如何全面掌握开源语音识别FunASR入门知识？

1 前言 1.1 简介 在人工智能的浪潮中，自动语音识别（Automatic Speech Recognition, ASR）技术已成为连接人机交互、赋能各行各业的关键桥梁。从智能客服、会议纪要到实时字幕、车载助手，ASR的应用场景日益丰富，对识别的准确率、实时性和部署便捷性也提出了前所未有的高要求。在这样的背景下，FunASR应运而生。FunASR是由阿里巴巴达摩院语音实验室倾力打造，依托于ModelScope（魔搭）开源社区，面向开发者和企业的新一代工业级语音识别开源工具套件。作为一个基础语音识别工具包，它提供多种功能，包括语音识别（ASR）、语音端点检测（VAD）、标点恢复、语言模型、说话人验证、说话人分离和多人对话语音识别等。FunASR还提供了便捷的脚本和教程，支持预训练好的模型的推理与微调。 1.2 环境准备与安装 1. 准备环境 这里使用Conda创建虚拟环境来安装FunASR及其依赖，这可以有效避免与系统中已有的Python库产生版本冲突，保证项目的纯净和可复现性。官网推荐如下安装环境： python>=3.8 torch>=1.13 torchaudio 这里沿用之前安装Whisper时的python版本3.10，使用如下命令创建并激活python环境： conda create -n funasr python=3.10 conda activate funasr 为了更好利用GPU这里使用显卡版本torch库，CUDA驱动如下： 根据环境信息去PyTorch官网获取安装命令，如图所示 官网上也有提示最新版本PyTorch需要Python 3.9及以上版本，所以之前安装的python 3.10是满足要求的，开源项目最头疼的问题就是各种库版本依赖，所以进行安装时尤其要提前考虑各个库版本可能存在的冲突问题，这里在官网命令中增加torchaudio，一并进行安装： pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128 安装需要下载3个多G数据，需耐心等待，安装完成后各个库版本如下所示： 2. 安装FunASR 1）pip安装 pip3 install -U funasr 2）源码安装 git clone https://github.com/modelscope/FunASR.git && cd FunASR pip3 install -e ./ 这里的-e参数代表“editable”（可编辑），它不会将代码复制到Python的site-packages目录，而是创建一个链接，这意味着对本地FunASR源码所做的任何修改，都会立刻在当前环境中生效，无需重新安装，这对于开发和调试极为便利。之后还可以按照官方建议安装以下两个库，以方便下载、上传和管理模型、数据集等资源。 pip3 install -U modelscope huggingface_hub 安装完成后，会在相应的conda环境目录下产生funasr相关可执行工具，在安装成功后运行funasr时，如果提示为找见funasr命令，可以尝试对当前funasr环境deactivate，然后再重新activate。 可以下载官网提供的示例音频，然后运行相应的命令检查funasr是否安装成功。 命令各部分解析如下： funasr：是FunASR工具包的主程序入口，用于启动语音识别相关的推理流程。 ++model=paraformer-zh：指定使用的语音识别模型为paraformer-zh（达摩院开发的中文 Paraformer 模型），负责将音频中的语音转换为文本。Paraformer是高效的非自回归模型，支持实时语音识别，中文识别准确率高。 ++vad_model="fsmn-vad"：指定语音活动检测模型为fsmn-vad，用于检测音频中“有语音”和“无语音”的片段，实现自动断句或去除静音，避免将静音部分误识别为文本，提升识别结果的连贯性。 ++punc_model="ct-punc"：指定标点预测模型为ct-punc，用于给识别出的文本自动添加标点符号（逗号、句号、问号等），解决语音识别默认输出无标点的问题，让文本更易读。 ++input=asr_example_zh.wav：指定输入的音频文件路径为asr_example_zh.wav（需是中文语音的语音文件）。