阿里达摩院开源语音识别：比Whisper快170倍还免费，CPU就能跑

语音识别新选择：阿里达摩院开源FunASR，比Whisper快170倍，CPU即可流畅运行，彻底告别转录烦恼。
核心内容：
1. FunASR的核心优势：极速、免费、易部署，内置说话人分离等实用功能。
2. 与Whisper的性能对比：在GPU和CPU上均实现数量级的速度超越。
3. 快速上手指南与未来应用展望，降低技术使用门槛。

开会两小时，整理录音一整天。这是不是你的日常？（如果你使用了会议自动记录或者会议整理skill当我没说，后续本公众号会开放会议总结skill，超好用！！！）

记会议、扒播客、剪视频字幕——最烦的就是转录。Whisper 是能转，但慢，还分不清谁在说话；云服务倒是准，可每分钟都在计费。开源社区等一个"快、准、免费、能自己部署"的方案，等太久了。

现在有了。

阿里达摩院 ModelScope 团队的 FunASR，一个开源语音识别工具包——GPU 上跑到 170 倍实时速度，CPU 上 17 倍，比 Whisper 用 GPU 还快。带说话人分离、自动标点、情绪识别，全部内置，GitHub 已经 18K star。

更关键的是：一句代码，全搞定。

这东西到底是什么来头？

FunASR 的全称是 A Fundamental End-to-End Speech Recognition Toolkit，阿里达摩院语音团队做的，2023 年发在语音顶会 INTERSPEECH 上。但真正让它出圈的是 2024-2025 年的一系列更新——SenseVoice 模型上线、31 语言支持、vLLM 推理加速、OpenAI 兼容 API，再到最近的 MCP Server 集成，一步比一步实用。

它本质上是一套"模型 + 工具链"：你给它音频，它给你带说话人标签、时间戳、标点和情绪的文本。不需要先切句、不需要单独跑 VAD、不需要另外装说话人分离工具。

和 Whisper 比，差了多少？

官方 benchmark 跑了 184 个长音频，总共 192 分钟的材料：

SenseVoice-Small（234M 参数）GPU 上 170x 实时速度，CPU 上 17x。作为对比，Whisper-large-v3 在 GPU 上只有 13x，CPU 根本跑不动。

Paraformer-Large（220M 参数）120x GPU / 15x CPU，是 Whisper 的 9 倍。

就连带 LLM 解码器的 Fun-ASR-Nano（800M 参数、31 语言）也能跑到 17x GPU / 3.6x CPU——比 Whisper-large-v3 还快 30%。

一句话：以前"自己部署一套靠谱的语音识别"需要 GPU 服务器，现在一台普通电脑就能跑。

第一次上手：3 步把它跑起来

好，说完了"它有多好"，说"怎么用"。这章的承诺是：你按着操作一遍，能成功。

第 1 步：装 Python 依赖

这一步的目的是准备好运行环境。FunASR 需要 Python 3.8 及以上，PyTorch 和 torchaudio 必须先装。

先装 PyTorch（去 pytorch.org 选你电脑对应的版本），然后：

pip install torch torchaudio
pip install funasr

两行命令，装完就能用。

装完之后，验证一下：

python -c "import funasr; print(funasr.__version__)"

看到版本号就说明第 1 步完成了。这一步做完，下一步才能加载模型。

第 2 步：选模型，跑第一段音频

这一步的目的：选一个适合你场景的模型，用一段示例音频验证整个流程能跑通。

推荐从 SenseVoiceSmall 开始——234M 参数，支持中英日韩粤语，速度快，自带情绪识别。日常会议记录、视频字幕完全够用。

from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess
model = AutoModel(
    model="iic/SenseVoiceSmall",
    vad_model="fsmn-vad",
    spk_model="cam++",
    device="cuda"# 没有 GPU 改成 "cpu"
)
result = model.generate(
    input="https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/asr_example_zh.wav"
)
for seg in result[0]["sentence_info"]:
    print(f"[{seg['start']/1000:.1f}s] Speaker {seg['spk']}: {rich_transcription_postprocess(seg['sentence'])}")

输出长这样：

[0.6s] Speaker 0: 欢迎大家来体验达摩院推出的语音识别模型

这就跑通了。一句 model.generate() 替你完成了 VAD 切句、语音识别、标点、说话人分离——四件事一次搞定。

第 3 步：换自己的音频

把上面代码里的 input URL 换成你自己的音频文件路径：

result = model.generate(input="my_meeting.mp3")

支持 WAV、MP3、M4A、FLAC 等常见格式。如果音频有多个人说话，说话人分离和情绪识别会自动生效。

这步做完，你已经拥有了一套可以日常使用的语音转写工具。

配好之后，每次使用只需要做一件事：传音频路径给 model.generate()。

跑通之后，想切到更快的模型？试试 fun-asr-nano 配合 vLLM 加速——但先用默认的 SenseVoiceSmall 跑起来再说。

装好之后，日常怎么用

CLI 命令行：最简单的日常入口

如果你不想写 Python，命令行就够了：

# 基础转写
funasr meeting.wav
# 输出 JSON（供程序处理）
funasr meeting.wav --output-format json
# 直接出字幕文件
funasr meeting.wav --output-format srt --output-dir ./subs
# 带说话人标签 + 时间戳
funasr meeting.wav --spk --timestamps -f json
# 指定模型和语言
funasr meeting.wav --model paraformer --language zh
# 批量处理
funasr *.wav --output-format srt --output-dir ./output

--model 可选：sensevoice（默认）、paraformer、paraformer-en、fun-asr-nano。

三个进阶功能，知道就行

流式实时转写：边说话边出字，适合直播字幕。加载 paraformer-zh-streaming 模型，把音频流切成 600ms 的小块逐块送进去。配合 WebSocket 就能搭一套实时字幕系统。

情绪识别：用 emotion2vec_plus_large 模型，在转写的同时标出每句话的情绪——开心、生气、难过。适合客服质检、访谈分析。

部署成 API：一行命令起一个 OpenAI 兼容的 API 服务：

funasr-server --device cuda

然后任何支持 OpenAI API 的工具（LangChain、Dify、AutoGen）都能直接调，连 Claude 和 Cursor 都能通过 MCP Server 挂上去当语音转写工具用。

说实话，这会改变什么？

三个判断，直接说：

对个人用户：免费语音转写的门槛降到了"会装 Python"。以前你为了转个播客，要么开讯飞会员，要么付 API 费用——现在一个 pip install，数据全在自己机器上。

对小团队：内部会议记录、客服录音质检、视频字幕生成——这些场景找 SaaS 是一笔固定开支。现在一台闲置的 Linux 机器就能跑，CPU 都跑出 17x 实时。

对整个 ASR 生态：FunASR 把"免费 + 自部署 + 工业级精度 + 多语言 + 情绪/说话人"五个维度同时拉满。Whisper 做不到。MIT 协议意味着你甚至可以拿去改、做商业产品。

好，但也不全是好消息。

FunASR 的中文和东亚语言是强项——达摩院团队在中文数据上下了狠功夫。英文识别呢，Whisper 还是稳的，毕竟 OpenAI 的训练数据以英文为主。另外 Fun-ASR-Nano（31 语言、800M 参数）在纯 CPU 上 3.6x 实时——处理 1 小时音频大概要等 17 分钟，不算快，但能跑。

参考链接 [1] https://github.com/modelscope/FunASR [2] https://x.com/FakeMaidenMaker/status/2066871917022232683

点赞、转发、小心心 ❤️ 欢迎在评论区留下你的想法！

— 完 —

登录查看剩余 70% 内容