从零开始：FunASR语音识别系统部署指南，附完整代码和截图

1. 引言

1.1 为什么选择FunASR

语音识别技术正在改变我们与设备交互的方式。FunASR作为阿里达摩院开源的语音识别工具包，凭借其高精度和丰富的功能特性，成为中文语音识别领域的佼佼者。相比其他开源方案，FunASR具有以下优势：

• 支持离线/在线两种识别模式
• 内置标点恢复功能，自动添加逗号、句号
• 提供语音活动检测(VAD)，智能分割静音段
• 可输出时间戳信息，便于制作字幕

1.2 本指南的价值

本文将带您从零开始，一步步部署基于speech_ngram_lm_zh-cn二次开发的FunASR镜像。这个定制版本特别针对中文场景优化，相比原版：

• 集成了中文N-gram语言模型，识别准确率提升15%
• 提供直观的WebUI界面，无需编写代码即可使用
• 支持多种音频格式和实时录音
• 输出结果可直接用于字幕制作

2. 环境准备

2.1 硬件要求

组件	最低配置	推荐配置
CPU	Intel i5	Intel i7或更高
内存	8GB	16GB
显卡	集成显卡	NVIDIA GPU(支持CUDA)
存储	10GB可用空间	20GB可用空间

2.2 软件依赖

• Docker Desktop(已安装并运行)
• 支持WebRTC的现代浏览器(Chrome/Firefox)

3. 镜像部署

3.1 拉取镜像

打开终端，执行以下命令拉取定制镜像：

docker pull registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr:funasr-runtime-sdk-online-cpu-0.1.9

3.2 创建模型目录

建议在本地创建专用目录存放模型和输出文件：

mkdir -p /path/to/FunASR/model

3.3 启动容器

使用以下命令启动容器：

docker run -p 7860:7860 -it --privileged=true \
  -v /path/to/FunASR/model:/workspace/models \
  registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr:funasr-runtime-sdk-online-cpu-0.1.9

参数说明：

• -p 7860:7860：将容器内WebUI服务端口映射到宿主机
• -v：挂载本地目录用于持久化存储
• --privileged=true：赋予容器必要权限

4. WebUI服务启动

4.1 进入容器终端

容器启动后，会自动进入终端环境。执行以下命令启动WebUI：

cd /workspace/FunASR/runtime/webui && python app.main.py

4.2 访问Web界面

服务启动后，在浏览器中访问：

http://localhost:7860

如果是远程服务器，使用服务器IP替换localhost：

http://<服务器IP>:7860

首次加载可能需要1-2分钟初始化模型，看到"模型已加载"提示即可使用。

5. 界面功能详解

5.1 控制面板(左侧)

5.1.1 模型选择

• Paraformer-Large：高精度模型，适合正式任务
• SenseVoice-Small：轻量模型，响应更快(默认)

5.1.2 设备选择

• CUDA：GPU加速(推荐有显卡时使用)
• CPU：通用模式

5.1.3 功能开关

• 标点恢复(PUNC)：自动添加标点
• 语音活动检测(VAD)：智能分割静音段
• 输出时间戳：显示词句时间信息

5.2 主操作区(右侧)

5.2.1 上传音频

支持格式：

• WAV(.wav)
• MP3(.mp3)
• M4A(.m4a)
• FLAC(.flac)
• OGG(.ogg)
• PCM(.pcm)

推荐使用16kHz采样率的单声道音频。

5.2.2 实时录音

点击"麦克风录音"按钮，授权后即可开始录音。

6. 完整使用流程

6.1 上传文件识别

1. 点击"上传音频"选择文件
2. 设置识别参数：
   • 批量大小：300秒(默认)
   • 识别语言：auto(自动检测)或zh(中文)
3. 点击"开始识别"
4. 查看结果：
   • 文本结果：纯文本输出
   • 详细信息：JSON格式完整数据
   • 时间戳：词句时间信息

6.2 实时录音识别

1. 点击"麦克风录音"
2. 允许浏览器访问麦克风
3. 对着麦克风说话
4. 点击"停止录音"结束
5. 点击"开始识别"处理录音
6. 查看识别结果

7. 结果导出与应用

7.1 下载选项

• 下载文本：纯文本(.txt)
• 下载JSON：完整数据(.json)
• 下载SRT：字幕文件(.srt)

7.2 文件存储位置

所有输出保存在挂载目录下的outputs子目录，按时间戳组织：

outputs/
└── outputs_20260104123456/
    ├── audio_001.wav
    ├── result_001.json
    ├── text_001.txt
    └── subtitle_001.srt

8. 常见问题解决

8.1 识别不准确

• 确保音频质量良好
• 选择正确的识别语言(中文选zh)
• 尝试重新加载模型

8.2 识别速度慢

• 检查是否使用GPU模式
• 缩短音频长度(≤5分钟)
• 选择SenseVoice-Small模型

8.3 录音无声

• 检查浏览器麦克风权限
• 确保没有其他程序占用麦克风
• 测试麦克风硬件是否正常

9. 总结

通过本指南，您已经完成了：

1. FunASR定制镜像的Docker部署
2. WebUI服务的启动与访问
3. 文件上传和实时录音两种识别方式
4. 结果的查看与导出

这套方案特别适合：

• 会议记录自动转写
• 视频字幕生成
• 语音输入辅助
• 语音质检分析

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。