支持离线运行模式，无网络环境下依然可以完成识别任务
在远程会议成为常态、语音助手渗透日常的今天，我们几乎已经习惯了“说话即转文字”的便利。但你是否遇到过这样的场景：地下停车场信号全无，却急需记录一段工作口述；保密单位严禁数据外传，可会议纪要又必须精准生成；野外巡检设备无法联网，现场语音却需要实时转写——这些看似普通的诉求，在传统云端语音识别面前，却成了难以逾越的障碍。
正是在这样的现实痛点中，本地化语音识别系统迎来了真正的用武之地。Fun-ASR，由钉钉与通义实验室联合推出的轻量级语音大模型，正以“完全离线运行”为核心突破口，重新定义了语音识别的边界。它不仅能在没有一根网线的情况下完成高精度转写，还通过图形化界面让非技术人员也能轻松上手，真正实现了“开箱即用”的本地智能体验。
这套系统的底气，来自于其背后一整套为边缘计算深度优化的技术栈。从模型架构到语音检测，再到文本输出规整，每一个环节都围绕“低资源、高可用、强隐私”展开设计。
Fun-ASR 的核心是Fun-ASR-Nano-2512模型，一个专为本地部署打造的端到端语音识别引擎。不同于传统ASR依赖声学模型、语言模型和发音词典三者拼接的复杂结构，它采用 Conformer 或 Transformer 编码器直接将原始音频波形映射为文本序列。这种简化不仅降低了推理延迟，也减少了模块间误差累积的风险。
整个处理流程全部在本地完成：输入音频先经预加重、分帧和短时傅里叶变换生成梅尔频谱图；随后由神经网络提取高层语义特征；再通过 CTC + Attention 联合解码机制逐字输出结果；最后可选启用 ITN 模块进行文本标准化。全程无需任何外部通信，哪怕拔掉网线、关掉Wi-Fi，系统依旧稳定运行。
更关键的是，这个模型足够“轻”。参数经过压缩优化后，可在消费级 GPU（如 NVIDIA GTX 3060）甚至高性能 CPU 上流畅运行，实测达到约 1x 实时速度——意味着你说1秒话，系统大约花1秒处理完，响应几乎无感。对于 Mac 用户，还能利用 Apple Silicon 的 MPS 架构实现硬件加速，进一步提升效率。
多语言支持也是亮点之一。目前可识别包括中文、英文、日文在内的31种语言，默认使用中文识别，适合跨国团队或双语内容处理场景。而热词增强功能则允许用户自定义关键词列表（如“项目立项”、“预算审批”），显著提升专业术语的识别准确率，这对法律、医疗、金融等垂直领域尤为重要。
当然，光有识别能力还不够。面对长达数小时的会议录音，如果把所有静音和噪音段都送进模型，不仅浪费算力，还会拖慢整体处理速度。这时候，VAD（Voice Activity Detection，语音活动检测）就派上了大用场。
VAD 的作用是自动切分音频中的有效语音片段，过滤掉空白或背景噪声。它基于 FSMN 结构训练而成，能以毫秒级精度判断每一小段音频是否包含人声。默认每30ms划分一个窗口，结合能量、频谱熵等特征做出分类决策，并将连续语音合并成完整区间。实测边界定位误差小于 ±100ms，足够满足大多数应用场景。
你可以通过 Python 接口手动调用这一能力：
from funasr import AutoModel model = AutoModel(model="speech_fsmn_vad_zh-cn-16k-common-pytorch") wav_file = "long_recording.wav" res = model.generate(input=wav_file, max_single_segment_time=30000) print(res) # 输出示例: [{'start': 1230, 'end': 5670}, {'start': 8900, 'end': 15200}]这段代码会返回音频中每个语音段的起止时间戳（单位：毫秒）。参数max_single_segment_time=30000表示单个语音段最长不超过30秒，防止因片段过长导致内存溢出。WebUI 界面已将其封装为可视化操作，上传文件后即可看到时间轴上的语音分布，便于人工复核。
有了干净的语音输入，下一步就是确保输出文本的专业性。毕竟，“二零二五年三月十五号”听起来自然，但写进正式文档时，我们需要的是“2025年3月15日”。这就是 ITN（Inverse Text Normalization，逆文本归一化）的价值所在。
ITN 是一个规则驱动的后处理模块，负责将口语化表达转换为标准书面格式。它能识别上下文语境，区分“房间号305”和“价格三百零五元”，并分别处理为数字形式。同时支持日期、货币、单位缩写（如“kg”→“千克”）等多种规范化任务，平均增加延迟不到50ms，几乎不影响用户体验。
在 WebUI 中只需勾选“启用文本规整”即可激活该功能，无需编写任何代码。配合热词列表一起使用，比如添加“营业时间”“客服电话”等高频业务术语，能让输出结果更贴合实际需求。
整套系统构建在一个闭环的本地推理架构之上：
[用户终端] ↓ (HTTP/WebSocket) [Web 浏览器] ←→ [FastAPI/Gradio 服务] ↓ [Fun-ASR 模型推理引擎] ↓ [VAD + ASR + ITN 流水线处理] ↓ [本地数据库 history.db 存储]所有组件均运行在同一台物理设备上，不依赖任何外部服务。历史记录保存在webui/data/history.db文件中，即使断电重启也能恢复查看。这种设计彻底规避了数据泄露风险，特别适用于政府、军工、医疗等对信息安全要求极高的行业。
以批量处理会议录音为例，典型工作流如下：
1. 访问http://localhost:7860进入 WebUI；
2. 在【批量处理】模块上传多个.mp3文件；
3. 设置语言为中文，启用 ITN 和热词；
4. 点击“开始处理”，系统自动执行 VAD 分割 → 语音识别 → 文本规整 → 结果存储；
5. 完成后导出 CSV 报告，供后续归档或分析。
整个过程无人值守，效率远超人工听写。更重要的是，它解决了几个长期困扰行业的痛点：
| 实际问题 | Fun-ASR 解决方案 |
|---|---|
| 会议转写成本高 | 批量自动化处理，节省大量人力 |
| 敏感信息外泄 | 数据始终留在本地，不出内网 |
| 网络盲区无法使用 | 完全离线运行，适应各种环境 |
| 专业词汇识别差 | 热词定制提升关键术语准确率 |
| 输出格式不统一 | ITN 自动规整为标准文本 |
为了充分发挥性能，也有一些实践建议值得参考：
-硬件选择：推荐配备 NVIDIA GPU（显存 ≥6GB）的主机；Mac 用户优先启用 MPS 加速；纯 CPU 场景建议内存 ≥16GB。
-批处理策略：每批次控制在50个文件以内，避免内存压力过大；超长录音建议先用 VAD 切分再识别。
-资源管理：定期点击“清理 GPU 缓存”释放显存；长时间不使用时可卸载模型以节省资源。
-数据备份：history.db是唯一的历史存储文件，建议定期复制备份，防止意外丢失。
启动方式极为简单，一条命令即可拉起整个服务：
bash start_app.sh该脚本会自动检测可用设备（CUDA/MPS/CPU），加载模型权重，并在端口7860启动 Web 服务。无需修改配置，真正做到“一键部署”。
回望过去几年，AI 大模型的发展重心一度集中在云端算力和规模扩张上。但随着边缘计算兴起和隐私意识增强，越来越多的应用开始呼唤“本地智能”。Fun-ASR 正是在这一趋势下的产物——它不追求千亿参数的炫技，而是专注于解决真实世界的问题：如何在资源受限、网络缺失、安全敏感的环境中，依然提供可靠、高效、易用的语音识别能力。
它的意义不止于技术实现，更在于推动 AI 的“平权化”。当一线员工不需要懂代码、不用申请API密钥、不必担心数据合规问题，就能独立完成高质量语音转写时，智能化才真正落地生根。
未来，随着更多轻量化大模型涌现，类似 Fun-ASR 的本地化系统将成为主流。而在今天，我们已经可以通过这样一个开源友好的项目，迈出智能化升级的第一步——无需等待云服务覆盖每一个角落，智能就在你手中，随时可用。
