Fun-ASR-Nano深度评测

0. 研究背景

Fun-ASR-Nano-2512 是由阿里巴巴旗下的通义实验室开源的语音识别模型，通义实验室之前还开源了 SenseVoiceSmall 和 Paraformer 模型，这篇文章使用三种模型对多种方言，以及真实电话录音进行对比测试，在开源的数据集中评估的结果官方已经给出，这里使用自己的数据测试，不同的数据测试的字错率会不一样，这篇文章结果仅供大家参考，具体以你自己测试的结果为准。同时，还对比测试三种模型的转写速度以及转写时资源占用情况。

1. 推理代码

1.1 Fun-ASR-Nano 的推理代码

# !/usr/bin/env python# _*_ coding utf-8 _*_# @Time: 2025/12/15 20:18# @Author: Luke Ewin# @Blog: https://blog.lukeewin.topfrommodelimportFunASRNanoimporttimedefmain():model_dir="FunAudioLLM/Fun-ASR-Nano-2512"start_model=time.time()m,kwargs=FunASRNano.from_pretrained(model=model_dir,device="cpu")end_model=time.time()load_time_ms=(end_model-start_model)*1000print(f'加载模型Fun-ASR-Nano-2512耗时{load_time_ms:.2f}毫秒')m.eval()whileTrue:wav_path=input(f'输入音频路径')ifwav_path=='exit':breakstart=time.time()res=m.inference([wav_path],**kwargs)end=time.time()inference_time_ms=(end-start)*1000print(f'转写耗时：{inference_time_ms:.2f}毫秒')text=res[0][0]["text"]print(text)print(50*"-")if__name__=="__main__":main()

1.2 SenseVoiceSmall 推理代码

# !/usr/bin/env python# _*_ coding utf-8 _*_# @Time: 2025/11/8 23:53# @Author: Luke Ewin# @Blog: https://blog.lukeewin.topfromfunasrimportAutoModelfromfunasr.utils.postprocess_utilsimportrich_transcription_postprocessimporttime model_dir="iic/SenseVoiceSmall"start_model=time.time()model=AutoModel(model=model_dir,device="cpu",disable_update=True,disable_log=True,disable_pbar=True,)end_model=time.time()load_time_ms=(end_model-start_model)*1000print(f'加载模型SenseVoiceSmall耗时{load_time_ms:.2f}毫秒')whileTrue:audio=input("请输入要处理的音频：")ifaudio=='exit':exit(0)else:start=time.time()res=model.generate(input=audio,cache={},language="auto",use_itn=True,batch_size_s=60,)end=time.time()inference_time_ms=(end-start)*1000print(f'转写耗时：{inference_time_ms:.2f}毫秒')text=rich_transcription_postprocess(res[0]["text"])print(text)print(50*"-")

1.3 Paraformer 推理代码

这里使用的 Paraformer 是 seaco-paraformer

# !/usr/bin/env python# _*_ coding utf-8 _*_# @Time: 2025/12/10 21:51# @Author: Luke Ewin# @Blog: https://blog.lukeewin.topfromfunasrimportAutoModelimporttime start_model=time.time()model=AutoModel(model="paraformer-zh",disable_update=True,disable_log=True,disable_pbar=True,device="cpu")end_model=time.time()load_time_ms=(end_model-start_model)*1000print(f'加载模型paraformer-zh耗时{load_time_ms:.2f}毫秒')whileTrue:wav_path=input(f'输入音频路径')ifwav_path=='exit':exit(0)start=time.time()res=model.generate(input=wav_path,batch_size_s=300,hotword='魔搭')end=time.time()inference_time_ms=(end-start)*1000print(f'转写耗时：{inference_time_ms:.2f}毫秒')print(res)print(50*"-")

2. 测试环境

3. 方言识别测试

这里测试客家话，四川话，莆田话这三种方言的识别情况。

3.1 客家话

标注文本：

paraformer 测试结果如下：

可以看到转写的结果很不理想，全都是错误的。

SenseVoiceSmall 测试结果如下：

Fun-ASR-Nano 测试结果如下：

3.2 四川话

标注文本：

Paraformer 测试结果如下：

SenseVoiceSmall 测试结果如下：

Fun-ASR-Nano 测试结果如下：

3.3 莆田话

标注：

Paraformer 转写结果如下：

SenseVoiceSmall 转写结果如下：

Fun-ASR-Nano 转写结果如下：

4. 带噪音的录音转写测试

Paraformer 模型转写：

SenseVoiceSmall 模型转写：

Fun-ASR-Nano 模型转写：

这里发现一个问题，当输入长音频的时候，比如上面输入了11分钟多的音频，这个 Fun-ASR-Nano 的显存会涨很多，并且转写结束之后，不会恢复到之前的显存占用大小。并且这个输出的结果是完成不对的，如果使用的是 SenseVoiceSmall 则会进行截断，不会出现完全错误的结果，如果使用的 Paraformer 就会出现大量的重叠字。

5. 总结

6. 其它

Paraformer、SenseVoiceSmall、Fun-ASR-Nano 深度对比测试演示视频可以点击这观看。

基于 205 小时四川话数据集训练的 Paraformer 模型，可点击这里获取。

基于 2231 条客家话数据集训练的 SenseVoiceSmall 模型，可点击这里获取。