FunASR语音识别全攻略｜Docker部署与WebUI实时录音识别-程序员充电站

FunASR语音识别全攻略｜Docker部署与WebUI实时录音识别

1. 技术背景与应用场景

随着语音交互技术的快速发展，自动语音识别（ASR）已成为智能客服、会议记录、字幕生成等场景的核心能力。FunASR 是由 ModelScope 推出的开源语音识别工具包，支持离线部署、高精度识别和多语言处理，广泛应用于企业级语音处理系统。

本文将围绕“FunASR 语音识别基于 speech_ngram_lm_zh-cn 二次开发构建 by 科哥”这一镜像版本，详细介绍如何通过 Docker 快速部署 FunASR WebUI，并实现上传音频识别与浏览器端实时录音识别两大核心功能。

本方案优势：

✅ 支持中文为主、多语种混合识别
✅ 提供图形化界面（WebUI），降低使用门槛
✅ 支持 GPU 加速推理（CUDA）
✅ 可导出文本、JSON、SRT 字幕等多种格式结果
✅ 开箱即用，适合开发者快速集成验证

2. 环境准备与Docker部署

2.1 前置依赖

在开始部署前，请确保服务器满足以下条件：

项目	要求
操作系统	Linux（Ubuntu/CentOS 推荐）或 macOS
Docker	已安装并运行（建议 ≥ v20.10）
显卡驱动（可选）	NVIDIA 驱动 + CUDA Toolkit（用于 GPU 推理）
内存	≥ 8GB（推荐 16GB）
存储空间	≥ 10GB（含模型缓存）

注意：若无独立显卡，可选择 CPU 模式运行，但识别速度会显著下降。

2.2 拉取并启动Docker镜像

执行以下命令拉取科哥定制版 FunASR 镜像（已集成speech_ngram_lm_zh-cn中文语言模型）：

# 拉取镜像 sudo docker pull registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr:funasr-runtime-sdk-cpu-0.4.6 # 创建本地模型挂载目录 mkdir -p ./funasr-runtime-resources/models # 启动容器（映射端口7860用于WebUI） sudo docker run -p 7860:7860 -p 10095:10095 \ -it --privileged=true \ -v $PWD/funasr-runtime-resources/models:/workspace/models \ registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr:funasr-runtime-sdk-cpu-0.4.6

说明：
-p 7860:7860：WebUI 访问端口
-p 10095:10095：WebSocket 服务端口（用于实时流式识别）
-v参数实现了模型文件持久化存储，避免重复下载

2.3 启动WebUI服务

进入容器后，切换到项目路径并启动 WebUI 主程序：

cd /workspace/FunASR/runtime/webui/ python app.main.py --host 0.0.0.0 --port 7860 --model_dir damo/speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-onnx

常见启动参数说明：

参数	说明
`--host 0.0.0.0`	允许外部访问
`--port`	自定义 WebUI 端口
`--model_dir`	指定主 ASR 模型路径
`--vad_dir`	语音活动检测模型
`--punc_dir`	标点恢复模型
`--lm_dir`	N-gram 语言模型（如`speech_ngram_lm_zh-cn`）
`--certfile 0`	关闭 SSL 安全认证（调试时建议关闭）

成功启动后，终端输出类似日志：

INFO: Uvicorn running on http://0.0.0.0:7860 INFO: Application startup complete.

此时可通过浏览器访问服务。

3. WebUI使用详解

3.1 访问地址

启动成功后，在浏览器中打开：

http://localhost:7860

或从远程设备访问：

http://<服务器IP>:7860

首次加载可能需要等待模型初始化完成（约1~2分钟）。

3.2 界面功能解析

头部区域

标题：FunASR 语音识别 WebUI
描述：基于 FunASR 的中文语音识别系统
版权信息：webUI二次开发 by 科哥 | 微信：312088415

控制面板（左侧）

模型选择

Paraformer-Large：大模型，识别准确率高，适合高质量录音
SenseVoice-Small：轻量模型，响应快，适合低延迟场景（默认）

设备选择

CUDA：启用 GPU 加速（需有 NVIDIA 显卡）
CPU：通用模式，兼容性好但速度较慢

⚠️ 若未正确安装 CUDA 驱动，选择 CUDA 将导致模型加载失败。

功能开关

功能	作用
启用标点恢复 (PUNC)	自动为识别结果添加句号、逗号等标点
启用语音活动检测 (VAD)	自动切分静音段，提升长音频处理效率
输出时间戳	返回每个词/句的时间区间，便于后期编辑

操作按钮

加载模型：手动触发模型加载或重新加载
刷新：更新当前状态显示

4. 两种识别方式实战

4.1 方式一：上传音频文件识别

支持格式

FunASR 支持多种主流音频格式：

WAV (.wav)
MP3 (.mp3)
M4A (.m4a)
FLAC (.flac)
OGG (.ogg)
PCM (.pcm)

推荐采样率：16kHz，单声道，PCM 编码效果最佳。

操作步骤

在 “ASR 语音识别” 区域点击“上传音频”
选择本地音频文件（建议 ≤ 100MB）
设置识别参数：
- 批量大小（秒）：默认 300 秒（5 分钟），最长支持 600 秒
- 识别语言：
  - auto：自动检测（推荐）
  - zh：强制中文识别
  - en：英文
  - yue：粤语
  - ja：日语
  - ko：韩语
点击“开始识别”

结果查看

识别完成后，结果展示在下方三个标签页中：

标签页	内容说明
文本结果	纯文本内容，支持一键复制
详细信息	JSON 格式完整数据，包含置信度、时间戳等元信息
时间戳	每个句子的起止时间，格式`[序号] 开始时间 - 结束时间 (时长)`

4.2 方式二：浏览器实时录音识别

使用流程

点击“麦克风录音”按钮
浏览器弹出权限请求 → 点击“允许”
对着麦克风清晰说话
点击“停止录音”
点击“开始识别”

✅ 实时录音功能基于浏览器 MediaRecorder API 实现，无需额外插件。

注意事项

录音前请检查系统麦克风是否正常工作
建议在安静环境下录音以提高识别准确率
若出现“无声音输入”，请确认浏览器已获得麦克风权限

5. 识别结果导出与高级配置

5.1 下载识别结果

识别完成后，提供三种格式下载：

按钮	文件格式	适用场景
下载文本	`.txt`	直接复制粘贴使用
下载 JSON	`.json`	程序解析、二次加工
下载 SRT	`.srt`	视频字幕嵌入、剪辑定位

所有输出文件保存于容器内目录：

outputs/outputs_YYYYMMDDHHMMSS/

例如一次识别生成如下结构：

outputs/outputs_20260104123456/ ├── audio_001.wav # 原始音频副本 ├── result_001.json # JSON 格式结果 ├── text_001.txt # 纯文本结果 └── subtitle_001.srt # SRT 字幕文件

该目录也映射至宿主机./funasr-runtime-resources/outputs/，方便后续提取。

5.2 高级功能设置

批量大小调整

默认值：300 秒（5 分钟）
可调范围：60 ~ 600 秒
应用场景：控制内存占用，防止超长音频 OOM

语言识别策略

场景	推荐设置
纯中文内容	`zh`
英文讲座	`en`
中英混合对话	`auto`
粤语访谈	`yue`

选择匹配的语言可显著提升识别准确率。

时间戳输出

启用后可在结果中获取每句话的精确时间位置，适用于：

自动生成视频字幕
会议纪要时间定位
教学音频重点标记

6. 性能优化与问题排查

6.1 提升识别准确率技巧

方法	说明
使用高质量音频	推荐 16kHz、16bit、单声道 WAV
减少背景噪音	可预先进行降噪处理
清晰发音	避免过快语速或模糊吐字
启用 PUNC 和 VAD	提升语义连贯性和断句准确性
添加热词	在`hotwords.txt`中配置专业术语（如“阿里巴巴 20”）

示例热词文件内容：

人工智能 30 深度学习 25 Transformer 20

热词权重建议 1~100，总数不超过 1000 条。

6.2 常见问题解决方案

问题	原因分析	解决方法
识别结果不准确	音频质量差或语言设置错误	更换清晰音频，设置正确语言
识别速度慢	使用 CPU 模式或模型过大	切换至 SenseVoice-Small 或启用 CUDA
无法上传文件	文件过大或格式不支持	转换为 MP3/WAV，控制在 100MB 内
录音无声	浏览器未授权或麦克风故障	检查权限设置，更换设备测试
输出乱码	编码异常或模型错配	重试识别，确认模型与语言一致

6.3 日志查看与服务管理

查看运行日志

# 进入容器查看日志 docker exec -it <container_id> tail -f /workspace/FunASR/runtime/log.txt

关键日志特征：

Model loaded successfully：模型加载成功
WebSocket connection established：客户端连接建立
Recognition result: ...：识别结果输出

停止服务

在终端按下Ctrl + C终止进程，或执行：

pkill -f "python.*app.main"

7. 总结

本文系统介绍了基于FunASR 语音识别 WebUI（科哥定制版）的完整部署与使用流程，涵盖以下核心内容：

Docker 快速部署：通过官方镜像一键拉取环境，结合本地挂载实现模型持久化。
WebUI 图形化操作：支持上传音频与浏览器实时录音两种识别方式，极大降低使用门槛。
多格式结果导出：支持 TXT、JSON、SRT 三种输出格式，满足文档整理、程序解析和视频字幕制作需求。
性能优化建议：从设备选择、模型切换到热词配置，提供了提升识别准确率和速度的实用技巧。
常见问题应对：针对识别不准、录音失败等问题给出可落地的排查方案。

该方案特别适用于：

企业内部会议转录
教学视频字幕生成
客服语音质检
个人语音笔记整理

未来可进一步拓展方向包括：

集成 SpringBoot 构建后端识别服务
结合 Whisper 模型做对比评测
开发批量处理脚本实现自动化流水线

FunASR 作为国产优秀的开源语音识别框架，配合 WebUI 界面后真正实现了“开箱即用”，是语音技术落地的理想起点。

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。