Fun-ASR
「简体中文」|「English」
Fun-ASR 是通义实验室推出的端到端语音识别大模型，是基于数千万小时真实语音数据训练而成，具备强大的上下文理解能力与行业适应性，支持低延迟实时听写，并且覆盖 31 个语种。在教育、金融等垂直领域表现出色，能准确识别专业术语与行业表达，有效应对"幻觉"生成和语种混淆等挑战，实现"听得清、懂其意、写得准"。
Homepage ｜ 核心特性 ｜ 性能评测 ｜ 环境安装 ｜ 用法教程
核心特性 🎯
Fun-ASR 专注于高精度语音识别、多语言支持和行业定制化能力
- 远场高噪声识别： 针对远距离拾音及高噪声场景（如会议室、车载环境、工业现场等）进行深度优化，识别准确率提升至 93%。
- 中文方言与地方口音：
- 支持 7 大方言：吴语、粤语、闽语、客家话、赣语、湘语、晋语
- 覆盖 26 个地区口音：包括河南、陕西、湖北、四川、重庆、云南、贵州、广东、广西等 20 多个地区
- 多语言自由说： 支持 31 种语言识别，重点优化东亚与东南亚语种，支持语种自由切换和混合识别。
- 音乐背景歌词识别： 强化在音乐背景干扰下的语音识别性能，支持对歌曲中歌词内容的精准识别。
环境安装 🐍
pip install -r requirements.txt
TODO
[ ] 支持返回时间戳
[ ] 支持区分说话人识别
[ ] 支持模型训练
用法 🛠️
推理
使用 funasr 推理
from funasr import AutoModel
def main():
model_dir = "FunAudioLLM/fun-asr-nano"
model = AutoModel(
model=model_dir,
trust_remote_code=True,
remote_code="./model.py",
device="cuda:0",
)
wav_path = f"{model.model_path}/example/zh.mp3"
system_prompt = "You are a helpful assistant."
user_prompt = f"语音转写：<|startofspeech|>!{wav_path}<|endofspeech|>"
contents_i = []
contents_i.append({"role": "system", "content": system_prompt})
contents_i.append({"role": "user", "content": user_prompt})
contents_i.append({"role": "assistant", "content": "null"})
res = model.generate(
input=[contents_i],
cache={},
language="auto",
use_itn=True,
batch_size=1,
)
text = res[0]["text"]
print(text)
if __name__ == "__main__":
main()
直接推理
from model import FunASRNano
def main():
model_dir = "FunAudioLLM/fun-asr-nano"
m, kwargs = FunASRNano.from_pretrained(model=model_dir, device="cuda:0")
m.eval()
wav_path = f"{kwargs['model_path']}/example/zh.mp3"
system_prompt = "You are a helpful assistant."
user_prompt = f"语音转写：<|startofspeech|>!{wav_path}<|endofspeech|>"
contents_i = []
contents_i.append({"role": "system", "content": system_prompt})
contents_i.append({"role": "user", "content": user_prompt})
contents_i.append({"role": "assistant", "content": "null"})
res = m.inference(data_in=[contents_i], **kwargs)
text = res[0][0]["text"]
print(text)
if __name__ == "__main__":
main()
参数说明（点击展开）
model_dir：模型名称，或本地磁盘中的模型路径。trust_remote_code：是否信任远程代码，用于加载自定义模型实现。remote_code：指定模型具体代码的位置（例如，当前目录下的model.py），支持绝对路径与相对路径。device：指定使用的设备，如 "cuda:0" 或 "cpu"。system_prompt：系统提示词，用于设置模型的行为模式。user_prompt：用户提示词，包含需要处理的音频文件路径，使用特殊标记<|startofspeech|>和<|endofspeech|>包围音频路径。language：识别语言，支持 "auto", "zh", "en", "yue", "ja", "ko" 等。use_itn：是否启用逆文本正则化，包含标点符号等。batch_size：批处理大小。
性能评测 📝
多语言语音识别
我们在开源基准数据集（包括 AISHELL-1、AISHELL-2、Wenetspeech、Librispeech 和 Common Voice）上比较了 Fun-ASR 与其他模型的多语言语音识别性能。在中文和粤语识别效果上，Fun-ASR 模型具有明显的效果优势。
方言识别性能
Fun-ASR 在中文方言识别任务上表现优异，覆盖 7 大方言和 26 个地区口音，识别准确率显著优于其他开源模型。
热词定制效果
在工业应用场景中，Fun-ASR 的热词定制能力表现出色，在不损伤通用识别准确率的前提下，将定制热词数量从 1000 拓展到 10000。
