导读

语音识别（ASR）是人工智能落地最广泛的方向之一，但学术界的前沿模型与工业界的实际部署之间一直存在距离。

阿里达摩院开源的 FunASR，正是为弥合这一差距而生。它提供基于大规模工业语料训练的预训练模型，支持训练、微调和服务部署，覆盖语音识别、语音活动检测、标点恢复、说话人分离、情感识别等任务。项目自 2023 年开源以来持续更新，除自研的 Paraformer 系列外，还集成了通义实验室的 Fun-ASR-Nano（支持中文 7 种方言和 26 种地方口音）、SenseVoice 等外部模型，目前在 GitHub 上已获得 15.2k Star。本文将从项目定位、模型体系、使用方式和服务部署几个方面，对 FunASR 做一个全面的介绍。

图片来源于原论文

FunASR（Fundamental ASR）是一个基于 PyTorch 的端到端语音识别工具包，由阿里达摩院语音实验室开发并开源。项目的核心目标有两个：

FunASR 的核心价值在于工具包能力——统一的 AutoModel 接口、灵活的模型组合、一键服务部署。它不仅提供自研模型（Paraformer 系列），还集成了来自其他团队的模型（如通义实验室的 SenseVoice 和 Fun-ASR-Nano、OpenAI 的 Whisper、阿里云的 Qwen-Audio 等），让开发者用几行代码，就能完成从"一段音频"到"一段带标点、带时间戳、带说话人标签的文字"的全过程。

FunASR 的模型库覆盖了语音处理的多个环节。需要说明的是，FunASR 作为工具包，既包含达摩院自研的模型，也集成了其他团队的模型，以下按来源分类列出：

达摩院自研模型

图片来源于原论文

Paraformer 是 FunASR 的自研核心模型，发表于 INTERSPEECH 2022/2023。它是一个单步非自回归（NAR）模型，相比自回归模型实现了 12 倍推理加速。在 AISHELL test 上 CER 为 1.95%。需要注意的是，随着领域的快速发展，Paraformer 在中文识别精度上已不是最新 SOTA（如 FireRedASR 在 AISHELL-1 上 CER 已达 0.57%），但 FunASR 的优势在于工具包层面的模型组合和部署能力。

集成的外部模型

这些模型由各自团队开发和维护，FunASR 通过统一的 AutoModel 接口将它们集成在一起，用户切换模型只需更改 model 参数。

辅助任务模型

值得注意的是，这些模型可以灵活组合使用。比如将 VAD + Fun-ASR-Nano + 标点恢复串联，就可以实现"长音频 → 分段识别 → 带标点文本"的完整流水线。这种模型组合能力是 FunASR 作为工具包的核心优势。

安装

FunASR 的安装非常简单，要求 Python ≥ 3.8、PyTorch ≥ 1.13：

pip3 install -U funasr

FunASR 提供了统一的 AutoModel 接口，通过切换模型名称和组合不同模块即可完成各类语音任务。

命令行调用

最快捷的方式是直接用命令行，一行命令即可完成 VAD 分段 + 语音识别 + 标点恢复：

GPT plus 代充 只需 145funasr ++model=paraformer-zh ++vad_model="fsmn-vad" ++punc_model="ct-punc" ++input=asr_example_zh.wav

支持单个音频文件或 Kaldi 风格的 wav.scp 文件列表。

Python API（非流式：Fun-ASR-Nano）

以下示例使用 Fun-ASR-Nano 模型，配合 VAD 进行语音识别：

from funasr import AutoModel

model = AutoModel(     model="FunAudioLLM/Fun-ASR-Nano-2512",     vad_model="fsmn-vad",     vad_kwargs={"max_single_segment_time": 30000},     device="cuda:0", ) res = model.generate(input=[wav_path], cache={}, batch_size_s=0) text = res[0]["text"]

Python API（多能力识别：SenseVoiceSmall）

SenseVoiceSmall 的调用方式类似，通过 language="auto" 自动检测语种，use_itn=True 启用标点和反向文本规范化：

GPT plus 代充 只需 145from funasr import AutoModel from funasr.utils.postprocess_utils import rich_transcription_postprocess

model = AutoModel(     model="iic/SenseVoiceSmall",     vad_model="fsmn-vad",     vad_kwargs={"max_single_segment_time": 30000},     device="cuda:0", ) res = model.generate(     input=f"{model.model_path}/example/en.mp3",     cache={},     language="auto",     use_itn=True,     batch_size_s=60,     merge_vad=True,     merge_length_s=15, ) text = rich_transcription_postprocess(res[0]["text"])

两个示例使用的都是 FunASR 统一的 AutoModel 接口，切换模型只需更改 model 参数。主仓库 README 中还提供了流式识别、VAD、标点恢复、时间戳预测、情感识别等完整的代码示例，详见项目仓库。

FunASR 不只是一个研究工具，它提供了面向生产的服务部署方案：

离线文件转录服务

实时流式转录服务

性能表现

多平台与模型导出

funasr-export ++model=paraformer ++quantize=false ++device=cpu

社区生态

围绕 FunASR 的模型，社区贡献了多种部署方案：

FunASR 的定位介于纯学术框架和商业 API 之间，它的价值在于开源、可控、可定制。具体来说：

• 需要私有化部署语音识别的团队：不依赖第三方 API，数据不出本地，适合对数据安全有要求的场景。
• 需要多任务组合的开发者：VAD、ASR、标点、说话人分离、情感识别可以灵活串联，通过统一的 AutoModel 接口构建定制化的语音处理流水线。
• 需要实时转录的应用场景：会议记录、直播字幕、客服质检等场景可以直接使用其流式和离线转录服务。
• 需要在特定领域微调的团队：FunASR 支持在预训练模型基础上进行微调，适配垂直行业的专业词汇和口音。

从 2023 年至今，FunASR 保持着稳定的更新节奏，从自研的 Paraformer 到集成通义实验室的 SenseVoice 和 Fun-ASR-Nano，工具包的模型覆盖和部署能力持续扩展。

相关仓库：

论文：Zhifu Gao, Zerui Li, Jiaming Wang, et al. "FunASR: A Fundamental End-to-End Speech Recognition Toolkit." INTERSPEECH 2023.

许可证：代码采用 MIT License；模型使用需遵守 Model License Agreement。