科哥定制FunASR镜像发布｜支持实时录音与多格式导出

1. 镜像简介与核心特性

1.1 项目背景

语音识别技术在智能客服、会议记录、教育辅助等场景中正发挥着越来越重要的作用。阿里云开源的FunASR作为一款功能强大的语音识别工具包，提供了从端到端模型推理、流式识别、标点恢复到语言模型融合等多种能力。然而，原生 FunASR 的使用门槛较高，尤其对于非专业开发者而言，部署复杂、缺乏图形界面、不支持浏览器录音等问题限制了其广泛应用。

为解决这一痛点，开发者“科哥”基于speech_ngram_lm_zh-cn模型进行二次开发，推出了FunASR 语音识别 WebUI 定制镜像，极大简化了部署流程，并新增了多项实用功能。

1.2 核心亮点

该定制镜像具备以下关键优势：

• ✅开箱即用：封装完整运行环境，一键启动服务
• ✅Web 图形化操作：提供直观易用的网页界面，无需命令行操作
• ✅支持实时录音：通过浏览器麦克风直接录制并识别语音
• ✅多格式音频输入：兼容 WAV、MP3、M4A、FLAC、OGG、PCM 等主流格式
• ✅多样化结果导出：支持文本（.txt）、结构化数据（.json）和字幕文件（.srt）下载
• ✅双模型可选：集成 Paraformer-Large（高精度）与 SenseVoice-Small（低延迟）两种 ASR 模型
• ✅GPU 加速支持：自动检测 CUDA 环境，提升识别速度
• ✅时间戳输出：精确标注每句话的起止时间，适用于视频字幕生成
• ✅永久开源免费：承诺永久开源使用，保留版权信息

2. 快速部署与访问方式

2.1 启动服务

该镜像已预配置所有依赖项，用户只需执行标准容器启动命令即可运行服务：

docker run -p 7860:7860 <镜像名称>

容器成功启动后，系统将自动加载默认模型并监听端口。

2.2 访问 WebUI 界面

服务启动完成后，可通过以下地址访问 Web 用户界面：

本地访问：

http://localhost:7860

远程访问：

http://<服务器IP>:7860

建议首次使用时优先尝试本地访问，确保服务正常运行后再开放远程连接。

3. WebUI 界面详解

3.1 整体布局

整个界面采用清晰的左右分栏设计：

• 左侧控制面板：包含模型选择、设备设置、功能开关与操作按钮
• 右侧主工作区：展示上传区域、识别结果及下载选项

视觉上采用紫蓝渐变主题，风格现代简洁，用户体验友好。

3.2 控制面板功能说明

模型选择

• Paraformer-Large：大参数量模型，识别准确率更高，适合对精度要求高的场景
• SenseVoice-Small：轻量级模型，响应速度快，资源占用低，适合实时交互或边缘设备

默认启用 SenseVoice-Small 模型以保证流畅体验。

设备选择

• CUDA：启用 GPU 加速（推荐有独立显卡用户）
• CPU：纯 CPU 推理模式（无 GPU 时自动切换）

系统会根据硬件环境智能推荐运行设备。

功能开关

操作按钮

• 加载模型：手动触发模型加载或重新加载
• 刷新：更新当前模型状态显示

模型加载成功后，状态栏将显示绿色对勾（✓），表示就绪。

4. 使用流程详解

4.1 方式一：上传音频文件识别

步骤 1：准备音频文件

支持的音频格式包括：

• .wav（推荐，无损格式）
• .mp3
• .m4a
• .flac
• .ogg
• .pcm

采样率建议：16kHz，符合大多数中文语音识别模型的输入要求。

步骤 2：上传文件

点击 “ASR 语音识别” 区域内的“上传音频”按钮，选择本地文件并等待上传完成。

步骤 3：配置识别参数

选择正确的语言可显著提升识别准确率，混合语种建议使用auto模式。

步骤 4：开始识别

点击“开始识别”按钮，系统将调用选定模型进行处理。识别进度可在界面上方查看。

步骤 5：查看识别结果

识别完成后，结果将以三个标签页形式呈现：

文本结果

显示纯净的识别文本内容，支持一键复制。

详细信息

以 JSON 格式返回完整的识别结果，包含：

• 识别文本
• 时间戳信息
• 置信度评分
• 分词边界

适用于需要进一步程序处理的高级用户。

时间戳

按[序号] 开始时间 - 结束时间 (时长)格式列出每个片段的时间范围，便于定位音频内容。

示例：

[001] 0.000s - 0.500s (时长: 0.500s) [002] 0.500s - 2.500s (时长: 2.000s)

4.2 方式二：浏览器实时录音识别

步骤 1：授权麦克风权限

点击“麦克风录音”按钮，浏览器将弹出权限请求框，请点击“允许”授予权限。

若未出现提示，请检查浏览器设置是否已阻止麦克风访问。

步骤 2：录制语音

对着麦克风清晰发音，系统将实时采集音频数据。录制过程中可随时点击“停止录音”结束。

步骤 3：启动识别

停止录音后，点击“开始识别”按钮，系统将自动上传录音并执行识别任务。

后续步骤与上传文件一致，可查看文本、JSON 和时间戳结果。

5. 结果导出与存储机制

5.1 支持的导出格式

识别完成后，用户可通过三个按钮下载不同格式的结果文件：

5.2 文件存储路径

所有输出文件统一保存在容器内目录：

outputs/outputs_YYYYMMDDHHMMSS/

每次识别都会创建一个以时间戳命名的新文件夹，避免覆盖冲突。例如：

outputs/outputs_20260104123456/ ├── audio_001.wav # 原始音频副本 ├── result_001.json # JSON 格式结果 ├── text_001.txt # 纯文本结果 └── subtitle_001.srt # SRT 字幕文件

该设计便于批量管理和追溯历史记录。

6. 高级功能与优化建议

6.1 批量大小调整策略

• 短音频（<1分钟）：保持默认 300 秒即可
• 长音频（>5分钟）：建议分段处理，每段不超过 600 秒
• 内存受限设备：降低批量大小至 60–120 秒，减少显存压力

6.2 提升识别准确率的方法

6.3 性能优化建议

7. 典型应用场景示例

场景 1：会议纪要自动生成

将会议录音上传至系统，启用 VAD 和 PUNC 功能，导出.txt文件后稍作整理即可形成正式纪要。

场景 2：视频字幕制作

对访谈类视频进行逐段识别，导出.srt字幕文件，导入 Premiere 或 Final Cut Pro 实现快速字幕同步。

场景 3：教学资源数字化

教师可利用实时录音功能，边讲解边生成文字稿，用于课后复习资料整理或知识库建设。

8. 常见问题与解决方案

Q1：识别结果不准确怎么办？

排查方向：

1. 是否选择了正确的语言模式？
2. 音频是否存在严重噪声或失真？
3. 发音是否清晰？语速是否过快？

改进措施：

• 更换为 Paraformer-Large 模型
• 对原始音频进行预处理（如降噪、增益）
• 分段上传，避免一次性处理超长音频

Q2：识别过程卡顿或崩溃？

可能原因：

• 内存或显存不足
• 音频文件过大（>200MB）
• 模型加载异常

应对策略：

• 关闭其他占用资源的应用
• 将大文件切分为小段处理
• 重启服务并重新加载模型

Q3：无法访问 WebUI 页面？

检查清单：

• Docker 容器是否正在运行？
• 端口 7860 是否被正确映射？
• 防火墙是否放行该端口？
• 浏览器是否屏蔽了 HTTP 请求？

9. 技术支持与社区反馈

• 开发者：科哥
• 联系方式：微信312088415
• 问题反馈要求：请提供具体操作步骤、错误截图及日志信息，以便快速定位问题

项目承诺永久开源使用，欢迎社区用户提出改进建议或参与共建。

10. 总结

科哥定制的 FunASR 镜像成功填补了原生 FunASR 在易用性方面的空白，通过 WebUI 界面实现了“零代码”语音识别体验。无论是企业用户还是个人开发者，都能快速将其集成到实际业务流程中，显著提升语音转写效率。

该镜像不仅具备完整的离线识别能力，还支持实时录音、多格式导出、GPU 加速等实用特性，真正做到了“开箱即用、灵活高效”。未来随着更多模型的接入和功能迭代，有望成为中文语音识别领域的重要基础设施之一。

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。