Harness 与 Agent 工程 · AI研发与测试工程 · 2026-06-09

CPU 跑得比 Whisper GPU还快的开源语音识别,本地部署

FunASR开源语音识别工具包,CPU速度竟超越Whisper GPU,一站式搞定VAD、识别、标点、说话人分离和情感分析。

核心内容:

  1. FunASR的工业级一站式流水线架构
  2. 在CPU与GPU上的惊人速度表现
  3. 支持多语言、方言及情感识别等核心功能

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:

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…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/OpenSourceLLM/2026060970924.html