Funasr Asr

本地中文语音识别，使用阿里达摩院 FunASR。触发场景：(1) 用户发送语音消息需转录，(2) 需要转录音频/视频文件，(3) 从网页下载视频并转录，(4) 中文语音转文字任务。支持小内存模式（~500MB）和大模型模式（~2GB），自动内存管理，任务队列防并行。

FunASR 本地语音识别

阿里达摩院开源 ASR，完全本地部署，内存优化版。

快速使用

命令行

bash

# 默认 small 模式（SenseVoiceSmall, ~500MB）
python3 scripts/transcribe.py /path/to/audio.wav

# 大模型模式（Paraformer-Large, ~2GB，中文极高精度）
python3 scripts/transcribe.py /path/to/audio.wav --mode large

# 自定义分段时长（默认 600 秒 = 10 分钟）
python3 scripts/transcribe.py /path/to/audio.wav --segment 300

# JSON 输出
python3 scripts/transcribe.py /path/to/audio.wav --format json

# 转录视频文件
python3 scripts/video-transcribe.py --audio /path/to/video.mp4

Node.js 调用

javascript

const funasr = require('./index.js');

const text = await funasr.transcribe('/path/to/audio.wav', {
  mode: 'small',    // 'small' 或 'large'
  format: 'text'    // 'text' 或 'json'
});

核心优化（v2.0）

优化项	旧方案	新方案
进程模型	每段新进程	单进程，模型加载一次
默认模型	paraformer (~2GB)	SenseVoiceSmall (~500MB)
内存峰值	~2GB × N 次	~500MB 常驻
段间释放	进程退出	gc.collect()
任务锁	✅	✅ 保留

模式对比

特性	small (默认)	large
模型	SenseVoiceSmall	Paraformer-Large
内存	~500MB	~2GB
语言	中英日韩粤	中文
精度	高	极高
速度	快 (~0.1 RTF)	较慢 (~0.3 RTF)
适用场景	日常转录	专业中文场景

安装

bash

# Python 依赖
pip install funasr onnxruntime psutil

# 视频处理（可选）
pip install yt-dlp
apt install ffmpeg

# 首次运行自动下载模型
# small: ~500MB | large: ~2GB

支持格式

• 音频: WAV, MP3, FLAC, M4A（自动转 16kHz mono）
• 视频: MP4, WebM, AVI, MOV

故障排查

问题	解决
模型下载失败	pip install modelscope && modelscope download --model iic/SenseVoiceSmall
内存不足 (OOM)	用 --mode small --segment 300 减小分段
音频格式错误	ffmpeg -i input.mp3 -ar 16000 -ac 1 output.wav
转录有奇怪标记	脚本自动清理 `<

许可证

MIT License