本地化部署中文语音识别｜FunASR WebUI + ngram LM快速入门

1. 引言

1.1 业务场景描述

在当前AI应用快速落地的背景下，语音识别技术已成为智能客服、会议记录、字幕生成、语音输入等场景的核心组件。然而，许多企业与开发者面临数据隐私、网络延迟和定制化需求等问题，本地化部署成为更优选择。

本文介绍如何基于 FunASR 开源框架，结合speech_ngram_lm_zh-cn语言模型，通过科哥二次开发的 WebUI 镜像，实现一键式中文语音识别系统的本地部署。该方案支持离线运行、多格式音频识别、实时录音转写及标点恢复，适合对中文语音处理有高精度要求的工程实践。

1.2 痛点分析

传统云端语音识别服务存在以下问题：

数据安全风险：音频上传至第三方服务器，敏感信息易泄露
依赖网络连接：断网或弱网环境下无法使用
响应延迟高：远程调用带来明显延迟，影响交互体验
成本不可控：按调用量计费，长期使用成本较高

相比之下，本地化部署具备零数据外泄、低延迟、可离线运行、一次部署长期免费用等优势。

1.3 方案预告

本文将围绕以下内容展开：

FunASR WebUI 镜像的快速启动与访问
系统界面功能详解
两种识别方式（文件上传 & 实时录音）的操作流程
输出结果格式说明与下载
常见问题排查与性能优化建议

最终帮助读者在10分钟内完成系统搭建并投入实际使用。

2. 快速开始

2.1 启动镜像服务

假设您已获取名为FunASR 语音识别基于speech_ngram_lm_zh-cn 二次开发构建by科哥的 Docker 镜像，可通过如下命令启动服务：

sudo docker run -p 7860:7860 --gpus all -it <image_id>

注：若无 GPU 支持，可省略--gpus all参数，默认降级为 CPU 模式运行。

容器成功启动后，系统会自动加载模型并监听端口。

2.2 访问 WebUI 界面

服务就绪后，在浏览器中打开以下地址：

http://localhost:7860

若您从远程设备访问，请替换localhost为服务器 IP 地址：

http://<服务器IP>:7860

页面加载完成后，即可进入 FunASR WebUI 主界面。

3. 界面功能详解

3.1 头部区域

界面顶部显示系统基本信息：

标题：FunASR 语音识别 WebUI
描述：基于 FunASR 的中文语音识别系统
版权信息：webUI二次开发 by 科哥 | 微信：312088415

此部分为固定展示，便于用户确认版本来源。

3.2 控制面板（左侧）

3.2.1 模型选择

提供两种主流 ASR 模型供切换：

模型名称	特点	推荐场景
Paraformer-Large	高精度、大参数量	对准确率要求高的正式任务
SenseVoice-Small	轻量级、响应快	快速测试或资源受限环境

默认选中 SenseVoice-Small，可根据实际需求手动切换。

3.2.2 设备选择

运行设备决定推理速度：

CUDA：启用 GPU 加速（推荐，显存 ≥4GB）
CPU：纯 CPU 推理，兼容性好但速度较慢

系统启动时会自动检测 CUDA 环境并默认勾选 CUDA。

3.2.3 功能开关

三个核心增强功能可自由启停：

✅启用标点恢复 (PUNC)：自动添加句号、逗号等标点，提升可读性
✅启用语音活动检测 (VAD)：自动切分静音段，避免无效识别
✅输出时间戳：返回每个词/句的时间区间，适用于字幕制作

建议保持三项全开以获得完整功能支持。

3.2.4 模型状态

实时显示当前模型加载情况：

✓模型已加载：绿色图标，表示准备就绪
✗模型未加载：红色图标，需点击“加载模型”按钮重新初始化

3.2.5 操作按钮

加载模型：手动触发模型加载或重载（如更换模型后）
刷新：更新当前状态显示

4. 使用流程详解

4.1 方式一：上传音频文件识别

4.1.1 准备音频文件

支持的音频格式包括：

WAV (.wav)
MP3 (.mp3)
M4A (.m4a)
FLAC (.flac)
OGG (.ogg)
PCM (.pcm)

推荐参数：

采样率：16kHz
单声道（Mono）
位深：16bit

高质量音频有助于提升识别准确率。

4.1.2 上传文件

操作步骤如下：

在“ASR 语音识别”区域点击"上传音频"
从本地选择符合格式的音频文件
等待上传进度条完成

上传成功后，音频波形图将在界面上预览显示。

4.1.3 配置识别参数

批量大小（秒）：默认 300 秒（5 分钟），最大支持 600 秒
识别语言：支持多种选项
- auto：自动检测语言（推荐）
- zh：强制中文识别
- en：英文
- yue：粤语
- ja：日语
- ko：韩语

对于中文为主的内容，建议选择zh或auto。

4.1.4 开始识别

点击"开始识别"按钮，系统将执行以下流程：

加载音频数据
执行 VAD 分段
调用 ASR 模型进行转录
应用 ngram LM 提升语言流畅度
添加标点符号（若开启 PUNC）
生成带时间戳的结果

处理时间取决于音频长度和硬件性能，通常每分钟音频耗时约 5~15 秒（GPU 环境下）。

4.1.5 查看识别结果

识别完成后，结果以三个标签页形式呈现：

文本结果

显示纯净文本内容，示例：

你好，欢迎使用语音识别系统。这是一个基于 FunASR 的中文语音识别 WebUI。

支持鼠标选中复制。

详细信息

返回 JSON 格式的结构化数据，包含：

识别文本
时间戳列表
置信度评分
分词边界

可用于后续程序解析。

时间戳

按[序号] 开始时间 - 结束时间 (时长)格式展示，例如：

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

适用于视频剪辑定位或语音对齐分析。

4.2 方式二：浏览器实时录音

4.2.1 开始录音

点击"麦克风录音"按钮
浏览器弹出权限请求，点击"允许"

注意：首次使用需授权麦克风权限，Chrome/Firefox/Safari 均支持。

4.2.2 录制语音

对着麦克风清晰说话
可随时点击"停止录音"结束录制

录音过程中会有可视化声波动画反馈输入强度。

4.2.3 开始识别

停止录音后，直接点击"开始识别"，系统将自动处理刚刚录制的音频片段。

4.2.4 查看结果

结果展示方式与“上传文件”完全一致，支持文本、JSON 和时间戳查看。

5. 结果导出与存储

5.1 下载结果文件

识别完成后，可通过三个按钮下载不同格式的结果：

按钮	文件格式	用途
下载文本	.txt	纯文本，用于文档整理
下载 JSON	.json	结构化数据，便于程序处理
下载 SRT	.srt	视频字幕文件，兼容主流播放器

所有文件打包为 ZIP 并自动触发浏览器下载。

5.2 文件保存路径

系统还会在容器内保留一份副本，路径为：

outputs/outputs_YYYYMMDDHHMMSS/

每次识别创建独立目录，结构如下：

outputs/outputs_20260104123456/ ├── audio_001.wav # 原始音频副本 ├── result_001.json # 完整识别结果 ├── text_001.txt # 纯文本输出 └── subtitle_001.srt # SRT 字幕文件

方便后期批量处理或归档。

6. 高级功能配置

6.1 批量大小调整

控制每次送入模型的最大音频时长：

范围：60 ~ 600 秒
默认值：300 秒（5 分钟）

作用：

小批量：降低内存占用，适合低配设备
大批量：减少分段误差，适合长音频连续识别

建议根据设备显存动态调整，GPU 显存 ≥6GB 可设为 600 秒。

6.2 语言识别设置

合理选择语言模式可显著提升准确率：

场景	推荐设置
普通话演讲/会议录音	`zh`
英文播客/讲座	`en`
中英混合对话	`auto`
粤语访谈	`yue`
日语课程	`ja`

ngram LM 在中文场景下经过专门优化，配合zh模式效果最佳。

6.3 时间戳输出

启用后可在结果中获取精确到毫秒的时间信息，典型应用场景包括：

自动生成视频字幕（SRT）
语音内容剪辑定位
教学录音重点标记
法庭笔录时间对齐

建议在需要精准同步的项目中开启此功能。

7. 性能优化与常见问题

7.1 识别不准确怎么办？

解决方案：

检查语言设置：确保选择zh或auto
提升音频质量：使用 16kHz 单声道录音，避免背景噪音
启用 VAD 和 PUNC：提升语义完整性
尝试 Paraformer-Large 模型：精度更高，适合关键任务

若仍不准，可考虑后期降噪处理（如使用 Audacity 或 RNNoise）。

7.2 识别速度慢如何解决？

可能原因与对策：

原因	解决方法
使用 CPU 模式	切换至 CUDA（需 NVIDIA 显卡）
音频过长	分段处理，每段 ≤5 分钟
模型过大	改用 SenseVoice-Small 模型
内存不足	关闭其他程序，释放资源

性能对比参考（10分钟音频）：