手把手教你部署FireRedASR-AED-L：一键启动语音转文字Web应用

1. 为什么你需要这个语音转文字工具

想象一下，你手头有一段会议录音，需要快速整理成文字纪要；或者你录了一段课程音频，想把它变成文字笔记。传统的方法要么是手动听写，耗时耗力，要么是找在线服务，又担心隐私和数据安全。

今天我要介绍的FireRedASR-AED-L，就是一个可以部署在你本地服务器上的语音转文字工具。它基于1.1B参数的大模型，支持中文和英文识别，准确率相当不错。最重要的是，它提供了一个Web界面，你只需要打开浏览器，上传音频文件，就能看到识别结果，整个过程就像使用一个在线网站一样简单。

这个工具特别适合：

• 需要处理大量音频转录的团队或个人
• 对数据隐私有要求的场景
• 希望将语音识别能力集成到自己系统中的开发者
• 想要体验本地部署AI模型的技术爱好者

接下来，我会带你一步步完成部署，从环境准备到实际使用，保证你能在自己的机器上跑起来。

2. 部署前的准备工作

2.1 硬件和系统要求

在开始之前，我们先看看需要什么样的环境。虽然这个工具对硬件有一定要求，但现在的普通服务器基本都能满足。

硬件要求：

• GPU：推荐使用NVIDIA GPU，显存至少8GB（模型本身需要4.4GB空间）
• 内存：至少16GB RAM
• 存储：需要10GB以上的可用空间（用于存放模型和依赖）

软件要求：

• 操作系统：Ubuntu 20.04或更高版本（其他Linux发行版也可以，但需要相应调整）
• Python：3.8或更高版本
• CUDA：11.7或更高版本（如果使用GPU）

如果你没有GPU，也可以用CPU运行，但速度会慢很多。对于生产环境，强烈建议使用GPU。

2.2 检查你的环境

在开始部署之前，先确认一下你的环境是否满足要求。打开终端，运行以下命令：

# 检查Python版本
python3 --version

# 检查CUDA是否可用（如果有GPU）
nvidia-smi

# 检查内存和存储
free -h
df -h

如果看到Python版本是3.8以上，GPU信息正常显示，内存和存储也足够，那就可以继续了。

3. 快速部署步骤

3.1 获取项目文件

首先，我们需要把项目文件下载到本地。如果你已经有了镜像环境，这一步可能已经完成了。如果没有，可以按照以下步骤操作：

# 创建一个工作目录
mkdir -p ~/asr_project
cd ~/asr_project

# 这里假设你已经有了项目文件
# 如果没有，可以从GitHub克隆（如果可用）
# git clone https://github.com/FireRedTeam/FireRedASR.git

根据镜像文档，项目文件应该已经在/root/FireRedASR-official/目录下了。我们直接进入这个目录：

cd /root/FireRedASR-official/

3.2 了解目录结构

在开始之前，我们先看看项目的目录结构，这样后面操作时心里有数：

/root/FireRedASR-official/
├── app.py              # Web服务的主程序文件
├── start.sh            # 一键启动脚本
├── requirements.txt    # Python依赖包列表
├── fireredasr/         # 核心代码目录
│   ├── speech2text.py  # 命令行工具
│   ├── models/         # 模型定义
│   └── tokenizer/      # 分词器
├── pretrained_models/  # 模型文件（软链接）
│   └── FireRedASR-AED-L/
│       ├── model.pth.tar      # 模型权重（4.4GB）
│       ├── cmvn.ark           # 特征归一化文件
│       ├── dict.txt           # 词典文件
│       └── train_bpe1000.model # BPE分词模型
└── examples/           # 示例文件
    └── wav/            # 示例音频文件

关键文件说明：

• app.py：这是Web服务的入口文件，我们主要操作这个
• start.sh：启动脚本，简化启动过程
• requirements.txt：列出了所有需要的Python包
• pretrained_models/：存放模型文件，注意这里是软链接，实际文件在/root/ai-models/目录

3.3 一键启动Web服务

最简单的启动方式就是使用提供的启动脚本。这个脚本已经帮你设置好了所有环境变量和参数。

# 进入项目目录
cd /root/FireRedASR-official

# 使用启动脚本（推荐）
bash start.sh

运行这个命令后，你会看到类似下面的输出：

正在启动FireRedASR-AED-L Web服务...
模型加载中，请稍候...
服务已启动，访问地址：http://localhost:7860

如果一切正常，服务就启动成功了。现在打开浏览器，访问http://你的服务器IP:7860，就能看到Web界面了。

3.4 其他启动方式

除了使用启动脚本，你也可以直接运行Python程序：

# 直接启动
cd /root/FireRedASR-official
python app.py

或者如果你想让服务在后台运行（这样关闭终端后服务也不会停止）：

# 后台运行
cd /root/FireRedASR-official
nohup python app.py > /tmp/fireredasr_web.log 2>&1 &
echo $! > /tmp/fireredasr_web.pid

# 查看日志
tail -f /tmp/fireredasr_web.log

要停止后台服务：

# 停止服务
kill $(cat /tmp/fireredasr_web.pid)

4. Web界面使用指南

4.1 访问Web界面

服务启动后，你可以通过以下方式访问：

• 本地访问：如果就在服务器本机上操作，打开浏览器访问http://localhost:7860
• 远程访问：在其他电脑上访问http://你的服务器IP:7860

注意：如果无法访问，可能是防火墙阻止了7860端口。你需要确保这个端口是开放的。

4.2 界面功能介绍

打开Web界面后，你会看到一个简洁但功能完整的页面。主要分为以下几个区域：

1. 输入方式选择

• 文件上传：点击"📁 上传音频文件"标签，可以上传本地音频文件
• 麦克风录音：点击"🎙️ 麦克风录音"标签，可以直接录音识别

2. 音频处理选项

• 支持WAV、MP3、FLAC、OGG、M4A等多种格式
• 系统会自动将音频转换为16kHz单声道（这是模型需要的格式）

3. 识别按钮

• 点击"🚀 开始识别"按钮开始处理
• 处理过程中会显示进度和状态

4. 结果显示区域

• 识别完成后，文字结果会显示在这里
• 同时会显示处理时间、实时率等性能信息

4.3 实际使用示例

让我带你走一遍完整的使用流程：

第一步：准备音频文件 你可以使用项目自带的示例文件，路径是/root/FireRedASR-official/examples/wav/。里面有几个测试用的音频文件。

第二步：上传文件 在Web界面中，点击"📁 上传音频文件"，然后选择你要识别的音频文件。支持拖拽上传，也可以点击选择文件。

第三步：开始识别 点击"🚀 开始识别"按钮。你会看到状态显示"处理中..."，同时进度条会开始移动。

第四步：查看结果 处理完成后，识别出的文字会显示在结果区域。如果是中文音频，会显示中文文字；如果是英文，会显示英文。

第五步：保存结果 你可以直接复制识别结果，或者如果需要保存到文件，可以手动复制粘贴。

4.4 使用麦克风录音

除了上传文件，你还可以直接录音：

1. 点击"🎙️ 麦克风录音"标签
2. 点击"开始录音"按钮，开始说话
3. 说完后点击"停止录音"
4. 点击"🚀 开始识别"进行识别

这个功能特别适合临时需要转录的情况，比如快速记录想法、临时会议记录等。

5. 命令行使用方式

除了Web界面，这个工具还提供了命令行接口，适合批量处理或者集成到其他系统中。

5.1 单文件识别

如果你有一个音频文件需要识别，可以使用以下命令：

cd /root/FireRedASR-official

# 设置环境变量
export PATH=$PWD/fireredasr/:$PWD/fireredasr/utils/:$PATH
export PYTHONPATH=$PWD/:$PYTHONPATH

# 识别单个文件
python fireredasr/speech2text.py \
    --wav_path examples/wav/BAC009S0764W0121.wav \
    --asr_type "aed" \
    --model_dir pretrained_models/FireRedASR-AED-L \
    --batch_size 1 \
    --beam_size 3 \
    --nbest 1 \
    --use_gpu 1

参数说明：

• --wav_path：音频文件路径
• --asr_type：识别类型，这里用"aed"
• --model_dir：模型目录
• --batch_size：批处理大小，单文件设为1
• --beam_size：束搜索大小，影响识别准确率
• --use_gpu：是否使用GPU，1表示使用

5.2 批量识别

如果你有多个音频文件需要处理，可以使用批量模式：

python fireredasr/speech2text.py \
    --wav_dir examples/wav/ \
    --asr_type "aed" \
    --model_dir pretrained_models/FireRedASR-AED-L \
    --batch_size 2 \
    --beam_size 3 \
    --output output.txt

这个命令会处理examples/wav/目录下的所有音频文件，结果保存到output.txt中。

5.3 参数调优建议

根据我的使用经验，有几个参数可以调整以获得更好的效果：

beam_size（束搜索大小）

• 值越大，识别越准确，但速度越慢
• 推荐值：3-5，一般3就够用了

batch_size（批处理大小）

• 批量处理时一次处理的文件数
• 根据GPU显存调整，显存越大可以设得越大
• 单GPU 8G显存建议设为2-4

使用GPU还是CPU

• 如果有GPU，一定要用GPU，速度差10倍以上
• 如果没有GPU，把--use_gpu设为0

6. 常见问题解决

6.1 服务启动失败

问题：运行bash start.sh后服务没有启动，或者启动后立即退出。

可能原因和解决：

1. 端口被占用

# 检查7860端口是否被占用
lsof -i :7860

# 或者使用
netstat -tuln | grep 7860

# 如果被占用，可以杀掉占用进程，或者修改app.py中的端口号

2. 模型文件问题

# 检查模型软链接是否正确
ls -la /root/FireRedASR-official/pretrained_models/FireRedASR-AED-L/

# 应该看到4个文件都是软链接
# 如果链接断了，重新创建：
ln -sf /root/ai-models/pengzhendong/FireRedASR-AED-L/* /root/FireRedASR-official/pretrained_models/FireRedASR-AED-L/

3. GPU不可用

# 检查CUDA是否可用
python -c "import torch; print(torch.cuda.is_available())"

# 如果返回False，可能是：
# - 没有安装CUDA驱动
# - PyTorch版本不匹配
# - GPU太老不支持

6.2 音频识别失败

问题：上传音频后识别失败，或者结果为空。

检查步骤：

1. 音频格式支持

   • 确保音频格式是支持的：WAV、MP3、FLAC、OGG、M4A
   • 如果不确定，可以用ffmpeg转换：

   ffmpeg -i input.mp3 -ar 16000 -ac 1 output.wav
   

2. 音频时长限制

   • 模型建议音频在60秒以内
   • 如果音频太长，可以分割：

   # 使用ffmpeg分割音频
   ffmpeg -i long_audio.wav -f segment -segment_time 60 -c copy output_%03d.wav
   

3. 音频质量问题

   • 背景噪音太大会影响识别
   • 说话人声音太小或模糊
   • 建议在相对安静的环境录音

6.3 识别结果不准确

问题：识别出来的文字有很多错误。

改进方法：

1. 提高音频质量

   • 使用专业的录音设备
   • 在安静环境下录音
   • 说话人离麦克风近一些

2. 调整识别参数

   # 增加beam_size可以提高准确率
   python fireredasr/speech2text.py --beam_size 5 ...
   
   # 或者尝试不同的解码策略
   

3. 使用WAV格式

   • WAV是无损格式，识别效果最好
   • MP3等有损格式可能会损失一些信息

4. 分段处理长音频

   • 对于很长的音频，分段识别然后拼接
   • 每段30-60秒效果最好

6.4 性能问题

问题：识别速度太慢。

优化建议：

1. 确保使用GPU

   # 在Web界面或命令行中确认使用GPU
   # 命令行加 --use_gpu 1
   # Web界面会显示GPU信息
   

2. 调整batch_size

   • 批量处理时适当增加batch_size
   • 但不要超过GPU显存限制

3. 使用更快的存储

   • 如果音频文件在慢速硬盘上，会影响读取速度
   • 建议使用SSD

7. 进阶使用技巧

7.1 集成到其他系统

如果你想把语音识别集成到自己的系统中，可以调用命令行接口：

import subprocess
import json

def transcribe_audio(audio_path):
    """调用FireRedASR进行语音识别"""
    
    cmd = [
        'python', 'fireredasr/speech2text.py',
        '--wav_path', audio_path,
        '--asr_type', 'aed',
        '--model_dir', 'pretrained_models/FireRedASR-AED-L',
        '--batch_size', '1',
        '--beam_size', '3',
        '--use_gpu', '1'
    ]
    
    try:
        result = subprocess.run(cmd, capture_output=True, text=True)
        if result.returncode == 0:
            return result.stdout.strip()
        else:
            return f"识别失败: {result.stderr}"
    except Exception as e:
        return f"执行错误: {str(e)}"

# 使用示例
text = transcribe_audio('path/to/audio.wav')
print(f"识别结果: {text}")

7.2 批量处理脚本

如果你经常需要处理大量音频文件，可以写一个批量处理脚本：

#!/bin/bash
# batch_process.sh

INPUT_DIR=$1
OUTPUT_DIR=$2

# 创建输出目录
mkdir -p $OUTPUT_DIR

# 遍历所有音频文件
for audio_file in $INPUT_DIR/*.{wav,mp3,flac}; do
    if [ -f "$audio_file" ]; then
        filename=$(basename "$audio_file")
        echo "处理: $filename"
        
        # 调用识别
        python fireredasr/speech2text.py \
            --wav_path "$audio_file" \
            --asr_type "aed" \
            --model_dir pretrained_models/FireRedASR-AED-L \
            --batch_size 1 \
            --beam_size 3 \
            --output "$OUTPUT_DIR/${filename%.*}.txt"
    fi
done

echo "批量处理完成"

使用方式：

bash batch_process.sh /path/to/audios /path/to/output

7.3 监控和日志

对于生产环境，建议添加监控和日志：

# 启动服务并记录日志
cd /root/FireRedASR-official
nohup python app.py >> /var/log/fireredasr.log 2>&1 &

# 查看实时日志
tail -f /var/log/fireredasr.log

# 监控服务状态
while true; do
    if ! pgrep -f "python app.py" > /dev/null; then
        echo "服务停止，重新启动..."
        cd /root/FireRedASR-official
        nohup python app.py >> /var/log/fireredasr.log 2>&1 &
    fi
    sleep 60
done

8. 总结

通过这篇文章，你应该已经掌握了FireRedASR-AED-L语音识别工具的完整部署和使用方法。我们来回顾一下关键点：

部署很简单：基本上就是下载文件、运行启动脚本两步。项目已经帮你配置好了大部分环境，你只需要确保有GPU和足够的存储空间。

使用很方便：Web界面很直观，上传文件或直接录音，点击按钮就能识别。命令行接口则适合批量处理或集成到其他系统。

效果很不错：基于1.1B参数的大模型，中英文识别准确率都很好。对于会议记录、课程转录、语音笔记这些场景，完全够用。

可以自己控制：因为是本地部署，你的音频数据不会上传到别人的服务器，隐私有保障。而且你可以随时调整参数，优化识别效果。

如果你在部署或使用过程中遇到问题，可以：

1. 检查模型文件是否完整
2. 确认GPU是否正常工作
3. 查看日志文件找错误信息
4. 调整音频质量或识别参数

这个工具特别适合需要频繁处理语音转文字任务的团队或个人。它把复杂的AI模型包装成了简单易用的Web应用，让你不用懂太多技术细节就能用上先进的语音识别能力。

最后提醒一下，虽然这个工具很好用，但也有局限性。比如对长音频（超过60秒）支持不够好，对带口音或背景噪音的音频识别准确率会下降。在实际使用中，可以根据具体情况调整使用方式。

---

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。