5分钟部署Fun-ASR，钉钉通义语音识别系统一键搭建-程序员充电站

5分钟部署Fun-ASR，钉钉通义语音识别系统一键搭建

你是否还在为会议录音转文字效率低而头疼？
有没有一种方式，能像用Word一样简单地把一段音频“变成”可编辑的文字？
更重要的是——整个过程数据不离本地，安全可控。

答案是：有。而且现在只需要5分钟，就能在自己的服务器上搭起一套企业级语音识别系统。

今天要介绍的主角，就是由钉钉与通义联合推出的Fun-ASR WebUI——一个集高精度识别、图形化操作、批量处理于一体的本地化语音识别解决方案。它不仅支持中文、英文、日文等31种语言，还能通过热词增强和文本规整（ITN）大幅提升专业场景下的准确率。

最关键的是：无需编程基础，一键启动，全员可用。

本文将带你从零开始，完成 Fun-ASR 的快速部署、远程访问配置以及实际使用技巧，让你真正实现“一人部署，全组受益”。

1. 为什么选择 Fun-ASR？

在云服务盛行的今天，为什么还要自己搭语音识别系统？

三个字：稳、快、安。

稳：专为企业协作设计

传统ASR接口依赖网络调用，一旦服务商限流或宕机，你的工作流程就卡住了。而 Fun-ASR 完全运行在本地，只要服务器在线，服务就永远在线。

快：GPU加速，1小时音频6分钟搞定

实测在RTX 3060显卡环境下，1小时中文录音仅需约6分钟即可完成识别，速度接近实时播放的10倍。相比CPU模式提升显著。

安：数据不出内网，合规无忧

客户访谈、内部会议、医疗问诊……这些敏感语音绝不该上传到第三方平台。本地部署意味着所有数据都掌握在自己手中。

再加上 Gradio 打造的直观界面，非技术人员也能轻松上传文件、查看结果、导出记录，真正做到了“开箱即用”。

2. 部署前准备

硬件建议

组件	推荐配置
CPU	Intel i5 或以上
内存	16GB 起
显卡	NVIDIA GPU（显存 ≥8GB），如 RTX 3060/4070
存储	50GB 可用空间（含模型缓存）

💡 若无GPU，也可使用CPU模式运行，但识别速度会明显下降。

软件环境

操作系统：Ubuntu 20.04 / 22.04（推荐）
Python 3.9+
FFmpeg（用于音频格式转换）
Git

确保服务器已联网，并具备基本开发工具链：

sudo apt update && sudo apt install git ffmpeg python3-pip -y

3. 一键部署全流程

3.1 克隆项目并安装依赖

首先拉取官方仓库中的 WebUI 模块：

git clone https://github.com/alibaba-damo-academy/FunASR.git cd FunASR/webui

创建虚拟环境以隔离依赖（推荐）：

python3 -m venv venv source venv/bin/activate

安装核心库，注意根据CUDA版本选择对应PyTorch：

pip install --upgrade pip pip install funasr gradio torch torchaudio --extra-index-url https://download.pytorch.org/whl/cu118

✅ 支持 CUDA 11.8，适用于大多数现代NVIDIA显卡。若使用其他版本，请参考 PyTorch 官网调整命令。

3.2 启动应用

项目自带启动脚本，直接运行即可：

bash start_app.sh

你会看到类似输出：

Model loaded successfully. Running on local URL: http://127.0.0.1:7860 Running on public URL: http://<your-server-ip>:7860

此时服务已在后台启动，监听7860端口。

4. 如何让团队成员都能访问？

默认情况下，Fun-ASR 只允许本机访问。要想让同事也能用，必须做两件事：

4.1 修改绑定地址

打开app.py文件，找到launch()方法，确认参数如下：

demo.launch( server_name="0.0.0.0", # 关键！允许外部访问 server_port=7860, share=False )

server_name="0.0.0.0"是关键，表示监听所有网络接口。

4.2 开放防火墙端口

Ubuntu 用户使用 ufw 命令放行端口：

sudo ufw allow 7860

如果是阿里云、腾讯云、AWS 等公有云服务器，还需登录控制台，在安全组规则中添加入站策略，允许 TCP 7860 端口。

完成后，任何人在浏览器输入http://<服务器IP>:7860即可访问系统。

5. 核心功能实战指南

5.1 单文件语音识别

这是最常用的功能，适合处理单个会议录音或采访片段。

使用步骤：

进入【语音识别】标签页
点击“上传音频文件”，支持 MP3、WAV、M4A、FLAC 等格式
（可选）填写热词列表，例如：
```
通义千问 钉钉文档 项目进度
```
选择目标语言（默认中文）
勾选“启用文本规整(ITN)”
点击“开始识别”

几秒后，原始识别结果和规整后文本将同时显示。

🎯 小贴士：ITN 功能会自动把“二零二五年”转成“2025年”，“一千二百三十四”变成“1234”，非常适合生成正式文档。

5.2 实时流式识别（实验性）

虽然 Fun-ASR 模型本身不支持流式推理，但 WebUI 提供了模拟方案。

操作流程：

点击麦克风图标授权浏览器录音权限
输入热词（如有）
点击“开始实时识别”
对着麦克风说话，系统会自动分段识别并拼接结果

⚠️ 注意：此功能基于 VAD 分段 + 快速识别实现，延迟约为1-2秒，适合轻量级对话转写，不建议用于高并发场景。

5.3 批量处理：效率翻倍的关键

当你有一堆录音需要处理时，手动一个个传显然太慢。这时就要用到【批量处理】功能。

实战建议：

一次上传不超过50个文件，避免内存溢出
所有文件统一语言设置
提前准备好通用热词列表
处理过程中不要关闭页面

处理完成后，可一键导出为 CSV 或 JSON 格式，方便后续分析统计。

📊 应用场景：客服录音质检、培训课程转写、科研语料标注。

5.4 VAD检测：智能切分长音频

面对长达数小时的会议录音，如何快速定位有效语音段？

VAD（Voice Activity Detection）功能帮你解决这个问题。

使用方法：

上传音频
设置“最大单段时长”（建议30秒）
点击“开始VAD检测”
查看分割时间点，如[00:01:23 - 00:02:15]

你可以将这些时间段作为剪辑标记，或配合批量识别进行分段转写。

5.5 查看与管理识别历史

所有识别记录都会自动保存在本地数据库中，路径为webui/data/history.db。

支持的操作：

搜索关键词查找特定内容
输入ID查看完整详情
删除单条或多条记录
清空全部历史（谨慎操作）

🔐 数据安全提示：定期备份history.db文件，防止误删重要记录。

6. 性能优化与常见问题

6.1 如何提升识别速度？

方法	效果说明
使用GPU	速度提升5-10倍
减小音频采样率	降低计算负载
分批处理大文件	避免内存占用过高
关闭ITN	微幅提速，牺牲部分可读性

在【系统设置】中选择CUDA (GPU)设备，确保nvidia-smi显示显存正常加载。

6.2 出现“CUDA out of memory”怎么办？

这是最常见的显存不足错误。

解决方案：

在设置中点击“清理GPU缓存”
重启服务释放资源
切换至CPU模式临时应急
减少并发任务数量

长期建议增加 swap 空间或升级显卡。

6.3 麦克风无法使用？

请检查以下几点：

浏览器是否允许麦克风权限（Chrome/Edge 最佳）
是否连接了物理麦克风
是否在私密网络下被拦截
尝试刷新页面重新授权

6.4 页面显示异常？

尝试以下操作：

强制刷新：Ctrl+F5（Windows）或 Cmd+Shift+R（Mac）
清除浏览器缓存
更换浏览器（推荐 Chrome）
调整窗口大小触发响应式布局

7. 生产环境进阶配置

7.1 使用 tmux 保持后台运行

SSH断开后进程终止？用tmux解决：

# 安装 tmux sudo apt install tmux -y # 创建后台会话 tmux new-session -d -s asr 'bash start_app.sh' # 查看日志 tmux attach-session -t asr

即使断网也不会中断服务。

7.2 注册为 systemd 服务（推荐）

更稳定的方式是注册为系统服务，实现开机自启。

创建服务文件：

sudo nano /etc/systemd/system/funasr-webui.service

写入以下内容：

[Unit] Description=Fun-ASR WebUI Service After=network.target [Service] ExecStart=/root/FunASR/webui/start_app.sh WorkingDirectory=/root/FunASR/webui User=root Restart=always Environment=PYTHONUNBUFFERED=1 Environment=CUDA_VISIBLE_DEVICES=0 [Install] WantedBy=multi-user.target

启用服务：

sudo systemctl daemon-reload sudo systemctl enable funasr-webui sudo systemctl start funasr-webui

从此告别手动维护。

7.3 添加反向代理与HTTPS（安全加固）

直接暴露7860端口存在风险。建议使用 Nginx + SSL 做反向代理。

示例配置：

server { listen 443 ssl; server_name asr.yourcompany.com; ssl_certificate /etc/nginx/certs/asr.crt; ssl_certificate_key /etc/nginx/certs/asr.key; location / { proxy_pass http://127.0.0.1:7860; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; } }

再配合域名访问，既美观又安全。

7.4 启用登录认证

防止未授权访问，可在app.py中加入认证：

demo.launch( server_name="0.0.0.0", server_port=7860, auth=("admin", "your_secure_password") )

用户名密码保护，双重保险。

8. 总结

Fun-ASR WebUI 不只是一个语音识别工具，更是一套完整的本地化语音处理工作流。

从部署到使用，再到生产级优化，我们走完了全过程：

5分钟内完成部署，无需复杂配置
支持多种音频格式，满足日常办公需求
提供批量处理、VAD检测、历史管理等实用功能
可通过反向代理+HTTPS+认证实现企业级安全防护

无论是市场部整理会议纪要，还是客服中心做质量分析，这套系统都能显著提升效率，同时保障数据隐私。

更重要的是——它完全免费、开源可定制，未来还可以接入更多AI能力，比如情感分析、关键词提取、摘要生成等。

这才是真正属于企业的“智能语音中枢”。

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。