Fun-ASR系统信息查看方法：模型路径与状态监控操作指南

1. 引言

随着语音识别技术在智能客服、会议记录、内容创作等场景的广泛应用，高效易用的本地化语音识别系统成为开发者和企业用户的迫切需求。Fun-ASR 是由钉钉与通义联合推出的语音识别大模型系统，由科哥主导构建，具备高精度、多语言支持和低延迟等特点。该系统通过 WebUI 提供直观的操作界面，支持从单文件识别到批量处理、实时流式识别等多种功能。

本文将重点介绍如何通过 Fun-ASR WebUI 查看系统核心信息，特别是模型路径配置与运行状态监控的关键操作方法，帮助用户全面掌握系统的运行状态，优化资源使用效率，并为后续的工程部署和性能调优提供支持。

2. 系统信息概览

Fun-ASR WebUI 在“系统设置”模块中集成了完整的系统状态展示功能，用户可在此获取当前模型配置、计算设备状态、内存占用情况等关键信息。

2.1 访问系统设置

进入 WebUI 后，点击左侧导航栏中的[系统设置]模块，即可查看以下核心信息：

配置项	说明
计算设备	当前使用的推理设备（如 CUDA、CPU、MPS）
模型路径	模型权重文件的实际存储路径
模型状态	显示模型是否已成功加载
批处理大小	推理时的 batch size 设置
最大长度	单次处理的最大 token 数
GPU 缓存状态	（GPU 模式下）显示显存使用情况

提示：模型路径通常位于models/funasr-nano-2512/目录下，具体路径可能因部署环境而异。

2.2 模型状态判断标准

系统通过颜色标识模型加载状态，便于快速识别：

✅绿色“已加载”：模型正常加载，可进行识别任务
⚠️黄色“加载中”：模型正在初始化，需等待完成
❌红色“未加载”：模型路径错误或设备资源不足

若出现“未加载”状态，建议检查： - 模型文件是否存在且完整 - GPU 驱动是否正常 - 内存或显存是否充足

3. 模型路径配置与管理

正确配置模型路径是确保 Fun-ASR 正常运行的前提。系统支持自定义模型路径，适用于多模型切换或离线部署场景。

3.1 默认模型路径结构

Fun-ASR 的默认模型目录结构如下：

models/ └── funasr-nano-2512/ ├── model.pt # 模型权重文件 ├── config.yaml # 模型配置文件 ├── tokenizer.model # 分词器文件 └── README.md # 模型说明文档

3.2 修改模型路径操作步骤

1. 停止当前服务

bash stop_app.sh

2. 编辑配置文件

打开config/settings.json文件，修改model_path字段：

{ "model_path": "/your/custom/path/funasr-nano-2512", "device": "auto", "batch_size": 1 }

3. 验证路径权限

确保运行用户对目标路径具有读取权限：

ls -l /your/custom/path/funasr-nano-2512 chmod -R 755 /your/custom/path/funasr-nano-2512

4. 重启服务

bash start_app.sh

启动后进入 WebUI 的“系统设置”页面，确认模型状态显示为“已加载”。

3.3 多模型管理建议

对于需要支持多种语言或场景的用户，推荐采用以下目录结构：

models/ ├── funasr-nano-zh-en/ # 中英双语模型 ├── funasr-nano-ja/ # 日语专用模型 └── funasr-large-v1/ # 高精度大模型

通过修改settings.json中的model_path，可实现快速切换。

4. 运行状态监控实践

实时监控系统运行状态有助于及时发现性能瓶颈，提升识别效率。

4.1 GPU 使用监控（CUDA 环境）

在 Linux 或 Windows WSL 环境中，可通过nvidia-smi实时查看 GPU 状态：

nvidia-smi --query-gpu=utilization.gpu,memory.used,memory.total --format=csv

输出示例：

gpu_util, memory_used [MiB], memory_total [MiB] 65 %, 4820 MiB, 8192 MiB

当显存使用接近上限时，应考虑： - 减小批处理大小（batch_size） - 清理 GPU 缓存 - 切换至 CPU 模式处理长音频

4.2 内存与缓存管理操作

清理 GPU 缓存

在“系统设置”中点击[清理 GPU 缓存]按钮，可释放 PyTorch 缓存的显存资源。

等效代码命令：

import torch torch.cuda.empty_cache()

卸载模型释放内存

点击[卸载模型]可将模型从 GPU/CPU 内存中移除，适用于长时间不使用识别功能的场景。

重新使用时需重新加载模型，首次识别会有短暂延迟。

4.3 批量处理性能监控

在执行批量识别任务时，系统会实时显示以下信息：

当前处理文件名
已完成数量 / 总数量
平均识别速度（x real-time）
错误日志（如有）

建议监控点： - 若平均速度低于 0.8x，考虑降低并发数 - 若频繁报错，检查音频格式兼容性 - 处理完成后及时导出结果并清理历史记录

5. 故障排查与优化建议

5.1 常见问题诊断流程

问题现象	可能原因	解决方案
模型无法加载	路径错误、权限不足	检查路径配置，确认文件完整性
识别卡顿或崩溃	显存不足	清理缓存，减小 batch_size
麦克风无响应	浏览器权限未开启	允许麦克风访问，刷新页面
批量处理失败	文件编码异常	转换为 WAV 格式重试

5.2 性能优化建议

优先使用 GPU 模式
确保 CUDA 驱动版本 ≥ 11.8
使用cuda:0设备以获得最佳性能
合理设置批处理参数json { "batch_size": 1, // 推荐保持为1以减少延迟 "max_length": 512 // 可根据音频长度适当调整 }
定期维护历史数据
历史记录存储于webui/data/history.db
定期备份并清理过期记录，避免数据库膨胀
启用 ITN 文本规整
将数字、日期等口语表达自动转换为规范格式
提升输出文本的可用性