从0开始学语音识别：Fun-ASR零基础入门教程
你有没有过这样的经历：会议录音存了一堆，却找不到关键结论；采访音频转文字总出错，反复修改耗时又费力；客服对话要逐条听写，一天下来耳朵发胀、效率低下？别再靠手动听写了——今天带你用 Fun-ASR，真正把语音识别变成“开箱即用”的日常工具。
这不是一个需要配置环境、编译模型、调参调试的科研项目。它是一套已经打包好、点开就能用的语音识别系统，由钉钉与通义实验室联合推出，由开发者“科哥”亲手构建并持续优化。你不需要懂 PyTorch，不用装 CUDA 驱动，甚至不需要知道 ASR 是什么缩写——只要你会点鼠标、会传文件、会说话，就能上手。
本文就是为你写的。不讲模型结构，不画损失曲线，不列参数表格。只讲三件事：怎么装、怎么用、怎么不出错。从启动第一个页面，到批量处理一整月的会议录音，全程手把手，每一步都有截图逻辑、每一步都经实测验证。哪怕你昨天刚学会用浏览器，今天也能独立完成一次高质量语音转写。
准备好了吗？我们这就出发。
1. 三分钟启动：本地运行 Fun-ASR WebUI
Fun-ASR 不是云端服务，也不是需要注册账号的 SaaS 平台。它是一个完全本地部署的 Web 应用，所有语音数据都在你自己的电脑里处理，不上传、不联网、不依赖服务器——这对保护会议内容、客户访谈、内部培训等敏感信息至关重要。
1.1 启动前确认两件事
在敲命令之前，请先快速确认：
你的电脑有显卡吗？
如果是 NVIDIA 显卡（GTX 1050 及以上、RTX 系列），默认就能用 GPU 加速，识别快一倍以上；
如果是 Mac（M1/M2/M3 芯片）或普通笔记本（无独显），也完全没问题，CPU 模式稳定可用；
如果不确定，先按 CPU 模式启动，后面再进设置切换。你用的是什么系统？
Fun-ASR 支持 Windows（需 WSL2 或 PowerShell）、macOS 和主流 Linux 发行版（Ubuntu/Debian/CentOS）。本文以 Ubuntu 22.04 为例，Windows 用户只需将终端换成 PowerShell，操作逻辑完全一致。
1.2 一行命令启动应用
打开终端（Linux/macOS）或 PowerShell（Windows），进入 Fun-ASR 镜像解压后的根目录，执行：
bash start_app.sh你会看到类似这样的输出：
INFO: Loading model Fun-ASR-Nano-2512... INFO: Using device: cuda:0 (GPU mode) INFO: Starting Gradio WebUI on http://localhost:7860出现Starting Gradio WebUI就代表启动成功。
小贴士：如果卡在“Loading model”超过 90 秒
请检查磁盘空间是否充足（模型约占用 1.2GB）；
若使用 CPU 模式，可编辑start_app.sh，将--device cuda:0改为--device cpu；
Mac 用户若报错，尝试改用--device mps（Apple Silicon 专用加速）。
1.3 访问界面：本地与远程两种方式
- 本地使用：直接在浏览器中打开
http://localhost:7860 - 远程使用（如公司内网）：用另一台电脑访问
http://你的服务器IP:7860（例如http://192.168.1.100:7860）
首次打开页面会加载约 5–10 秒（前端资源加载），之后所有操作都极快。界面清爽直观，没有广告、没有弹窗、没有强制登录——只有六个功能入口，清清楚楚摆在你面前。
2. 六大功能全景图：每个按钮都解决一个真实问题
Fun-ASR WebUI 的设计哲学很朴素：一个功能，解决一类事。它没有花哨的仪表盘，也没有冗余的二级菜单。六个主功能模块，对应六种最常遇到的语音处理场景。我们先快速建立整体认知，再逐个深挖。
| 功能模块 | 一句话定位 | 适合谁用 | 举个真实例子 |
|---|---|---|---|
| 语音识别 | 单个音频文件转文字 | 所有人 | 把一段 5 分钟的客户电话录音变成可编辑文本 |
| 实时流式识别 | 对着麦克风边说边出字 | 做笔记、口述写作的人 | 开会时边听边记重点，不用暂停录音 |
| 批量处理 | 一次处理几十个音频 | 行政、HR、教研人员 | 整理一周 20 场部门例会录音，3 分钟全部转完 |
| 识别历史 | 查看、搜索、管理所有结果 | 所有长期使用者 | 找三个月前某次访谈中提到的“产品上线时间” |
| VAD 检测 | 自动切分长音频里的说话段 | 内容剪辑、播客制作人 | 把 2 小时讲座录音自动拆成 37 段有效发言 |
| 系统设置 | 控制速度、内存、语言偏好 | 进阶用户 | 把识别语言默认设为中文，关闭 ITN 规整 |
你会发现，这六个功能不是技术堆砌，而是从真实工作流中长出来的：
你先录一段音 → 识别它 → 多段就批量处理 → 结果存起来 → 需要时翻历史 → 长音频先用 VAD 切好 → 设置调顺手了就固定下来。
接下来，我们就从最常用、最基础的“语音识别”开始，一步步带你跑通全流程。
3. 语音识别实战：从上传到拿到结果，完整走一遍
这是你每天用得最多的功能。无论是一段微信语音、一段会议录音，还是一段采访视频提取的音频，都可以在这里一键转成文字。
3.1 上传音频：两种方式，任选其一
方式一：上传本地文件
点击「上传音频文件」区域，选择.wav、.mp3、.m4a或.flac格式文件。支持拖拽上传，也支持多选（但单次识别只处理一个文件，多文件请用“批量处理”）。方式二：直接录音
点击右下角麦克风图标 ▶，浏览器会请求麦克风权限。点击“允许”后，即可开始录音。最长支持 10 分钟（超时自动停止），录音结束后自动保存为临时文件供识别。
小白友好提示：
- MP3 文件兼容性最好，手机录音大多默认生成 MP3；
- WAV 音质最高，适合对准确率要求极高的场景（如法律口供）；
- 避免使用 AMR、OGG 等冷门格式，Fun-ASR 目前暂不支持。
3.2 关键参数设置：三个选项，决定识别质量上限
上传完成后，别急着点“开始识别”。这三个设置项，能帮你把识别准确率从“差不多”拉到“几乎不用改”。
热词列表：让专业词不再“读错”
很多识别不准，不是模型不行，而是它根本不知道你在说什么领域。比如你说“钉钉宜搭”，模型可能识别成“丁丁一搭”；说“Fun-ASR”，可能变成“饭阿斯尔”。
热词就是你的“术语词典”。在「热词列表」文本框中，每行填一个你常提的专有名词：
钉钉宜搭 Fun-ASR 通义千问 科哥 语音活动检测 VAD效果：模型会在识别时优先匹配这些词，大幅降低误识率。
注意：热词不区分大小写，但不要加标点、不要空格、不要用缩写（如“ASR”不如写全称“自动语音识别”）。
目标语言：选对语言，事半功倍
下拉菜单提供：中文、英文、日文（Fun-ASR 实际支持 31 种语言，WebUI 当前仅开放三种高频语种）。
- 中文：默认选项，适用于普通话、带轻微口音的南方/北方方言；
- 英文：适合纯英文会议、海外客户沟通；
- 日文：支持标准东京话，对关西腔识别稍弱（后续版本将增强）。
实测建议：如果你的音频是中英混杂（如“这个 feature 要下周上线”），请选择“中文”——Fun-ASR 对中英夹杂场景做了专项优化，比选英文识别效果更好。
启用文本规整（ITN）：让口语变书面语
这是最容易被忽略、却最提升可用性的开关。
开启后，模型会自动做这些转换：
- “一千二百三十四” → “1234”
- “二零二五年三月五号” → “2025年3月5日”
- “百分之二十” → “20%”
- “A B C” → “ABC”
推荐：始终开启。除非你明确需要保留口语化表达（如做语音学研究）。
3.3 开始识别 & 查看结果：两分钟见真章
点击「开始识别」按钮，进度条开始推进。根据音频长度和设备性能，一般 10 秒内出结果（GPU 模式下，1 分钟音频约耗时 3–5 秒）。
识别完成后，页面会显示两个结果框：
- 识别结果：原始识别文本，保留所有停顿、重复、语气词（如“那个…这个…然后…”）
- 规整后文本：启用 ITN 后的清洁版本，已去除冗余词、标准化数字与日期、合并短句
实操对比示例（一段 30 秒客服录音）：
识别结果：
“您好这里是钉钉客服请问有什么可以帮您嗯那个我们这边看到您的宜搭流程创建失败了原因是模板格式不正确建议您重新下载最新版模板再试一下谢谢”规整后文本：
“您好，这里是钉钉客服。请问有什么可以帮您？我们这边看到您的宜搭流程创建失败了，原因是模板格式不正确。建议您重新下载最新版模板再试一下。谢谢！”
你会发现，规整后文本已经接近可直接使用的文案，连标点和分段都基本合理——这才是真正省时间的地方。
4. 进阶用法：让 Fun-ASR 更懂你
当你熟悉基础操作后，下面这些技巧会让你的效率再上一个台阶。它们不难，但很多人第一次用就错过了。
4.1 实时流式识别：开会不暂停，边听边记录
这不是真正的“流式推理”（Fun-ASR 模型本身不原生支持），而是通过 VAD（语音活动检测）+ 快速分段识别模拟出的近实时体验。实测效果非常自然。
使用流程：
- 点击顶部导航栏「实时流式识别」
- 点击麦克风图标开始录音（同语音识别页）
- 说完一句，稍作停顿（0.5 秒以上），系统会自动切分并识别该段
- 识别结果实时出现在下方文本框，支持滚动查看
优势：无需等待整段说完，边说边出字，特别适合口述纪要、课堂笔记、创意头脑风暴。
注意：当前版本不支持“连续说话不断句”，需配合自然停顿使用；背景噪音较大时建议关闭此功能，改用“语音识别”上传降噪后音频。
4.2 批量处理：一次搞定 50 个音频，告别重复劳动
行政同事整理周会录音、老师处理学生答辩音频、运营分析用户反馈语音——这些场景，单个识别太慢，“批量处理”就是为你而生。
操作四步走：
- 点击「批量处理」→「上传音频文件」，一次性选择多个文件（支持 Ctrl/Cmd 多选）
- 统一设置目标语言、ITN 开关、热词（所有文件共用同一套参数）
- 点击「开始批量处理」，进度条显示当前处理第几个、剩余几个
- 完成后，点击每条记录右侧的「查看」，即可看到识别结果；点击「导出」可下载 CSV（含文件名+原始文本+规整文本）或 JSON（含时间戳、参数等完整元数据）
实测数据：在 RTX 4060 笔记本上，批量处理 30 个平均 2 分钟的 MP3 文件，总耗时 2 分 18 秒，平均单个 4.6 秒。
提示：建议单批不超过 50 个文件；若文件普遍大于 10MB，可先用 Audacity 等工具压缩为 64kbps MP3，识别质量几乎无损，处理速度提升 40%。
4.3 VAD 检测：给长音频做“智能断句”，剪辑效率翻倍
一段 90 分钟的专家讲座录音，真正说话时间可能只有 45 分钟，其余全是翻页声、咳嗽、观众提问间隙。手动剪掉静音？太耗时。VAD 就是来干这个的。
操作很简单：
- 上传长音频（支持所有常规格式）
- 设置「最大单段时长」（推荐 30000ms = 30 秒，避免单段过长影响识别精度）
- 点击「开始 VAD 检测」
几秒后，你会看到清晰的分段列表：
- 片段 1：00:02:15 – 00:08:42（6分27秒）
- 片段 2：00:09:10 – 00:15:33（6分23秒）
- ……
你可以直接点击某一片段右侧的「识别」按钮，对该段单独进行高精度识别；
也可以点击「导出片段」，把所有语音段分别保存为独立 WAV 文件，供剪辑软件进一步处理。
这相当于给你的音频加了一个“智能目录”，从此告别盲目拖进度条。
5. 识别历史：你的语音转写“记忆中枢”
很多人用完就关页面，结果第二天要找某段内容，只能重跑一遍。Fun-ASR 的「识别历史」模块，就是专门解决这个问题的——它不只存结果，更存上下文。
5.1 默认展示：最近 100 条，一目了然
每次识别完成后，系统自动记录以下信息：
- 时间戳（精确到秒）
- 原始文件名（如
20250412_产品评审会.mp3） - 使用的语言、热词、ITN 设置
- 原始识别文本 + 规整后文本
- （可选）VAD 分段信息（如启用）
所有记录存在本地 SQLite 数据库中，路径为webui/data/history.db——这是一个单文件数据库，安全、轻量、跨平台，重启电脑也不会丢。
5.2 搜索功能：3 秒找到你要的那句话
在历史页顶部搜索框输入关键词，比如“预算”，系统会立刻过滤出所有文件名或识别结果中包含“预算”的记录。支持模糊匹配、中英文混合搜索。
实测：在已有 87 条记录的数据库中，输入“Q3”后，0.12 秒内返回 3 条结果，包括“Q3上线计划”“Q3营收目标”“Q3市场投放”。
小技巧：搜索时不必输全，输入“营收”“投放”“上线”任意一个词，都能命中相关记录。
5.3 删除与清理：隐私可控，空间可管
- 删单条：输入记录 ID（每条记录左侧有编号），点击「删除选中记录」，二次确认后立即清除；
- 清空全部：点击「清空所有记录」， 弹窗警示后执行物理删除（不可恢复）；
- 定期备份：复制
history.db文件到其他位置，就是最简单的备份方式。
为什么推荐定期清理？
一条 30 分钟会议录音，规整后文本约 8000 字，SQLite 存储约占用 120KB。1000 条就是 120MB。虽然不大，但对 SSD 寿命和系统响应都是隐性消耗。每月清一次，保持轻盈。
6. 系统设置：调教属于你的识别节奏
最后来到「系统设置」页。这里不涉及复杂参数，只有四个真正影响体验的选项：
6.1 计算设备：GPU / CPU / MPS，一键切换
- 自动检测：推荐新手首选，系统会根据硬件自动选择最优模式；
- CUDA (GPU)：NVIDIA 显卡用户必选，速度提升 1.5–2 倍；
- CPU：无独显用户安心之选，稳定不崩溃；
- MPS：Mac M 系列芯片专属，利用神经引擎加速，功耗低、发热小。
切换后无需重启，点击「保存设置」即刻生效。
6.2 性能微调：两处设置，平衡速度与精度
- 批处理大小：默认为 1（单次处理一个音频），想提速可设为 2（需显存 ≥ 8GB）；
- 最大长度：控制模型处理的上下文长度，默认 512，足够覆盖 99% 的日常音频；若处理超长学术报告，可调至 1024（内存占用略增）。
6.3 缓存管理：释放压力，保持流畅
- 「清理 GPU 缓存」：识别卡顿时点一下，立竿见影；
- 「卸载模型」：彻底释放显存，适合识别完想运行其他 AI 工具时使用。
7. 常见问题快速排障指南
遇到问题别慌，90% 的情况在这就能解决：
Q：识别速度慢，等得不耐烦？
先检查右上角设备状态是否显示cuda:0；
若显示cpu，进「系统设置」切换为 GPU；
若仍慢，尝试把音频转为 16kHz 单声道 MP3（用 FFmpeg 一行命令：ffmpeg -i input.wav -ar 16000 -ac 1 output.mp3）。
Q：识别结果错得离谱，比如“钉钉”变“丁丁”？
立刻添加热词：“钉钉”；
检查目标语言是否误选为英文；
用耳机重录一遍，避免外放录音引入回声。
Q：麦克风没反应，点不动？
Chrome/Edge 浏览器 → 地址栏左侧点击锁形图标 → 将“麦克风”设为“允许”；
重启浏览器，或尝试隐身窗口；
Windows 用户检查“声音设置 → 输入设备”是否选对麦克风。
Q：批量处理中途卡住？
关闭其他占用显存的程序（如 Photoshop、Stable Diffusion）；
在「系统设置」中点击「清理 GPU 缓存」；
改用 CPU 模式重试（稳定性更高）。
Q：历史记录里找不到昨天的识别？
检查是否误点了「清空所有记录」；
确认是否在不同浏览器中操作（历史记录不跨浏览器同步）；
查看webui/data/history.db文件修改时间，确认是否被杀毒软件误删。
8. 总结：你已经掌握了语音识别的核心能力
回顾这一路，你完成了：
- 从零启动 Fun-ASR，无需任何编程基础；
- 独立完成单个音频识别，理解热词、ITN、语言设置的实际作用；
- 上手实时识别、批量处理、VAD 检测三大进阶功能；
- 学会用识别历史精准追溯、搜索、管理所有结果；
- 掌握系统设置，让 Fun-ASR 完全适配你的硬件与习惯。
你获得的不仅是一个工具，更是一种工作方式的升级：
当别人还在听 30 分钟录音找重点时，你已把全文转好、标好关键词、导出为 Markdown；
当别人为会议纪要加班到晚上，你已喝着咖啡看着自动生成的要点清单；
当别人担心语音数据泄露，你清楚知道所有文件从未离开你的硬盘。
Fun-ASR 的价值，从来不在参数有多炫，而在它足够“老实”——不耍花招、不设门槛、不偷数据、不骗点击。它就像一把磨得锋利的剪刀，不告诉你金属成分，只让你剪得更快、更准、更省力。
现在，你的第一份语音转写已经完成。接下来，是把它用在你最需要的地方。
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。
