FunASR：阿里达摩院出品的工业级端到端语音识别工具包
ModelScope（阿里达摩院） 出品 · 18.6K+ Stars · 1.9K+ Forks · MIT 许可
FunASR 是阿里达摩院 ModelScope 团队开发的工业级端到端语音识别工具包，
支持 170 倍实时识别速度、50+ 语言、内置说话人日志与情感检测，并提供兼容 OpenAI 的 API 接口。
相比 Whisper，FunASR 在中文和方言识别上准确率更高，CPU 场景运行速度更快，是开源语音识别领域最实用的生产级工具包。
⚙️ 安装要求和过程
环境要求
- Python ≥ 3.8
- 需先安装 PyTorch 和 torchaudio
- GPU 可选（CPU 场景亦可运行，SenseVoice 模型可达 17 倍实时）
- 可选：vLLM（加速推理）、Docker（容器部署）
快速安装
# 从 PyPI 安装（推荐）
pip install funasr
pip install funasr[cli] # 包含 CLI 命令行工具
# 从源码安装
git clone https://github.com/modelscope/FunASR.git
cd FunASR
pip install -e ./
# Docker 一键部署 API 服务
docker run -p 8000:8000 funasr/funasr-server:latest
🚀 核心功能
170倍实时识别速度
旗舰模型 Fun-ASR-Nano 配合 vLLM 加速可达 340 倍实时，比 Whisper 快 26 倍；CPU 场景下 SenseVoice 模型可达 17 倍实时
50+ 语言支持
Qwen3-ASR 支持 52 种语言，Fun-ASR-Nano 支持 31 种语言，覆盖全球主流语种，适合国际化应用
内置多任务能力
单模型调用即可完成 VAD 分段、语音识别、说话人分离、标点恢复、时间戳、情感/音频事件识别，无需额外模型
流式实时识别
支持音频流逐块输入，适合实时字幕、语音实时转写场景，支持逐字/逐句流式输出
OpenAI 兼容 API
提供兼容 OpenAI 语音识别 API 的接口，可对接 LangChain、Dify、AutoGen 等 AI 框架；提供 MCP Server 可接入 Claude Code、Cursor 等智能体
💡 典型使用场景
🎤 本地音频快速转录
无需 GPU 即可使用，单条命令完成音频转录，支持输出纯文本、JSON、SRT 字幕等格式
funasr audio.wav
funasr audio.wav --output-format json
funasr audio.wav --output-format srt --output-dir ./subs👥 会议长音频处理
单模型调用同时完成 VAD 分段、语音识别、说话人分离，适合会议、访谈等长音频场景
from funasr import AutoModel
model = AutoModel(
model="iic/SenseVoiceSmall",
vad_model="fsmn-vad",
spk_model="cam++",
device="cuda"
)
result = model.generate(
input="meeting_record.wav",
batch_size_s=300,
)🚀 生产级 API 部署
一键启动兼容 OpenAI 的 API 服务，可对接现有基于 OpenAI API 的应用，无需修改代码
# 启动服务
funasr-server --device cuda
# 调用（兼容 OpenAI API）
curl http://localhost:8000/v1/audio/transcriptions \
-F file=@sample.wav -F model=sensevoice
🌟 推荐理由
FunASR 是开源语音识别领域最实用的工业级工具包。相比 Whisper，它在中文和方言识别上准确率更高，CPU 场景运行速度更快（17 倍实时），且内置了说话人分离、情感检测等额外能力，无需像 Whisper 那样集成多个模型。
最让我惊喜的是它的 OpenAI 兼容 API——只需改一行代码，就能把基于 Whisper 的应用无缝迁移到 FunASR，且中文识别准确率显著提升。此外，它还提供 MCP Server，可直接接入 Claude Code、Cursor 等 AI 编程助手，让语音识别能力融入 AI 工作流。
MIT 许可允许商用，且支持边缘设备无 Python 运行时部署（llama.cpp/GGUF），真正做到了全场景覆盖。如果你在做语音相关的 AI 应用，FunASR 是目前最好的开源选择。
发表回复