从零实现本地语音识别（FunASR）

FunASR 是达摩院开源的综合性语音处理工具包，提供语音识别（ASR）、语音活动检测（VAD）、标点恢复（PUNC）等全流程功能，支持多种主流模型（如 Paraformer、Whisper、SenseVoice）的推理、微调和部署。

1. funasr安装

pip install funasr

2. 模型下载

pip install modelscope
modelscope download --model iic/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch

3. 依赖库安装

pip install torch torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install addict, datasets -i https://pypi.tuna.tsinghua.edu.cn/simple

4. 模式一：使用本地模型

4.1 程序编码（本地模型）

from funasr import AutoModel
model = AutoModel(
    model="./speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch",
    disable_update=True,
    device="cpu"  # 或 "cuda" 如果有GPU
)    
res = model.inference(input="asr_example.wav")
print("识别结果：", res[0]["text"])

4.2. 运行测试（本地模型）

5. 模式二：运行时自动下载模型

5.1 程序编码（运行时下载模型）

from funasr import AutoModel
model = AutoModel(
    model="paraformer-zh",
    disable_update=True,
    device="cpu"  # 或 "cuda" 如果有GPU
)    
res = model.inference(input="asr_example.wav")
print("识别结果：", res[0]["text"])

5.2 运行测试（运行时下载模型）

下载后，第二次执行则不再下载，但程序启动会检查。

6. 模式三：指定vad等子模型

6.1 程序编码（指定子模型）

from funasr import AutoModel
model = AutoModel(
    model="paraformer-zh",
    model_revision="v2.0.4",
    vad_model="fsmn-vad",
    punc_model="ct-punc",
    disable_update=True,
    device="cpu"  # 或 "cuda" 如果有GPU
)    
res = model.inference(input="asr_example.wav")
print("识别结果：", res[0]["text"])

6.2 运行测试（指定子模型）

7. 模式四：使用generate

7.1 程序编码（使用generate）

from funasr import AutoModel
import soundfile as sf
model = AutoModel(
    model="paraformer-zh",
    model_revision="v2.0.4",
    vad_model="fsmn-vad",
    punc_model="ct-punc",
    disable_update=True,
    device="cpu"  # 或 "cuda" 如果有GPU
)    
waveform, _ = sf.read("asr_example.wav")
    
result = model.generate(input=waveform)
print("识别结果：", result[0]["text"])

7.2 运行测试（使用generate）

第二次运行不会下载模型。

# 创建虚拟环境
python -m venv sensevoice_env
source sensevoice_env/bin/activate  # Linux/macOS
sensevoice_env\Scripts\activate     # Windows
# 安装 SenseVoice 依赖
pip install torch torchaudio numpy