSocket服务器和本地直接调用的对比,在同一模型、同一台机器上:

维度WebSocket服务器本地直接调用
正确率大部分一样,最后一段差优
加载速度优,免加载差,耗时
识别速度同同
性能消耗差,不用也会消耗优,按需调用
内存占用差,持续占用内存优,按需调用

由于我是要在OpenClaw中使用飞书调用FunASR识别我发的语音,两种方案都差不多。我就暂时先按照WebSocket服务器来用。

FunASR在Ubuntu上的部署(2pass模式) 1:注意事项,server端启动需要比较长时间,因为需要在线下载很多模型。2:启动客户端会需要配置好端口号。 阅读详情

相关推荐

FunASR 语音识别系统概述

FunASR(A Fundamental End-to-End Speech Recognition Toolkit)是一个基础的语音识别工具包,提供多种功能,包括等。

contributed_l的博客 1万+

FunASR服务器安装

执行命令: wget https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh。执行命令 mkdir -p ./funasr-runtime-resources/models。继续执行命令: sh Miniconda3-latest-Linux-x86_64.sh。需要注意上面命令中 --certfile 0 是关闭ssl。到此安装完成,可以是页面进行测试,是否可以连接成功。继续执行命令 source ~/.bashrc。

lizhongde112的博客 3003

语音识别:docker部署FunASR以及springboot集成funasr

模型下载地址,通过设置model ID从Modelscope下载模型:modelscope model ID 或者 本地模型路径--vad-dir:modelscope model ID 或者 本地模型路径--punc-dir:modelscope model ID 或者 本地模型路径--lm-dir:modelscope model ID 或者 本地模型路径--itn-dir:modelscope model ID 或者 本地模型路径--port:服务端监听的端口号,默认为10095。

m0_74825135的博客 3636

中文语音标注工具FunASR(语音识别)

全称(一个语音识别工具)可能大家用过whisper(openAi),它【标注英语的确很完美】,【但中文会出现标注错误】或搞了个没说的词替换上去,所以要人工核对,麻烦。FunASR作用:能【准确】识别语音,并转成【文字、标出声调】他的原理,就不讲了,俺是搞大数据的,python这东西就勉强能写个爬虫和接口,机器学习和ai相关的算法是0基础。

前方的路在刚开始 1万+

SpringBoot集成语音识别模型FunASR

FunASR是一个基础语音识别工具包,提供多种功能,包括语音识别(ASR)、语音端点检测(VAD)、标点恢复、语言模型、说话人验证、说话人分离和多人对话语音识别等。FunASR提供了便捷的脚本和教程,支持预训练好的模型的推理与微调。更是通过CPU可以直接跑起来的大模型。FunASR旨在通过语音识别的学术研究和工业应用之间架起一座桥梁。通过发布工业级语音识别模型的训练和微调,研究人员和开发人员可以更方便地进行语音识别模型的研究和生产,并推动语音识别生态的发展。让语音识别更有趣!

static_coder的博客 1908

使用阿里funasr作为freeswitch的ASR语音识别服务

要使用unimrcp 必须先编译一个正常的unimrcpserver ,再修改里面的asr语音识别模块。

livepy的博客 6208

freeswitch对接FunASR实时语音听写

damo/speech_paraformer-large-contextual_asr_nat-zh-cn-16k-common-vocab8404-onnx(nn热词)# damo/speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-onnx(时间戳)# 每行一个热词,格式(热词 权重):阿里巴巴 20(注:热词理论上无限制,但为了兼顾性能和效果,建议热词长度不超过10,个数不超过1k,权重1~100)

Java_lilin的专栏 5156

使用Funasr部署语音识别websockt案例

最近在做项目时,需要在服务器端获取客户端的麦克风输入语音,然后将语音识别成文字再返回给客户端。然后体验了阿里开源的,确实让人眼前一亮,主要部署相对简单(但还是走了一些抗,不过是我自己的问题。)其核心的Paraformer模型,号称“非自回归”,实际体验下来,推理速度确实可以,接近实时,对追求效率的应用非常友好。另一个亮点是“一体化”解决方案。它将语音端点检测(VAD)、标点恢复(PUNC)和ASR无缝串联,省去了自己拼接模块的麻烦。而且在这些环节还可以自己替换想用的模型开箱即用的体验极佳。

jsmok_xingkong的博客 1496

开源语音识别FunASR入门详解

在人工智能的浪潮中,自动语音识别(Automatic Speech Recognition, ASR)技术已成为连接人机交互、赋能各行各业的关键桥梁。从智能客服、会议纪要到实时字幕、车载助手,ASR的应用场景日益丰富,对识别的准确率、实时性和部署便捷性也提出了前所未有的高要求。在这样的背景下,FunASR应运而生。FunASR是由阿里巴巴达摩院语音实验室倾力打造,依托于ModelScope(魔搭)开源社区,面向开发者和企业的新一代工业级语音识别开源工具套件。

2508_93535153的博客 5073

智能车竞赛新手必看:用AD21从零画一块英飞凌TC264核心板(附开源PCB文件)

本文详细介绍了使用Altium Designer 21(AD21)从零开始设计英飞凌TC264核心板的完整流程,涵盖原理图绘制、PCB布线到最终DRC检查的全过程。针对智能车竞赛新手,提供了实用的硬件设计技巧和开源PCB文件,帮助快速掌握TC264核心板开发。

weixin_27017211的博客 248

英飞凌ADS开发环境搭建全流程:从安装到第一个程序烧录

本文详细介绍了英飞凌ADS开发环境搭建的全流程,包括环境准备、ADS安装与配置、MemTools烧录技巧等关键步骤。针对嵌入式开发者,特别提供了从安装到第一个程序烧录的实战指南,涵盖常见问题解决方案和优化建议,帮助开发者快速上手英飞凌AURIX系列微控制器的开发工作。

qsc901234的博客 339

使用FunASR处理语音识别

使用FunASR处理语音识别;

FlyLikeButterfly的博客 9697

别再纠结了!实测罗技Flow、对拷线、微软Mouse without Borders,我的最终选择是...

本文通过实测对比罗技Flow、对拷线和微软Mouse without Borders等多设备控制方案,详细分析了各自的优缺点及适用场景。作者最终选择了对拷线与罗技键鼠的组合方案,为专业用户提供了稳定可靠的多设备协同办公解决方案,特别适合需要频繁传输大文件和跨设备操作的用户。

weixin_33696106的博客 409

FunASR - 语音识别模型训练和微调

一、关于FunASR 核心功能 模型仓库 最新动态 二、安装教程 三、快速开始 1、可执行命令行 2、非实时语音识别 2.1SenseVoice 2.2Paraformer 3、实时语音识别 4、语音端点检测(非实时) 5、语音端点检测(实时) 6、标点恢复 7、时间戳预测 8、情感识别 四、导出ONNX 1、从命令行导出 2、从Python导出 3、测试ONNX 五、服务部署

AI工程化、开源分享、文档翻译、代码笔记 1万+

A robust and easy to implement method for IMU calibration without external equipments(IMU标定)

A robust and easy to implement method for IMU calibration without external equipments 1 标定原理1 亲试可用,还有动态演示效果不错。相比商用产品的简易标定流程,该标定方法有以下几点不同: 给出了加速度计和陀螺仪更复杂的模型。 利用Allan方差的定义,标定陀螺仪的偏置。 大量冗余数据,保证最优化收敛。利用数十...

擦擦擦大侠的博客 3950

07. 基础实战篇 - STP的基本配置

STP(生成数协议)是一个用于在局域网中消除环路的协议,他的标准是IEEE802.1d。STP通过强制使部分冗余链路处于阻塞状态,其它链路处于转发状态,将环形网络结构修剪成无环路的树形网络结构。可实现消除环路,当处于转发状态的链路不可用时,STP重新配置网络,并激活合适的备用链路状态,恢复网络连通性。

weixin_39868387的博客 7227

本地语音识别-Docker部署FunASR

docker安装funASR

m0_46068551的博客 6846

使用Simulink进行四足机器人的非线性动力学建模与仿真

四足机器人的运动包含多个自由度(DOF),包括腿部的摆动和支撑阶段的动力学特性。由于存在接触力、摩擦以及不同地形的影响,四足机器人的动力学行为呈现出高度的非线性特征。因此,构建准确的非线性动力学模型对于研究机器人的运动学和动力学特性至关重要。定义代表机器人状态的变量,如位置、速度、角度和角速度。matlab深色版本通过本指南,我们介绍了如何基于Simulink搭建一个四足机器人的非线性动力学模型,并进行了详细分析。

xiaoheshang_123的博客 311

FunASR实时多人对话语音识别、分析、端点检测

FunASR离线文件转写服务GPU版摘要 FunASR是集语音识别(ASR)、端点检测(VAD)、标点恢复等功能于一体的开源工具包,支持长音频转写、多路并发处理,输出带时间戳和标点的文本。GPU版本通过Docker部署,推荐配置为8核V100/32G内存,支持20路并行请求。服务端集成预训练模型(如Paraformer),提供Python/C++/Java等多语言客户端,支持热词定制与ITN处理。用户可通过网页端或命令行快速测试,适合音视频转录等场景。

Slientsake的博客 6848

PyCharm 配置 Anaconda 环境时找不到 python.exe 的解决办法

通过本文的排查步骤与详细解决方案,你应该能够迅速定位并修复 PyCharm 配置 Anaconda 环境时找不到 python.exe 的问题。确保正确设置环境路径、激活目标环境以及手动指定解释器路径是解决此问题的关键。随着开发工具与包管理器的不断更新,类似的问题可能会出现新的变体。持续关注官方文档、社区讨论和版本更新,可以帮助开发者及时适应新变化,并优化工作流程。希望本文提供的分析和代码示例能为你的开发环境配置带来帮助,让你在 PyCharm 与 Anaconda 的高效协同下,专注于创新与代码实现。

s13596191285的博客 3119

解锁PyCharm+Deepseek:本地部署AI编程超能力

在本次探索中,我们成功地在 PyCharm 中实现了 DeepSeek 的本地化部署,这一过程虽然涉及多个步骤,但每一步都为我们开启 AI 编程大门奠定了基础。从安装最新版 PyCharm,确保我们拥有一个功能强大且兼容性良好的开发环境,到注册 DeepSeek 账号并获取 API Key,这是连接我们与强大 AI 能力的关键纽带。接着,在 PyCharm 中安装 Continue 插件并进行精细配置,让 DeepSeek 能够深度融入我们的编程流程。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 5550
上一篇: OpenClaw安全审计Skill-Vetter用法之我见
下一篇: AI编程分享:多重计时器
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