modelscope/FunASR

项目概览

根据项目提供的数据，FunASR 模型在 CPU 上的运行速度优于 Whisper 在 GPU 上的运行速度，其实时率因子最高可达 340 倍。

项目类型

MCP · 模型运行 · 语音音频

应用场景

会议记录 · 翻译字幕 · 语音音频 · 自动化执行

部署方式

查看项目说明

License

MIT

适合谁

• 寻找包含语音识别、说话人分离、情绪识别等多种音频处理能力，且希望集成在一个工具包中管理的开发者。
• 需要在 CPU 环境或边缘设备上运行语音识别任务，并寻求非 Whisper 替代方案的技术团队。

核心能力

• 使用不同模型将音频转写为文本，支持中文、英文、日语以及多达 52 种语言（具体语言覆盖取决于所选择的模型检查点）。
• 通过 WebSocket 使用 Paraformer 模型，以音频数据块的形式进行处理，实现实时的语音转写。
• 使用 CAM++ 模型识别并对音频中的不同说话人进行区分和段落划分。
• 使用 FSMN-VAD 模型检测音频中包含语音的片段。
• 使用 ct-punc 模型为转写出的纯文本添加标点符号。
• 使用 SenseVoice 或 emotion2vec+large 模型识别音频中蕴含的情绪。
• 通过 funasr-server 部署兼容 OpenAI 格式的 /v1/audio/transcriptions 端点，提供 API 访问能力。
• 利用 llama.cpp 和 GGUF 模型，将 ASR 作为一个独立的二进制文件在 CPU 和边缘设备上运行，此过程不需要 Python 环境。

限制与风险

• 项目的语言支持能力与具体的模型检查点相关，不同模型支持的语言范围有所差异。
• 工具包源代码遵循 MIT 协议，但预训练的模型权重具有单独的许可协议，使用时需分别考量。

如何开始

• 安装过程较为直接，可通过 pip 安装工具包，随后使用命令行工具直接对音频文件进行转写测试，无需复杂编码。

核验依据

• README: Industrial speech recognition toolkit for offline, streaming, and edge deployment.
• README: Whisper is a single model; **FunASR is a toolkit** — you pick the right model per job
• README: Top speed | **340x realtime** (Fun-ASR-Nano + vLLM) | 13x realtime | ~1x realtime
• README: - 2026/05/24: **vLLM Inference Engine** — 2-3x faster LLM decoding for Fun-ASR-Nano. Streaming WebSocket service with VAD + Speaker Diarization.
• README: title={FunASR: A Fundamental End-to-End Speech Recognition Toolkit}

内容核验时间：