零基础部署中文语音识别模型｜FunASR + speech_ngram_lm

零基础部署中文语音识别模型｜FunASR + speech_ngram_lm_zh-cn实操

你是否也遇到过这样的场景：会议录音要整理成文字、视频内容需要生成字幕、客服通话想自动归档？手动转录费时又费力。今天，我就带你用一个开源镜像，零代码基础也能快速搭建属于自己的中文语音识别系统。

本文使用的镜像由开发者“科哥”基于 FunASR 和speech_ngram_lm_zh-cn语言模型二次开发构建，内置 WebUI 界面，支持上传音频文件和浏览器实时录音两种方式，识别结果还能一键导出为文本、JSON 或 SRT 字幕文件。整个过程无需写一行代码，适合所有想快速体验 AI 语音识别能力的朋友。

1. 为什么选择这个镜像？

在动手之前，先说说为什么推荐这个特定的镜像。

1.1 开箱即用，省去复杂配置

传统的 ASR（自动语音识别）部署往往需要安装依赖、下载模型、配置环境变量，甚至还要编译源码。而这个镜像已经将FunASR 框架、Paraformer-Large/SenseVoice-Small 识别模型、speech_ngram_lm_zh-cn 中文语言模型全部打包好，启动后直接通过浏览器访问即可使用，真正做到了“开箱即用”。

1.2 支持中文优化的语言模型

很多通用语音识别模型对中文的支持不够好，尤其是专业术语、数字、地名等容易识别错误。这个镜像特别集成了speech_ngram_lm_zh-cn这个中文语言模型，它能显著提升中文文本的连贯性和准确性，比如把“阿里巴巴”识别成“阿里八八”的尴尬情况会大大减少。

1.3 友好的 Web 界面操作

不需要命令行，不需要编程，就像使用普通网页一样：

点击上传音频
选择模型和参数
一键开始识别
结果直接展示并可下载

对于非技术人员来说，这是最友好的使用方式。

2. 快速部署与启动

接下来我们一步步来部署这个语音识别系统。整个过程只需要几个简单的命令。

2.1 准备工作

你需要一台 Linux 服务器或本地机器（Windows 也可，但建议使用 WSL），并确保已安装以下软件：

Docker（版本 ≥ 20.10）
Git（可选，用于克隆文档）

如果你还没安装 Docker，可以运行以下命令快速安装（适用于 Ubuntu/CentOS）：

curl -fsSL https://get.docker.com | sh sudo usermod -aG docker $USER

提示：执行完后建议重新登录用户或重启终端，以便无需sudo即可运行 Docker 命令。

2.2 启动镜像服务

开发者已经将镜像发布到公开仓库，我们可以直接拉取并运行。

docker run -d --name funasr-webui \ -p 7860:7860 \ registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr-webui:latest

解释一下这条命令：

-d：后台运行容器
--name funasr-webui：给容器起个名字方便管理
-p 7860:7860：将宿主机的 7860 端口映射到容器内部
最后是镜像地址

等待几秒钟，镜像就会下载并自动启动服务。

2.3 检查服务状态

查看容器是否正常运行：

docker logs funasr-webui

如果看到类似以下输出，说明服务已就绪：

INFO: Uvicorn running on http://0.0.0.0:7860

此时你可以打开浏览器，访问：

http://localhost:7860

如果你是在云服务器上部署，请将localhost替换为你的公网 IP 地址：

http://<你的服务器IP>:7860

你应该能看到一个紫蓝渐变风格的 Web 页面，标题为“FunASR 语音识别 WebUI”，这就表示部署成功了！

3. 使用界面详解

现在我们来熟悉一下这个 WebUI 的各个功能区域。

3.1 界面布局概览

整个页面分为左右两栏：

左侧控制面板：用于选择模型、设备、功能开关等
右侧主操作区：上传音频、开始识别、查看结果

顶部有应用名称和版权信息：“webUI二次开发 by 科哥”。

3.2 模型与设备选择

模型选项

Paraformer-Large：大模型，识别精度高，适合对准确率要求高的场景
SenseVoice-Small：小模型，响应速度快，适合实时交互或资源有限的情况

默认选中的是 SenseVoice-Small，你可以根据需求切换。

设备选项

CUDA：使用 GPU 加速（如果有 NVIDIA 显卡且安装了驱动）
CPU：纯 CPU 推理，兼容性更好

如果你没有独立显卡，保持 CPU 模式即可。虽然速度稍慢，但依然可用。

3.3 功能开关说明

这三个复选框可以提升识别体验：

功能	作用
启用标点恢复 (PUNC)	自动给识别结果添加逗号、句号等标点，让文本更易读
启用语音活动检测 (VAD)	自动识别哪些片段有声音，跳过静音部分，提高效率
输出时间戳	记录每句话的起止时间，便于后期制作字幕

建议新手首次使用时都勾上，效果更完整。

4. 实际使用流程

下面我们通过两个典型场景来演示如何使用。

4.1 方式一：上传音频文件识别

这是最常见的使用方式，适合处理会议录音、播客、课程讲座等已有音频文件。

步骤 1：准备音频文件

支持的格式包括：

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

推荐使用16kHz 采样率的音频，这是大多数语音模型的标准输入。

步骤 2：上传并设置参数

在右侧点击“上传音频”按钮，选择本地文件
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：强制中文
- en：英文
- yue：粤语
- ja：日语
- ko：韩语

步骤 3：开始识别

点击“开始识别”按钮，等待处理完成。识别时间取决于音频长度和所选模型。

步骤 4：查看结果

识别完成后，结果会显示在下方三个标签页中：

文本结果：干净的纯文本，可直接复制粘贴使用
详细信息：JSON 格式，包含每个词的置信度、时间戳等元数据
时间戳：按句子划分的时间区间，格式如[001] 0.000s - 2.500s

4.2 方式二：浏览器实时录音

如果你想测试即时语音转文字的能力，可以直接用麦克风录音。

操作步骤

点击“麦克风录音”按钮
浏览器会弹出权限请求，点击“允许”
对着麦克风说话，说完后点击“停止录音”
点击“开始识别”进行处理

这种方式非常适合做口语练习、语音笔记等轻量级应用。

5. 结果导出与保存

识别完成后，你可以将结果导出为多种格式，满足不同用途。

5.1 导出按钮功能

按钮	输出格式	适用场景
下载文本	.txt	直接阅读、复制内容
下载 JSON	.json	程序调用、数据分析
下载 SRT	.srt	视频字幕、剪辑定位

SRT 是最常见的字幕格式，几乎所有视频编辑软件（如 Premiere、剪映）都支持导入。

5.2 文件存储路径

所有输出文件都会保存在容器内的outputs/目录下，命名规则为：

outputs/outputs_YYYYMMDDHHMMSS/ ├── audio_001.wav ├── result_001.json ├── text_001.txt └── subtitle_001.srt

每次识别都会创建一个新的时间戳目录，避免覆盖旧文件。

如果你想从宿主机访问这些文件，可以在启动容器时挂载目录：

docker run -d --name funasr-webui \ -p 7860:7860 \ -v ./outputs:/app/outputs \ registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr-webui:latest

这样识别结果就会同步保存到你当前目录下的outputs文件夹中。

6. 提升识别质量的实用技巧

虽然这个系统开箱即用，但要想获得更好的识别效果，还需要注意一些细节。

6.1 音频质量优先

再强大的模型也敌不过糟糕的录音。建议：

尽量使用清晰的录音设备
避免背景噪音（如风扇声、交通噪声）
说话人距离麦克风不要太远
保持适中的语速，不要过快或含糊不清

6.2 正确选择语言模式

如果是纯中文内容，选择zh比auto更稳定
中英混合内容建议使用auto
方言或特殊口音可尝试对应语言模型（如粤语选yue）

6.3 合理使用 VAD 和 PUNC

VAD能有效跳过空白段落，加快处理速度
PUNC让文本更有可读性，但偶尔会出现标点错误，后期可人工校对

6.4 处理长音频的小技巧

单次最多支持 10 分钟音频。如果录音更长，建议：

提前用音频编辑软件分段
或者使用脚本批量处理多个文件

7. 常见问题与解决方案

在实际使用中可能会遇到一些问题，这里列出高频疑问及应对方法。

7.1 识别结果不准确怎么办？

可能原因与对策：

音频质量差 → 重新录制或使用降噪工具预处理
语言选择错误 → 改为zh或auto
背景噪音大 → 开启 VAD，或后期降噪
专业词汇未识别 → 当前版本暂不支持热词，后续可考虑定制模型

7.2 识别速度太慢？

检查点：

是否使用了 CPU 模式？如有 GPU 建议切换至 CUDA
是否选择了 Paraformer-Large 大模型？追求速度可改用 SenseVoice-Small
音频是否过长？建议分段处理

7.3 无法上传音频文件？

请确认：

文件格式是否在支持列表内（推荐 MP3/WAV）
文件大小是否超过限制（建议小于 100MB）
浏览器是否正常工作（可尝试更换 Chrome/Firefox）

7.4 录音没有声音？

排查步骤：

浏览器是否授予麦克风权限
系统麦克风是否被其他程序占用
麦克风硬件是否正常（可在系统设置中测试）

7.5 如何提高整体准确率？

综合建议：

使用 16kHz 采样率的高质量音频
减少环境噪音
清晰发音，避免吞音
选择合适的识别语言
后期结合人工校对

8. 总结

通过这篇教程，你应该已经成功部署并使用了基于 FunASR 和speech_ngram_lm_zh-cn的中文语音识别系统。整个过程无需编写任何代码，只需几条命令就能拥有一个功能完整的语音转文字工具。

这套方案特别适合以下人群：

内容创作者：快速生成视频字幕
教育工作者：将讲课录音转为讲义
企业用户：会议纪要自动化
开发者：作为项目原型快速验证想法

更重要的是，这个镜像是永久开源免费的，由社区开发者“科哥”维护，承诺不收取任何费用。

未来如果你有更高阶的需求，比如私有化部署、API 接口调用、热词定制等，也可以在此基础上进行二次开发。

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。