支持实时录音与多格式导出｜FunASR语音识别镜像实战

你是否正在寻找一个开箱即用、支持中文语音识别、还能实时录音并导出字幕的AI工具？
有没有一种方案，既能上传音频文件批量处理，又能直接在浏览器里点一下就开始说话识别，最后还能一键生成SRT字幕用于视频剪辑？

今天要介绍的这个镜像——FunASR 语音识别基于speech_ngram_lm_zh-cn 二次开发构建by科哥，正是为此而生。它不仅集成了高性能的ASR模型，还提供了直观的WebUI界面，真正实现了“零代码+高可用”的语音转文字体验。

本文将带你从使用场景出发，深入拆解这款镜像的核心能力、操作流程和实际应用价值，帮助你快速上手并在真实项目中落地。

1. 为什么需要这样的语音识别工具？

在内容创作、会议记录、教学视频制作等场景中，我们常常面临大量语音数据需要转化为文本的需求。传统方式依赖人工听写，效率低、成本高。

虽然市面上有不少语音识别API服务，但存在几个痛点：

费用不可控：按调用量计费，长期使用成本飙升
隐私风险：敏感语音上传到第三方服务器
功能单一：只能返回纯文本，缺乏时间戳或字幕导出
部署复杂：开源模型配置繁琐，依赖环境难搞

而这款由“科哥”二次开发的FunASR镜像，完美解决了上述问题：

开源免费，本地运行，无调用限制
支持GPU加速，识别速度快
提供WebUI，无需编程即可操作
支持实时录音 + 多种音频格式上传
可导出.txt、.json、.srt三种格式，满足不同用途

换句话说，这是一个拿来就能用、用了就见效的中文语音识别解决方案。

2. 镜像核心功能一览

2.1 模型选择灵活，兼顾精度与速度

该镜像内置两种主流ASR模型，用户可根据需求自由切换：

模型名称	特点	适用场景
Paraformer-Large	大模型，识别准确率高	对准确性要求高的正式场合（如会议纪要、访谈整理）
SenseVoice-Small	小模型，响应快，资源占用少	快速测试、实时交互、低配设备

建议：日常使用可先用SenseVoice快速预览结果，关键任务再切至Paraformer提升精度。

2.2 支持多种输入方式

方式一：上传音频文件

支持以下常见格式：

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

推荐采样率为16kHz，兼容性最好。

方式二：浏览器实时录音

无需额外软件，在Web页面点击“麦克风录音”按钮即可开始录制，系统自动捕获你的声音并保存为WAV文件。

这对于临时口述笔记、灵感记录非常方便，真正做到“想到就说，说完就出文字”。

2.3 功能开关丰富，智能处理更贴心

左侧控制面板提供多个实用功能开关：

启用标点恢复 (PUNC)：自动添加句号、逗号等，让输出文本更易读
启用语音活动检测 (VAD)：自动切分静音段，避免识别空白噪音
输出时间戳：标记每句话的起止时间，便于后期对齐音频

这些功能组合起来，使得识别结果不再是“一整段乱码”，而是结构清晰、可编辑、可定位的专业级文本。

2.4 多格式导出，适配各类下游应用

识别完成后，可一键下载三种格式的结果：

下载按钮	文件格式	典型用途
下载文本	.txt	直接复制粘贴使用，适合写报告、做摘要
下载 JSON	.json	程序调用、数据分析、二次加工
下载 SRT	.srt	视频剪辑时作为字幕导入（Premiere、剪映等均支持）

所有文件统一保存在outputs/outputs_YYYYMMDDHHMMSS/目录下，命名规范，便于归档管理。

3. 实际使用流程详解

3.1 启动服务与访问界面

镜像启动成功后，在浏览器中打开：

http://localhost:7860

如果你是在远程服务器部署，则替换为服务器IP地址：

http://<你的服务器IP>:7860

进入后你会看到一个简洁美观的紫蓝渐变主题界面，标题为“FunASR 语音识别 WebUI”，底部注明开发者信息：“webUI二次开发 by 科哥”。

3.2 模型加载与参数设置

首次使用前需先加载模型：

在左侧选择目标模型（默认是SenseVoice-Small）
选择设备模式：
- CUDA：有NVIDIA显卡时选此项，识别速度显著提升
- CPU：无独立显卡时使用，速度稍慢但稳定
打开你需要的功能开关（建议开启PUNC和VAD）
点击“加载模型”按钮

等待几秒后，状态栏会显示“✓ 模型已加载”，表示准备就绪。

3.3 使用方式一：上传音频文件识别

这是最常用的批量处理方式，适合已有录音文件的用户。

操作步骤如下：

点击“上传音频”区域的上传框，选择本地音频文件
设置“批量大小（秒）”：默认300秒（5分钟），最长支持600秒
选择识别语言：
- auto：自动检测（推荐）
- zh：中文
- en：英文
- yue：粤语
- ja：日语
- ko：韩语
点击“开始识别”

处理完成后，结果会出现在下方三个标签页中：

文本结果：干净的纯文本，可直接复制
详细信息：包含每个词的时间戳、置信度的JSON数据
时间戳：以[序号] 开始时间 - 结束时间 (时长)格式展示

3.4 使用方式二：浏览器实时录音

适合即时记录想法、做口头备忘录。

操作流程：

点击“麦克风录音”按钮
浏览器弹出权限请求，点击“允许”
对着麦克风说话
点击“停止录音”结束
点击“开始识别”

整个过程无需安装任何插件，完全基于HTML5的MediaRecorder API实现，安全且跨平台兼容。

4. 输出结果示例与应用场景

4.1 纯文本输出示例

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。

适用于：

会议纪要整理
访谈内容转录
日常笔记记录

4.2 SRT字幕输出示例

1 00:00:00,000 --> 00:00:02,500 你好 2 00:00:02,500 --> 00:00:05,000 欢迎使用语音识别系统

可用于：

给短视频添加字幕（抖音、B站、YouTube）
制作双语字幕的基础素材
教学视频同步展示讲解内容

4.3 JSON详细信息示例

{ "text": "你好，欢迎使用语音识别系统。", "segments": [ { "text": "你好", "start": 0.0, "end": 0.5, "confidence": 0.98 }, { "text": "欢迎使用语音识别系统", "start": 0.5, "end": 2.5, "confidence": 0.96 } ] }

适合：