之前在聊过好几次本地语音方案,从 Whisper 到 SenseVoice 再到 Voicebox,每一次都是「快是快了,但要么少功能,要么不支持中文方言,要么没有说话人分离」
直到这次我重新摸了一遍 FunASR ,才发现这货已经悄悄进化成「一行 pip、一次调用,把 VAD、识别、标点、说话人、情感全办了」的工业级 ASR 工具包
更狠的是这一句官方原话:
❝FunASR 在 CPU 上的速度,比 Whisper 在 GPU 上还快
简介
FunASR 是阿里通义实验室(modelscope 团队)开源的端到端语音识别工具包,定位很明确:工业级、开源、一站式
GitHub:github⋅com/modelscope/FunASR,MIT 协议,目前 PyPI 最新版本 funasr 1.3.9
它把语音识别这件事拆成了 5 个零件,再用一个 AutoModel 把它们焊在一起:
| 零件 | 干啥用 | 默认推荐模型 |
|---|---|---|
| ASR(识别) | 把音频转成文字 | SenseVoice-Small / Paraformer / Fun-ASR-Nano |
| VAD(端点检测) | 找出哪段是人声哪段是静音 | fsmn-vad |
| Punc(标点) | 给识别结果加标点 | ct-punc |
| Spk(说话人分离) | 区分谁在说话 | cam++ |
| Emotion(情感) | 开心/悲伤/愤怒等 | emotion2vec+large |
区别于 Whisper「一个大模型包打天下」的姿势,FunASR 把每个环节做到能独立替换、独立升级,组合起来还能在 GPU 上跑出 170 倍实时
下面这张图能更直观看懂流水线怎么咬合:
下图是 Fun-ASR-Nano 的性能图,纵轴是错误率(越低越好),横轴是延迟,左下角越靠近原点越能打:
核心功能与特点:
- 速度怪兽:SenseVoice-Small 在 GPU 上跑 170 倍实时(1 小时音频不到 22 秒搞定),CPU 上还能跑 17 倍实时——这意味着没显卡的服务器也能上
- 50+ 语言 + 中文方言:Fun-ASR-Nano 支持 31 种语言,Qwen3-ASR 支持 52 种语言自动检测,GLM-ASR-Nano 专门做了 17 种方言优化
- 一站式:VAD 切分、识别、标点、说话人分离一次调用全部完成,不用自己再拼 pipeline
- 情感识别:emotion2vec+large 能识别开心/悲伤/愤怒等情绪,做客服质检和直播分析很合适
- 流式 + 离线双模式:paraformer-zh-streaming 能跑 WebSocket 实时字幕,paraformer-zh / SenseVoice 适合离线长音频
- OpenAI 兼容 API:
funasr-server --device cuda一行起服务,POST/v1/audio/transcriptions跟调 OpenAI Whisper API 一模一样 - 接 Agent 友好:自带 MCP 服务可以挂 Claude/Cursor,OpenAI 兼容接口可以喂给 LangChain/Dify/AutoGen
安装
主线就一行:
pip install funasr
想跑源码版(要改代码或装 examples):
git clone https://github⋅com/modelscope/FunASR.gitcd FunASRpip install -e ./
环境要求:Python ≥ 3.8、PyTorch ≥ 1.13、torchaudio
如果想直接起服务版(OpenAI 兼容 API),多装几个 web 依赖就行:
pip install funasr fastapi uvicorn python-multipartfunasr-server --model sensevoice --device cuda# 默认起在 localhost:8000
不想本地配环境的,官方贴了 Colab 一键体验链接:colab⋅research⋅google⋅com/github/modelscope/FunASR/blob/main/examples/colab/funasr_quickstart.ipynb,浏览器里跑公开样例或上传自己的录音都行
使用
我把官方 README 里最实用的几个组合拢成下面这一段,基本覆盖 90% 的真实场景
中文会议录音转写(VAD + 识别 + 标点 + 说话人)
from funasr import AutoModelmodel = AutoModel( model="iic/SenseVoiceSmall", vad_model="fsmn-vad", spk_model="cam++", device="cuda",)result = model.generate(input="meeting.wav")
输出是带说话人标签和时间戳的结构化文本:
[00:00.4 → 00:03.8] 说话人0: 我们今天讨论一下 Q3 的计划[00:04.2 → 00:07.1] 说话人1: 好的,我有三个要点[00:07.5 → 00:12.3] 说话人0: 请讲,我们还有 30 分钟
一次调用、一段输出,会议…