一句话认识 FunASR

FunASR 是阿里达摩院（ModelScope 团队）开源的工业级语音识别工具包——比 Whisper 快 13 倍、CPU 也能跑、50+ 语言、说话人分离 + 情感识别 + 流式识别开箱即用，还提供 OpenAI 兼容 API 和 MCP Server。

它解决了什么问题

你手里有一段录音、一堆会议文件、一批客服电话，或者想给 AI Agent 接一个语音输入——市面上有几个选择，但都有明显短板：

FunASR 做的事：把工业级的语音识别能力（速度、多语言、说话人、情感、流式）全部开源、CPU 也能跑、API 兼容——一句话，能用、好用、用得起。

几组关键数据

速度（FunASR vs Whisper）

测试集：184 条长音频，共 192 分钟。来源：官方 Benchmark 报告

最炸裂的一行：FunASR 在 CPU 上的速度，比 Whisper 在 GPU 上还快。

能力矩阵（FunASR vs Whisper vs 云端 API）

来源：README 对比表原文

核心模型家族

FunASR 不是单一模型，而是一个模型家族 + 工具链。从 README 的 Model Zoo 可以看到：

怎么选？官方建议（来自 model_selection.md）：

不知道选谁？用 SenseVoice-Small。 
- 多语言转写（默认）→ SenseVoice-Small
- 中文生产环境高精度 → Paraformer-Large
- 31 种语言 + LLM-based → Fun-ASR-Nano + vLLM
- 直播字幕 / 实时转写 → Paraformer-zh-streaming + runtime
- 大批量离线处理 → SenseVoice-Small 或 Paraformer-Large

30 秒上手

安装：

pip install torch torchaudio
pip install funasr

一段 4 行 Python 代码就能跑起来：

from funasr import AutoModel

model = AutoModel(model="iic/SenseVoiceSmall", vad_model="fsmn-vad", spk_model="cam++", device="cuda")
result = model.generate(input="meeting.wav")

输出——带说话人标签、时间戳和标点的结构化文本：

[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。

一个模型、一次调用——VAD 分段、语音识别、标点恢复、说话人分离全部自动完成。

命令行工具（Agent 友好）

不需要写 Python 也能用：

# 最简用法：转写音频
funasr audio.wav

# JSON 输出（适合 AI Agent 调用）
funasr audio.wav --output-format json

# 生成 SRT 字幕
funasr audio.wav --output-format srt --output-dir ./subs

# 说话人分离 + 时间戳
funasr audio.wav --spk --timestamps -f json

# 指定模型和语言
funasr audio.wav --model paraformer --language zh

# 批量转写
funasr *.wav --output-format srt --output-dir ./output

可用模型：sensevoice（默认）、paraformer、paraformer-en、fun-asr-nano

部署成 API（OpenAI 兼容）

一行命令启动服务：

pip install funasr fastapi uvicorn python-multipart
funasr-server --model sensevoice --device cuda
# → POST /v1/audio/transcriptions，地址 localhost:8000

调用方式跟 OpenAI 官方 API 完全一样：

curl \
 -F file=@sample.wav \
 -F model=sensevoice \
 -F response_format=verbose_json

好处：

• LangChain / Dify / AutoGen / n8n 等工具可以直接对接这个 endpoint，不用改一行代码
• 已有 OpenAI 音频转写客户端的团队，只改 base_url 就能迁移
• 不想用云端 API 的公司数据不出域

接 AI Agent（MCP Server）

FunASR 提供官方 MCP Server，能让 Claude / Cursor / 其他 MCP 兼容 Agent 把语音转文字当一个本地工具调用：

官方提供两个集成路径：MCP Server 示例（examples/mcp_server/）和 OpenAI API 示例（examples/openai_api/）

典型场景：
- Agent 收到一段用户语音消息 → 调用 FunASR 转文字 → Agent 继续处理
- 直播字幕 Agent：实时把麦克风音频转成文字
- 会议纪要 Agent：批量转写会议录音 + 自动总结

部署运行需要什么配置

这一节是本文的重点之一——给你真实可用的配置参考，不夸大、不虚标。

一句话看配置

Python ≥ 3.8，一行 pip install funasr 就能用。

• 只想跑起来看效果：任何现代电脑（CPU 即可，笔记本都行）
• 本地小批量转写（每天几小时音频）：任何现代 CPU，SenseVoice-Small 17 倍实时
• 中等流量生产环境（每天 < 100 小时音频）：1 张消费级 GPU（RTX 4090 / A10 级别），16GB VRAM
• 大吞吐 / 实时字幕 / Agent 语音输入：8GB+ VRAM GPU + vLLM 加速（CUDA ≥ 11.8）
• CPU 不可用的例外：Whisper-large-v3 在 CPU 上几乎跑不动——但 FunASR 的同等精度模型在 CPU 上能跑 17 倍实时

1. 软件依赖

Python：≥ 3.8（来源：README Installation 章节）

核心依赖：

pip install torch torchaudio
pip install funasr

vLLM 加速路径额外依赖（vllm_guide.md）：

pip install funasr>=1.3.0
pip install vllm>=0.12.0
pip install safetensors tiktoken websockets regex fastapi uvicorn python-multipart

OpenAI 兼容 API 服务额外依赖：

pip install funasr fastapi uvicorn python-multipart

2. 硬件配置

来源：docs/vllm_guide.md（官方明确写出来的硬件需求）：

官方原话：

Hardware: GPU ≥ 8 GB VRAM, CUDA ≥ 11.8. 16 GB+ recommended.

3. 各模型资源占用参考

注：内存占用是按官方 PyTorch 推理估算的常见值，实际可能因 batch size、序列长度、动态 VAD 设置等有波动。

4. 部署路径速查

来源：docs/deployment_matrix.md

5. 第一次部署建议

官方 Deployment Matrix 文档 给的路径是：

1. 5 分钟体验 → Colab 快速跑通
2. 本地替换云端转写 → OpenAI 兼容 API（先 sensevoice 模型）
3. 可复现的容器 demo → Docker Compose（CPU 起步，配好 CUDA 后切到 GPU）
4. 生产部署 → Kubernetes 模板 + 私有 ClusterIP + /health probes

生产环境 checklist（官方 Deployment Matrix 推荐）：

• 部署文档中固定模型别名和版本
• 记录 FunASR 版本、模型版本、设备、CUDA/PyTorch 版本、Docker 镜像 tag
• 跑一段公开样例 + 一段真实业务样例做验证
• 日志记录：音频时长、模型、设备、延迟、响应格式、错误类型
• 对外暴露 API 之前：加上传大小限制、鉴权、TLS、限流
• 流式场景：测试静音、噪音、说话人重叠、长会话、重连、慢客户端
• Benchmark 报告：包含输入时长、硬件、batch size、模型、runtime 路径

6. CPU 还是 GPU 怎么选

如果你的需求是：

• 个人/小团队 demo / 中小批量离线转写 → CPU 就够。SenseVoice-Small CPU 上能跑 17x 实时（1 小时音频约 3.5 分钟转完）
• 中等流量（每天 < 100 小时音频） → 1 张消费级 GPU（如 RTX 4090 24GB）。170x 实时基本不会卡
• 高吞吐 / 大批量 / 实时字幕 → 多张 GPU + vLLM batch。Fun-ASR-Nano 在 vLLM 下能跑到 340x 实时
• AI Agent 集成 / Dify 之类的工作流 → 1 张 GPU + OpenAI 兼容 API

一个真实数字（来自 vllm_guide.md benchmark）：

184 个文件、11,541 秒（约 3.2 小时）音频，单卡 GPU 上 vLLM batch 模式跑 Fun-ASR-Nano，RTFx = 340——意味着 1 小时音频约 10.6 秒转完。

几个常见问题

Q：FunASR 是中国人做的吗？能用中文吗？
A：是阿里达摩院 ModelScope 团队主导的。中文是 FunASR 的强项母语——Paraformer-Large 在中文生产环境用了很多年，SenseVoice-Small 234M 参数在中英日韩粤上效果都不错。31 种语言支持里包含多种中文方言。

Q：跟 Whisper 怎么选？
A：官方 migration_from_whisper.md 的建议是：
- 想纯离线 / 私有化 → FunASR（CPU 也能跑、不用 GPU 也能 17x 实时）
- 想多语言 + 说话人 + 情感 → FunASR 一行代码全搞定
- 想翻译（音频 → 另一种语言的文字） → Whisper（FunASR 不做翻译）
- 想生态丰富 / Python 社区支持多 → Whisper 略胜

Q：能在 Mac（M1/M2/M3）上跑吗？
A：能。device="cpu" 或 device="mps"（PyTorch Apple Silicon）。SenseVoice-Small / Paraformer 在 Mac 上推理速度通常比 Linux + 同档 CPU 快（Metal 加速）。

Q：怎么从 Whisper 迁移？
A：官方提供了 migration guide + migration benchmark 示例。建议步骤：
1. 选 20-50 个代表性音频文件
2. 同样的输入分别跑 Whisper 和 FunASR
3. 记录转写质量（WER/CER）、延迟、显存/内存、费用
4. 用 OpenAI 兼容 API 跑一遍烟囱测试
5. 灰度切换

Q：商业项目能直接用吗？
A：能。MIT 协议——允许商用、修改、闭源分发。不用付授权费。

Q：能在浏览器里跑吗？
A：有 Gradio demo，可以在自己服务器上搭 Web UI。但纯浏览器内运行（如 WebAssembly）不在官方支持范围——模型太大。

Q：模型文件从哪里下载？
A：ModelScope（国内，下载快）和 HuggingFace（国外）。README 的 Model Zoo 表里每行都给了两个链接：

• ModelScope：`
• HuggingFace：`

写在最后

FunASR 给中文 AI 生态贡献了一个真正工业级、开源、可商用的语音识别底座。这件事对中国开发者的实际意义是：

• 不用每个月给云端 ASR 付 ¥0.04/分钟——一次部署、长期免费
• 音频数据不出域——合规友好
• CPU 也能跑——不需要买 GPU 卡也能做小批量
• API 兼容 OpenAI——已经接了 OpenAI 的工具链零迁移成本切过来
• Agent 友好——MCP Server + 命令行 + JSON 输出都给齐了

对个人开发者的实际意义：
- 会议纪要、播客转字幕、客服质检、Agent 语音输入——这些需求 FunASR 几乎都能 4 行代码搞定
- 不需要懂 PyTorch、不需要懂模型部署——pip install funasr 就能用
- 真要部署服务，从 Colab → 本地 → Docker → K8s 都有官方模板

对企业的实际意义：
- 替代云端 ASR 的 TCO（总拥有成本）在中等流量以上显著更低
- 数据合规自带——私有化部署是 MIT 协议明确允许的
- 多个模型可选（Paraformer / SenseVoice / Fun-ASR-Nano / Qwen3-ASR / GLM-ASR-Nano）——按场景选最合适的

你用过 FunASR / Whisper / 云端 ASR 哪个？什么场景下用？转写效果怎么样？评论区聊聊。