5步搞定Fun-ASR部署：打造本地多语言语音识别系统

1. 引言

1.1 为什么你需要一个本地语音识别系统

想象一下这个场景：你正在参加一个跨国团队的线上会议，大家用中文、英文、日文混合交流。会议结束后，你需要整理会议纪要，但面对一个多小时的录音，手动转写不仅耗时，还可能因为语言切换而遗漏关键信息。

或者，你是一个内容创作者，需要把录制的播客、视频课程快速转成文字稿。市面上的在线语音识别服务要么收费昂贵，要么对隐私保护不够，要么不支持你需要的方言或专业术语。

这就是为什么你需要一个本地部署的语音识别系统。今天我要介绍的Fun-ASR-MLT-Nano-2512，就是阿里通义实验室推出的一个轻量级多语言语音识别模型。它支持31种语言，包括中文、英文、粤语、日文、韩文等，而且完全可以在你自己的电脑或服务器上运行，数据不出本地，安全又高效。

1.2 这个教程能帮你解决什么问题

很多人看到“语音识别”、“AI模型”这些词就觉得门槛很高，需要专业的机器学习知识才能搞定。其实不然，现在的AI工具已经越来越易用了。

通过这个教程，我将用最简单的语言，带你一步步完成Fun-ASR的部署和使用。你不需要是AI专家，也不需要懂复杂的数学原理，只需要跟着我的步骤操作，就能在自己的电脑上搭建一个功能强大的语音识别系统。

具体来说，你将学会：

• 如何在5个步骤内完成Fun-ASR的完整部署
• 如何通过网页界面轻松上传音频并获取识别结果
• 如何用Python代码调用模型，实现自动化处理
• 如何用Docker容器化部署，方便迁移和分享
• 如何解决部署过程中可能遇到的常见问题

整个过程就像搭积木一样简单，让我们开始吧。

2. 环境准备：搭建你的AI工作台

2.1 检查你的电脑配置

在开始之前，我们先看看你的电脑需要满足什么条件。Fun-ASR-MLT-Nano-2512虽然是个“大模型”，但它其实很轻量，对硬件要求并不高。

最低配置要求：

组件	要求	说明
操作系统	Linux (Ubuntu 20.04或更高)	这是最稳定的环境，其他Linux发行版也可以
Python版本	3.8或以上	建议用3.8-3.11之间的版本
内存	8GB RAM	运行模型和处理音频需要足够的内存
存储空间	至少5GB可用	模型文件2GB，加上依赖和代码
GPU (可选)	支持CUDA的NVIDIA显卡	有GPU会快很多，没有也能用CPU

如果你没有Linux系统怎么办？

别担心，有几个解决方案：

1. Windows用户：可以用WSL2（Windows Subsystem for Linux），这是微软官方提供的Linux子系统，用起来和真Linux几乎一样
2. Mac用户：macOS本身基于Unix，可以直接安装，或者用Docker
3. 云服务器：租一个云服务器，比如阿里云、腾讯云的轻量应用服务器，一个月几十块钱

我个人建议，如果你是新手，用云服务器最简单。选一个Ubuntu 20.04的系统镜像，配置选2核4G或更高，一个小时就能搞定所有环境。

2.2 第一步：安装基础依赖

登录你的Linux系统，打开终端，我们开始安装必要的软件。

首先更新系统包管理器：

sudo apt-get update

安装Python和pip（如果还没有的话）：

sudo apt-get install -y python3 python3-pip python3-venv

安装音频处理工具FFmpeg，这是处理各种音频格式的关键：

sudo apt-get install -y ffmpeg

安装Git，用来下载代码：

sudo apt-get install -y git

这些命令执行完后，你的系统基础环境就准备好了。

2.3 第二步：创建Python虚拟环境

为什么需要虚拟环境？简单说，就是给你的Fun-ASR项目创建一个独立的“小房间”，里面的Python包不会影响系统其他项目，也不会被其他项目影响。

创建虚拟环境：

python3 -m venv funasr-env

激活虚拟环境：

source funasr-env/bin/activate

激活后，你会看到命令行前面多了(funasr-env)的提示，表示你现在在这个虚拟环境里工作。

3. 快速部署：5步搭建语音识别服务

3.1 第三步：下载代码和模型

现在我们来获取Fun-ASR的代码和模型文件。

首先下载代码：

git clone https://github.com/FunAudioLLM/Fun-ASR.git
cd Fun-ASR

进入Nano版本目录：

cd Fun-ASR-MLT-Nano-2512

安装Python依赖包：

pip install --upgrade pip
pip install -r requirements.txt

这个过程可能会花几分钟时间，因为要下载和安装一些机器学习相关的库，比如PyTorch、Gradio等。

接下来下载模型文件。模型文件比较大，有2GB左右，所以需要一点时间：

wget https://huggingface.co/FunAudioLLM/Fun-ASR-MLT-Nano-2512/resolve/main/model.pt

如果下载速度慢，你可以用浏览器打开上面的链接，手动下载后放到当前目录。

下载完成后，检查一下文件大小：

ls -lh model.pt

应该显示大约2.0GB。

3.2 第四步：启动Web服务

Fun-ASR自带了一个网页界面，用起来非常方便，不需要写任何代码就能测试功能。

启动服务：

nohup python app.py > /tmp/funasr_web.log 2>&1 &
echo $! > /tmp/funasr_web.pid

这个命令做了几件事：

• nohup：让程序在后台运行，即使你关闭终端也不会停止
• > /tmp/funasr_web.log 2>&1：把程序的输出保存到日志文件
• &：在后台运行
• echo $! > /tmp/funasr_web.pid：保存进程ID，方便后面管理

检查服务是否启动成功：

ps aux | grep "python app.py"

如果看到类似下面的输出，说明服务正在运行：

user     12345  0.5  2.1 1023456 43210 pts/0    Sl   10:30   0:01 python app.py

查看服务日志：

tail -f /tmp/funasr_web.log

在日志里找这一行：

Running on local URL:  http://127.0.0.1:7860

看到这个就说明服务启动成功了。

3.3 第五步：测试你的语音识别系统

现在打开浏览器，访问 http://你的服务器IP:7860。

如果你是在本地电脑上部署的，就访问 http://localhost:7860。

你会看到一个简洁的网页界面，大概长这样：

+-----------------------------------------+
|        Fun-ASR语音识别系统              |
|                                         |
|  [上传音频文件] 或 [录制音频]           |
|                                         |
|  语言选择: [自动检测] ▼                |
|                                         |
|  [开始识别]                            |
|                                         |
|  识别结果:                             |
|  _____________________________________  |
|                                         |
+-----------------------------------------+

我们来做个简单测试。在项目目录里有一个example文件夹，里面有几个示例音频文件：

ls example/

你会看到：

• zh.mp3 - 中文示例
• en.mp3 - 英文示例
• ja.mp3 - 日文示例
• ko.mp3 - 韩文示例
• yue.mp3 - 粤语示例

在网页界面上传example/zh.mp3，点击“开始识别”。稍等几秒钟（第一次运行需要加载模型，大概30-60秒），你就会看到识别出的中文文字。

恭喜！你的本地语音识别系统已经搭建成功了。

4. 进阶使用：代码调用和功能扩展

4.1 用Python代码调用模型

网页界面很方便，但如果你想批量处理文件，或者把语音识别集成到自己的程序里，就需要用代码来调用。别担心，代码也很简单。

创建一个新的Python文件，比如叫test_api.py：

from funasr import AutoModel

# 初始化模型
print("正在加载模型，第一次可能需要30-60秒...")
model = AutoModel(
    model=".",  # 使用当前目录下的模型
    trust_remote_code=True,  # 允许加载自定义代码
    device="cuda:0" if torch.cuda.is_available() else "cpu"  # 自动检测GPU
)
print("模型加载完成！")

# 识别单个文件
audio_file = "example/en.mp3"  # 英文示例
result = model.generate(
    input=[audio_file],  # 可以传多个文件，比如["file1.mp3", "file2.mp3"]
    cache={},  # 用于流式识别，保持对话上下文
    batch_size=1,  # 一次处理几个文件，有GPU可以调大
    language="auto",  # 自动检测语言，也可以指定如"中文"、"english"
    itn=True  # 启用数字转换，比如"one"转成"1"
)

# 输出结果
print("识别结果：")
print(result[0]["text"])  # 文本内容
print(f"语言：{result[0]['lang']}")  # 检测到的语言
print(f"时长：{result[0]['duration']}秒")  # 音频时长

运行这个脚本：

python test_api.py

你会看到类似这样的输出：

正在加载模型，第一次可能需要30-60秒...
模型加载完成！
识别结果：
Hello, this is a test recording for the Fun-ASR model.
语言：english
时长：3.2秒

4.2 批量处理多个文件

如果你有很多音频文件需要转写，可以这样批量处理：

import os
from funasr import AutoModel

# 初始化模型
model = AutoModel(model=".", trust_remote_code=True)

# 指定音频文件夹
audio_folder = "my_audio_files"
output_file = "transcriptions.txt"

# 获取所有音频文件
audio_files = []
for file in os.listdir(audio_folder):
    if file.endswith((".mp3", ".wav", ".m4a", ".flac")):
        audio_files.append(os.path.join(audio_folder, file))

print(f"找到 {len(audio_files)} 个音频文件")

# 批量识别
results = []
for i in range(0, len(audio_files), 3):  # 每次处理3个文件
    batch = audio_files[i:i+3]
    print(f"处理文件 {i+1}-{min(i+3, len(audio_files))}...")
    
    batch_results = model.generate(
        input=batch,
        batch_size=3,
        language="auto"
    )
    
    for j, result in enumerate(batch_results):
        filename = os.path.basename(batch[j])
        text = result["text"]
        lang = result["lang"]
        results.append(f"{filename} | {lang} | {text}")

# 保存结果
with open(output_file, "w", encoding="utf-8") as f:
    for line in results:
        f.write(line + "\n")

print(f"识别完成！结果已保存到 {output_file}")

这个脚本会自动扫描指定文件夹里的所有音频文件，批量识别，然后把结果保存到文本文件里。

4.3 流式识别：实时语音转文字

如果你需要实时字幕功能，比如直播时的自动字幕，可以用流式识别：

import pyaudio
import numpy as np
from funasr import AutoModel

# 初始化模型
model = AutoModel(model=".", trust_remote_code=True)

# 音频参数
CHUNK = 1600  # 每次读取的音频数据大小
FORMAT = pyaudio.paInt16
CHANNELS = 1
RATE = 16000  # 采样率，Fun-ASR推荐16kHz

# 初始化PyAudio
p = pyaudio.PyAudio()
stream = p.open(format=FORMAT,
                channels=CHANNELS,
                rate=RATE,
                input=True,
                frames_per_buffer=CHUNK)

print("开始录音，按Ctrl+C停止...")

cache = {}  # 保存识别状态，实现上下文连贯

try:
    while True:
        # 读取音频数据
        data = stream.read(CHUNK)
        audio_array = np.frombuffer(data, dtype=np.int16).astype(np.float32) / 32768.0
        
        # 流式识别
        result = model.generate(
            input=[audio_array],
            cache=cache,
            is_final=False,  # 表示还有后续数据
            language="auto"
        )
        
        if result[0]["text"]:
            print(f"识别: {result[0]['text']}", end="\r")
            
except KeyboardInterrupt:
    print("\n停止录音")
    
finally:
    stream.stop_stream()
    stream.close()
    p.terminate()

这个程序会实时录制你的声音，然后边录边识别，适合做实时字幕或者语音助手。

5. 生产部署：用Docker一键部署

5.1 为什么用Docker？

你可能已经成功部署了Fun-ASR，但有没有想过这些问题：

• 换一台电脑又要重新配置环境，好麻烦
• 想分享给同事用，但他们的系统环境不一样
• 服务器升级了，原来的程序跑不起来了

Docker就是为了解决这些问题而生的。它可以把你的应用和所有依赖打包成一个“集装箱”，在任何支持Docker的电脑上都能运行，而且运行效果完全一样。

5.2 创建Docker镜像

首先，确保你的系统已经安装了Docker。如果没有，可以这样安装：

# Ubuntu系统
sudo apt-get update
sudo apt-get install -y docker.io
sudo systemctl start docker
sudo systemctl enable docker

# 把当前用户加入docker组，这样不用每次都加sudo
sudo usermod -aG docker $USER
# 需要重新登录生效

创建一个Dockerfile文件（注意大小写）：

# 使用Python 3.11的官方镜像作为基础
FROM python:3.11-slim

# 设置工作目录
WORKDIR /app

# 安装系统依赖
RUN apt-get update && apt-get install -y \
    ffmpeg \
    git \
    wget \
    && rm -rf /var/lib/apt/lists/*

# 复制依赖文件
COPY requirements.txt .

# 安装Python依赖
RUN pip install --no-cache-dir -r requirements.txt

# 复制项目文件
COPY . .

# 下载模型文件（生产环境建议挂载外部卷）
RUN wget -O model.pt https://huggingface.co/FunAudioLLM/Fun-ASR-MLT-Nano-2512/resolve/main/model.pt

# 暴露服务端口
EXPOSE 7860

# 启动服务
CMD ["python", "app.py"]

构建Docker镜像：

docker build -t funasr-nano:latest .

这个过程会下载基础镜像、安装依赖、下载模型，可能需要10-20分钟，取决于你的网速。

5.3 运行Docker容器

镜像构建完成后，就可以运行了：

# 如果有NVIDIA GPU
docker run -d \
  -p 7860:7860 \
  --gpus all \
  --name funasr \
  funasr-nano:latest

# 如果没有GPU，用CPU版本
docker run -d \
  -p 7860:7860 \
  --name funasr \
  funasr-nano:latest

参数解释：

• -d：后台运行
• -p 7860:7860：把容器的7860端口映射到主机的7860端口
• --gpus all：使用所有GPU（如果没有GPU就去掉这个参数）
• --name funasr：给容器起个名字，方便管理
• funasr-nano:latest：使用的镜像名

查看容器状态：

docker ps

查看容器日志：

docker logs funasr

停止容器：

docker stop funasr

启动已停止的容器：

docker start funasr

删除容器：

docker rm funasr

5.4 数据持久化：保存你的识别记录

默认情况下，Docker容器里的数据是临时的，容器删除后数据就没了。如果你想保存识别记录或者上传的音频文件，可以挂载数据卷：

# 创建本地目录保存数据
mkdir -p ~/funasr_data

# 运行容器并挂载目录
docker run -d \
  -p 7860:7860 \
  --gpus all \
  -v ~/funasr_data:/app/data \  # 挂载数据目录
  --name funasr \
  funasr-nano:latest

这样，容器里的/app/data目录就会映射到你本地的~/funasr_data目录，数据会永久保存。

6. 常见问题与解决方案

6.1 部署过程中的常见错误

问题1：模型下载太慢或失败

解决方案：

1. 用浏览器手动下载：打开 https://huggingface.co/FunAudioLLM/Fun-ASR-MLT-Nano-2512/resolve/main/model.pt
2. 下载后放到项目目录，改名为model.pt
3. 或者用其他下载工具，比如axel多线程下载：

# 安装axel
sudo apt-get install -y axel

# 多线程下载
axel -n 10 https://huggingface.co/FunAudioLLM/Fun-ASR-MLT-Nano-2512/resolve/main/model.pt

问题2：内存不足，程序崩溃

解决方案：

1. 检查可用内存：free -h
2. 如果内存不足，可以尝试：
   • 关闭其他占用内存的程序
   • 增加虚拟内存（交换空间）：

# 创建4GB的交换文件
sudo fallocate -l 4G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile

# 永久生效，添加到/etc/fstab
echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab

3. 或者用CPU模式运行，虽然慢但内存占用少

问题3：端口7860被占用

解决方案：

1. 查看哪个程序占用了7860端口：

sudo lsof -i :7860

2. 停止占用端口的程序，或者换一个端口：

# 修改app.py中的端口号
# 找到这行：demo.launch(server_name="0.0.0.0", server_port=7860)
# 把7860改成其他端口，比如7861

# 或者运行容器时映射其他端口
docker run -d -p 7861:7860 --name funasr funasr-nano:latest

6.2 使用中的性能优化

如何提高识别速度？

1. 使用GPU：这是最有效的方法。有GPU比CPU快3-5倍
2. 调整batch_size：批量处理时，适当增加batch_size可以提高吞吐量

# 根据你的GPU显存调整，T4显卡建议batch_size=3
result = model.generate(input=audio_files, batch_size=3)

3. 音频预处理：确保音频是16kHz采样率，单声道，这样模型处理最快

如何提高识别准确率？

1. 提供语言提示：如果你知道音频是什么语言，明确告诉模型：

result = model.generate(input=audio_file, language="中文")  # 或"english"、"japanese"等

2. 音频质量：尽量用清晰的音频，减少背景噪音
3. 启用ITN：数字转换功能能让结果更规范：

result = model.generate(input=audio_file, itn=True)
# 会把"one hundred"转换成"100"，"二零二三年"转换成"2023年"

6.3 模型支持的语言列表

Fun-ASR-MLT-Nano-2512支持31种语言，包括：

• 中文相关：普通话、粤语、四川话、吴语等
• 主要语言：英语、日语、韩语、法语、德语、西班牙语、俄语等
• 其他语言：阿拉伯语、印地语、葡萄牙语、意大利语、荷兰语等

完整列表可以在模型的Hugging Face页面查看。实际测试中，对中文、英文、日文、韩文的识别效果最好。

7. 总结

7.1 回顾一下我们做了什么

通过这个教程，我们完成了Fun-ASR-MLT-Nano-2512语音识别系统的完整部署。让我们简单回顾一下：

1. 环境准备：检查系统配置，安装必要的依赖
2. 代码获取：下载Fun-ASR项目和模型文件
3. 服务启动：运行Web服务，通过浏览器访问
4. 功能测试：用示例音频验证识别效果
5. 进阶使用：学习用Python代码调用API
6. 生产部署：用Docker容器化，方便迁移和分享
7. 问题解决：了解常见错误和优化方法

整个过程其实并不复杂，就像搭积木一样，一步步来就能成功。最关键的是，你现在有了一个完全在自己掌控中的语音识别系统，数据安全有保障，而且完全免费。

7.2 实际应用场景

这个系统可以做什么？让我给你一些实际的想法：

个人使用：

• 会议录音自动转文字，再也不用手动整理纪要
• 把播客、视频课程转成文字稿，方便复习和搜索
• 实时字幕生成，看外语视频更方便
• 语音日记，说完自动转成文字保存

团队协作：

• 跨国会议自动翻译和记录
• 客户访谈录音快速整理
• 培训内容自动生成文字版
• 多语言客服对话分析

内容创作：

• 视频字幕自动生成
• 播客节目文字稿
• 采访内容快速整理
• 多语言内容本地化

7.3 下一步学习建议

如果你对这个系统感兴趣，想进一步深入：

1. 学习更多API功能：查看Fun-ASR的官方文档，了解所有参数和功能
2. 尝试其他模型：Fun-ASR还有更大的模型版本，准确率更高但需要更多资源
3. 集成到现有系统：把语音识别功能嵌入到你正在开发的应用中
4. 定制化训练：如果你有特定领域的音频数据，可以微调模型，让它在你的领域表现更好

最重要的是动手实践。找一些你自己的音频文件试试，看看识别效果如何。遇到问题不要怕，按照教程里的解决方案一步步排查，或者在网上搜索相关错误信息。

语音识别技术正在变得越来越普及，掌握这样一个本地部署的工具，不仅能提高你的工作效率，还能在需要处理敏感音频时保护隐私。希望这个教程对你有帮助，祝你使用愉快！

---

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。