Harness 与 Agent 工程 · AI研发与测试工程 · 2026-08-21

FunASR 语音识别本地部署实录(下):34 分钟录音实测,踩过的坑、上线前要补的事

34分钟双轨录音实测FunASR本地部署,413错误、RTF飙高全记录,上线前避坑清单全公开。 核心内容:

  1. 413 file too large错误及解决
  2. 34分钟双轨录音RTF实测数据(0.24→2.72)
  3. 上线前避坑清单与注意事项

FunASR 语音识别本地部署实录(下)34 分钟录音实测,踩过的坑、上线前要补的事63MB 双轨录音 · RTF 0.56 → 2.72 · cam++ 说话人分离💡 这篇文章能帮你解决什么?服务能 curl 通只是开始。一段 63MB、34 分钟的双轨录音丢进去,才是真考验。上一篇把服务搭起来了,这篇拿一段真实录音压测。过程里先撞了 413,又看着 RTF 从 0.24 一路涨到 2.72,顺手把上线前要补的事列了张清单。文里所有数字都是我自己这台 Mac 上跑出来的,换台机器会有出入,但量级和结论大差不差。FunASR语音识别RTF 压测cam++说话人分离本地部署一、第一次撞墙:413 file too large  测试用例是一段双轨立体声录音,63MB,34 分钟。请求发过去,返回 {"detail":"file too large (>25MB)"}。  问题不在模型,在我自己。上传上限沿用了 OpenAI Whisper API 的默认值 25MB,这个数字在单声道、16kHz、1 小时以内的录音上成立,但我这份是双轨立体声,同样时长文件体积直接翻倍,63MB 就是这么来的。  修法很简单:上限改成环境变量注入,默认 200MB,部署的时候写进启动脚本,代码一行不用动。重启服务,请求顺利进入推理阶段。25MB 这个坑我估计大部分自建的人都会撞一次,它藏在配置里,文档不会提醒你。当时请求长这样:

curl http://127.0.0.1:8000/v1/audio/transcriptions \
-F file=@/path/to/R8002_M8002_N_SPK8005.wav \
-F model=paraformer -F response_format=verbose_json

注意 response_format 我传的是 verbose_json,为的是拿 segments 时间戳,纯转文字用 json 就够了,响应体积还能小一点。二、34 分钟录音的实测数据  先解释一下 RTF,Real-Time Factor,处理耗时除以音频时长,1 就是实时,越小越快。0.56 意味着处理 1 秒音频要花 0.56 秒,也就是 34 分钟的录音,约 19 分钟出结果。  第一次跑,机器上没有其他重负载,2062 秒的音频用了 1159 秒处理,RTF 0.56,约 1.8 倍实时。这个数字离官方宣传的"120 倍实时"差得远——那是 GPU 加理想条件的说法,我这是 CPU,再叠加双轨解码、macOS 内存带宽、Python GIL 这些因素,实际值低一截我一点都不意外。  真正让我上心的是并发。机器上跑着其他重负载时再请求一次,处理时间直接飙到 90 多分钟,RTF 2.72。不是模型变慢,是 CPU 周期被邻居进程分走了。所以生产上这条要提前想清楚:ASR 要么独占机器,要么用 nice 限核,要么排队限并发。我预期上线后主要瓶颈就在并发上,单条长音频反而是好处理的。  verbose_json 返回的 segments 数组里,每段带毫秒级起止时间和文本,时间戳误差在百毫秒级,做字幕对齐够用。标点是 CT-PUNC 按口语停顿还原的,读起来像人话,不是机器直出的词串。RTF 这个指标我现在所有压测、容量评估、告警阈值都拿它当基准,建议自建 ASR 的人也记下来。官方代码里还有个 batch_size_s 参数,控制一次喂给模型多少秒的音频,改大一点吞吐通常能挤出来一些,我没细调,默认值够用,等有空再试。三、性能边界,心里要有数| 场景 | 音频时长 | 处理耗时 | RTF | | --- | --- | --- | --- | | 官方示例 | 5.55s | 1.31s | 0.24 | | 1 分钟会议片段 | 60s | 4.47s | 0.07 | | 34 分钟双轨立体声 | 2062s | 1159s | 0.56 |

三组数据放一起看,我心里大概有了数:30 分钟级的音频这台机器能稳跑,1 小时级要花接近半小时去处理,体验就不太行了。注意 1 分钟片段那行 RTF 最低,那是短音频 VAD 切段少、拼接开销小,别拿它跟长音频横向比。我给自己定的判断标准很简单:RTF 小于 1 是赚的,大于 1 就要考虑优化。  我现在的用法是把它当异步任务:录音丢进去,该干嘛干嘛,回头来取结果。1 小时以内的音频,这个节奏完全能接受;真到 2 小时以上,我估计这台机器就吃力了,得换思路。  真到了 1 小时以上,我给自己备了三条路: 按时长切片并行; 换带 GPU 的工作站; 或者直接上官方流式方案。paraformer-zh-streaming 支持 600ms 一包的低延迟输出,会议转写、直播字幕这类场景,流式反而比离线合适。我现阶段还是第一种节奏,异步排队,回头取结果,真到处理不过来的那天,我大概率会先试切片并行,毕竟不用花钱。四、踩过的坑  先说装包阶段的三个:默认 PyPI 源慢:带 C 扩展的包半天拉不动,切清华镜像解决; 解释器路径不一致:shell 里找不到包,改用绝对路径; 模型首次下载:一个多 GB,得先预热缓存目录,别等线上第一次请求才现场下。   运行阶段也有三个:后台进程被连带杀掉:macOS 上老老实实用 launchd 守护,配 KeepAlive 挂了自动拉起,日志统一走系统日志,比 nohup 加 & 稳得多; 413 上传超限:把上限做成环境变量; CPU 被抢 RTF 飙到 2.7:ASR 要么独占机器要么限核。   对外暴露两个:端口无鉴权:直开 8000 端口裸奔到公网等于送人肉鸡,前置 Nginx 或 Caddy 网关; 健康检查缺失:要接入负载均衡,不然扩容缩容都没依据。   质量两个:业务术语识别错:用 hotword 参数注入热词,官方 README 里就有例子; 没有说话人归属:启动加 spk_model="cam++",7.2M 参数的小模型,代价很小,会议纪要场景立刻值回票价。   把这十个坑拢一拢:环境占了六个,模型本身反而很省心。以后真踩到问题,我打算先怀疑环境,再怀疑模型。五、补上说话人分离:cam++ 实测,11 个人的会议怎么排出来  坑里留了句"启动加 spk_model=cam++,代价很小",光说不练假把式。这一节把这一行配置背后的账算清楚,再把同一段 34 分钟录音的说话人分离结果摆出来。5.1 配置和代价  cam++ 的全名是 iic/speech_campplus_sv_zh-cn_16k-common,ModelScope 上下下来 12 个文件,主权重 campplus_cn_common.bin 不到 90MB,加上几个配置和示例音频,整体跟一个向量化召回模型差不多大。funasr 这边挂载的方式也很轻:

model = AutoModel(
model="paraformer-zh",
vad_model="fsmn-vad",
punc_model="ct-punc",
spk_…
— 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/MultimodalLargeModel/2026082113786.html