FunASR 语音识别服务

基于阿里达摩院 FunASR 的本地语音识别解决方案。

功能特性

功能	说明
句级时间戳	每句话的开始和结束时间
说话人分离	自动区分不同说话人
抗噪能力	VAD 语音活动检测，过滤噪音
本地部署	完全离线运行，数据不上传云端

项目结构

audio2/
├── funasr_env/              # 虚拟环境
├── models/                  # 模型缓存目录
├── asr_service.py           # 核心服务类
├── test_asr.py              # 测试脚本
├── example_usage.py         # 使用示例
├── run_asr.bat              # Windows 运行脚本
├── fix_path_issue.bat       # 路径修复脚本（推荐）
├── enable_long_path.ps1     # 启用长路径支持（管理员）
├── requirements.txt         # 依赖列表
└── README.md                # 本文档

快速开始

Windows 用户注意 ⚠️

如果遇到 "文件名或扩展名太长" 错误，请使用以下方法之一：

方法 1：使用 fix_path_issue.bat（推荐）

fix_path_issue.bat your_audio.wav

方法 2：启用 Windows 长路径支持（永久解决）

1. 右键 PowerShell → 以管理员身份运行
2. 运行：enable_long_path.ps1
3. 重启电脑

1. 激活虚拟环境

# Windows CMD
funasr_env\Scripts\activate.bat

# Linux/Mac
source funasr_env/bin/activate

2. 安装依赖（如果未安装）

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install funasr modelscope

3. 测试识别

# 方法 1：使用修复脚本（推荐 Windows 用户）
fix_path_issue.bat your_audio.wav

# 方法 2：直接运行
python test_asr.py -f your_audio.wav

# 批量识别目录
python test_asr.py -d ./audio_files/

# 使用 SenseVoice 模型（多语言）
python test_asr.py -f your_audio.wav -m SenseVoice

代码使用示例

基础识别

from asr_service import ASRService

# 初始化服务
service = ASRService(model_name="paraformer-zh")

# 识别音频
sentences = service.recognize("meeting.wav")

# 打印结果
for sent in sentences:
    print(f"[{sent.speaker}] {sent.text}")
    print(f"  时间: {sent.begin_time:.2f}s - {sent.end_time:.2f}s")

导出结果

# 导出为 JSON
service.export_to_json(sentences, "result.json")

# 导出为 SRT 字幕
service.export_to_srt(sentences, "result.srt")

输出格式

JSON 格式

{
  "total_sentences": 3,
  "sentences": [
    {
      "speaker": "SPEAKER_00",
      "text": "大家好，今天的会议现在开始。",
      "begin_time": 0.50,
      "end_time": 3.20,
      "duration": 2.70
    },
    {
      "speaker": "SPEAKER_01",
      "text": "好的，我先汇报一下进度。",
      "begin_time": 3.50,
      "end_time": 6.10,
      "duration": 2.60
    }
  ]
}

SRT 字幕格式

1
00:00:00,500 --> 00:00:03,200
[SPEAKER_00] 大家好，今天的会议现在开始。

2
00:00:03,500 --> 00:00:06,100
[SPEAKER_01] 好的，我先汇报一下进度。

支持的音频格式

• WAV
• MP3
• M4A
• FLAC
• OGG
• WMA

模型选择

模型	说明	适用场景
paraformer-zh	达摩院中文模型（默认）	中文语音识别，支持说话人分离
SenseVoice	多语言模型	多语言、方言、情感识别

硬件要求

配置	说明
CPU	支持，速度较慢
GPU	推荐，RTF < 0.01
内存	4GB+
显存	2GB+ (GPU 模式)
磁盘	2GB+（模型缓存）

模型下载

首次运行会自动从魔搭社区下载模型到 models/ 目录：

• Paraformer: ~500MB
• VAD: ~100MB
• 说话人模型: ~100MB

模型下载来源：

• 魔搭社区：https://modelscope.cn
• 模型缓存：./models/（项目目录下）

常见问题

Q: 文件名太长错误？

A: Windows 默认路径长度限制为 260 字符。解决方法：

1. 使用 fix_path_issue.bat 运行（已配置短路径）
2. 运行 enable_long_path.ps1 启用系统长路径支持（需管理员权限+重启）

Q: 如何准备测试音频？

A:

• 自行录制会议/对话音频
• AISHELL 开源数据集：https://www.openslr.org/33/

Q: 支持多人同时说话吗？

A: 支持。说话人分离模块会自动区分不同说话人。

Q: 对噪音环境有什么优化？

A: 集成了 FSMN-VAD 语音活动检测，能有效过滤背景噪音。

Q: 如何切换 CPU/GPU？

A:

# CPU
service = ASRService(device="cpu")

# GPU
service = ASRService(device="cuda")

# 自动选择
service = ASRService(device="auto")

参考链接

• FunASR 官方仓库：https://github.com/alibaba-damo-academy/FunASR
• 魔搭社区：https://modelscope.cn
• PyTorch 安装：https://pytorch.org/get-started/locally/

许可证

本项目使用 Apache-2.0 许可证

运行

run.bat input/VID_20251031_132320_019_mono.wav run.bat input/VID_20251031_132320_019_mono_speak_only.wav