小白也能懂的Fun-ASR使用手册，手把手教你上手-程序员充电站

小白也能懂的Fun-ASR使用手册，手把手教你上手

1. 快速开始与环境准备

1.1 启动应用

Fun-ASR 是由钉钉联合通义实验室推出的语音识别大模型系统，内置 WebUI 界面，极大降低了使用门槛。对于初学者而言，只需一个脚本即可快速启动整个服务。

在终端中执行以下命令：

bash start_app.sh

该脚本会自动加载模型、初始化服务并启动基于 Gradio 的 Web 用户界面。首次运行时，若未下载模型，系统将自动从远程仓库拉取所需文件（如Fun-ASR-Nano-2512），请确保网络畅通。

1.2 访问地址

服务启动成功后，可通过以下地址访问 WebUI：

本地访问：http://localhost:7860
远程访问：http://服务器IP:7860

建议优先使用 Chrome 或 Edge 浏览器打开页面，以获得最佳兼容性和性能表现。若页面显示异常，请尝试强制刷新（Ctrl+F5）或清除缓存。

提示：如果远程无法访问，请检查防火墙设置是否开放了 7860 端口，并确认start_app.sh脚本中已配置允许外部连接（通常通过--server_name 0.0.0.0参数实现）。

2. 功能概览与核心模块解析

Fun-ASR WebUI 提供六大功能模块，覆盖从单文件识别到批量处理的全场景需求。以下是各模块的功能定位和适用场景：

功能	核心能力	推荐使用场景
语音识别	单音频文件转文字	会议录音、访谈整理
实时流式识别	麦克风实时转写	在线授课、即时记录
批量处理	多文件自动化识别	档案数字化、内容归档
识别历史	历史记录管理与检索	结果复用、参数对比
VAD 检测	语音片段分割	长音频预处理、静音过滤
系统设置	模型与设备配置	性能调优、资源管理

这些模块共同构成了一个完整的语音处理闭环：输入 → 分析 → 转写 → 存储 → 查询 → 导出。

3. 语音识别：基础功能详解

3.1 文件上传方式

Fun-ASR 支持两种音频输入方式：

上传本地文件：点击“上传音频文件”按钮，选择支持格式的音频（WAV、MP3、M4A、FLAC 等）
麦克风录音：点击麦克风图标，浏览器将请求权限进行实时录制

推荐使用高质量 WAV 格式音频以提升识别准确率。低比特率 MP3 或存在背景噪音的录音可能导致识别偏差。

3.2 关键参数配置

热词列表（Hotwords）

用于增强特定词汇的识别概率。例如，在客服场景中添加：

营业时间 退换货政策 技术支持电话

系统会在解码过程中对这些词语赋予更高权重，显著降低误识别率。

目标语言选择

当前支持：

中文（默认）
英文
日文

后续版本计划扩展至 31 种语言，满足多语种业务需求。

文本规整（ITN, Inverse Text Normalization）

开启后可将口语表达自动转换为书面形式：

口语原文	规整结果
二零二五年三月十五号	2025年3月15日
一千二百三十四块五毛	1234.5元
拨打幺八六一二三四五六七	拨打18612345678

建议保持启用状态，尤其适用于生成正式文档或报告。

3.3 开始识别与结果查看

点击“开始识别”按钮后，系统将加载模型并执行推理。识别完成后，页面将展示两个文本框：

识别结果：原始输出，保留口语化表达
规整后文本：经 ITN 处理的标准文本

用户可直接复制任一结果，也可点击“保存到历史”自动归档。

4. 实时流式识别：模拟在线转写体验

4.1 使用流程

尽管 Fun-ASR 模型本身不原生支持流式推理，但 WebUI 通过VAD + 分段识别的方式实现了近似实时的效果。

操作步骤如下：

允许浏览器访问麦克风
点击麦克风图标开始录音
对着设备清晰说话
录音结束后点击停止
点击“开始实时识别”

系统会利用 VAD 技术检测语音活动区间，切分为多个短片段并逐个识别，最终拼接成完整文本。

4.2 注意事项

⚠️ 此为实验性功能，延迟取决于硬件性能和音频长度。建议在 GPU 环境下使用以获得更流畅体验。

实际响应时间约为语音时长的 0.8~1.2 倍（即 1 分钟语音需 0.8~1.2 分钟处理）。CPU 模式下可能达到 2 倍以上耗时。

5. 批量处理：高效完成多文件任务

5.1 批量上传与参数统一设置

批量处理模块允许一次性导入多个音频文件，适用于需要集中处理大量录音的场景（如培训课程、客户回访等）。

上传方式包括：

多选文件上传
拖拽操作
文件夹级联导入（部分版本支持）

所有文件共用同一组参数：

目标语言
是否启用 ITN
热词列表

这保证了处理的一致性，避免人为遗漏配置。

5.2 处理进度监控

提交任务后，界面将显示实时进度条，包含：

当前处理文件名
已完成 / 总数
预估剩余时间（基于平均处理速度）

处理期间请勿关闭浏览器或中断服务进程，否则可能导致任务中断且无法恢复。

5.3 结果导出与格式选择

全部识别完成后，支持导出为以下格式：

CSV：适合 Excel 打开分析，包含文件名、时间戳、原始文本、规整文本等字段
JSON：便于程序读取和集成，结构清晰，支持嵌套元数据

导出文件可一键下载，方便归档或进一步加工。

建议：每批次控制在 50 个文件以内，避免内存溢出；大文件建议提前分割。

6. 识别历史：你的语音记忆库

6.1 数据持久化机制

Fun-ASR 的“识别历史”模块采用 SQLite 作为本地数据库，路径为webui/data/history.db。每次识别完成，关键信息均会被结构化存储：

CREATE TABLE IF NOT EXISTS recognition_history ( id INTEGER PRIMARY KEY AUTOINCREMENT, timestamp TEXT NOT NULL, filename TEXT NOT NULL, filepath TEXT, language TEXT, hotwords TEXT, itn_enabled BOOLEAN, raw_text TEXT, normalized_text TEXT );

这意味着即使重启系统，所有历史记录依然可用。

6.2 搜索与管理功能

查看最近 100 条记录：默认加载，防止页面卡顿
关键词搜索：支持在文件名、原始文本、规整文本中模糊匹配
查看详情：输入 ID 查看完整记录，包括参数配置
删除单条记录：输入 ID 并确认删除
清空所有记录：⚠️ 不可逆操作，请谨慎使用

前端通过 JavaScript 实现内存级过滤，搜索响应毫秒级完成，无需频繁请求后端。

7. VAD 检测：智能语音片段提取

7.1 功能价值

Voice Activity Detection（语音活动检测）可用于：

自动跳过静音段落
切分长录音为独立语句
提高后续识别效率

特别适用于讲座、访谈等含有长时间停顿的音频。

7.2 参数设置说明

最大单段时长（单位：毫秒）：

范围：1000 ~ 60000 ms（1~60秒）
默认值：30000 ms（30秒）

当检测到连续语音超过设定阈值时，系统将强制切分，防止片段过长影响识别质量。

7.3 输出结果示例

识别后将列出每个语音片段的：

起始时间（秒）
结束时间（秒）
持续时长
对应文本（若启用识别）

可用于生成字幕时间轴或制作摘要片段。

8. 系统设置：性能优化与资源调配

8.1 计算设备选择

设备类型	适用平台	性能表现
CUDA (GPU)	NVIDIA 显卡	最快，推荐首选
CPU	所有平台	通用但较慢
MPS	Apple Silicon Mac	macOS 下高效运行

系统默认“自动检测”，优先选用 GPU 加速。若出现显存不足错误，可手动切换至 CPU 模式。

8.2 模型与缓存管理

模型路径：显示当前加载模型的位置
批处理大小：默认为 1，增大可提升吞吐但增加显存占用
清理 GPU 缓存：释放显存，解决 OOM 问题
卸载模型：完全释放内存，用于低资源环境

建议定期点击“清理 GPU 缓存”，尤其是在长时间运行或多任务切换时。

9. 常见问题与解决方案

9.1 识别速度慢怎么办？

✅ 使用 GPU 模式（CUDA）
✅ 关闭其他占用显存的应用
✅ 减小音频采样率或时长
✅ 检查是否启用了不必要的 ITN 或热词

9.2 识别准确率不高？

✅ 确保音频清晰无杂音
✅ 添加领域相关热词
✅ 选择正确的目标语言
✅ 尝试重新编码为 WAV 格式

9.3 出现 CUDA out of memory 错误？

✅ 点击“清理 GPU 缓存”
✅ 重启应用释放资源
✅ 切换至 CPU 模式临时应对
✅ 减少批处理大小（batch size）

9.4 麦克风无法使用？

✅ 检查浏览器权限设置
✅ 使用 Chrome/Edge 浏览器
✅ 刷新页面重新授权
✅ 确认物理设备连接正常

9.5 如何提高批量处理效率？

✅ 分组处理同语言文件
✅ 预先准备好热词列表
✅ 使用 GPU 加速
✅ 避免同时运行多个实例

10. 总结

Fun-ASR 作为一款面向开发者和普通用户的轻量级语音识别工具，凭借其简洁的 WebUI 和强大的本地化能力，真正实现了“开箱即用”。无论是单次识别、实时转写，还是批量处理与历史追溯，它都提供了完整而稳定的解决方案。

本文从零开始介绍了 Fun-ASR 的六大核心功能，重点讲解了参数配置技巧、性能优化方法以及常见问题应对策略。即使是技术小白，也能按照指引快速上手并应用于实际工作场景。

更重要的是，Fun-ASR 不只是一个“说完就忘”的识别器，而是具备记忆能力的智能助手——通过 SQLite 实现的结果持久化、高效的前端搜索机制、灵活的导出选项，让它成为个人知识管理、企业内容归档的理想选择。

未来随着多语言支持的完善和流式识别的优化，Fun-ASR 有望在教育、医疗、客服等领域发挥更大价值。

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。