FunASR语音识别全流程详解｜从音频上传到字幕生成

1. 引言：为什么你需要一个开箱即用的语音识别系统？

你有没有遇到过这样的场景：一段长达半小时的会议录音，需要整理成文字纪要；或者一段采访视频，想快速生成中文字幕？传统方式是手动听写，耗时又容易出错。现在，有了像FunASR这样的开源语音识别工具，这一切都可以自动化完成。

本文将带你完整走一遍FunASR 语音识别 WebUI（基于 speech_ngram_lm_zh-cn 二次开发构建 by 科哥）的使用流程——从音频上传、参数配置，到最终生成可直接用于视频的 SRT 字幕文件。无论你是开发者、内容创作者，还是普通用户，都能通过这个图形化界面轻松实现高精度中文语音转文字。

我们不讲复杂的部署命令或模型训练原理，只聚焦于“怎么用”和“怎么用好”。整个过程无需代码基础，点击几下就能看到结果，真正做到了“小白友好”。

2. 环境准备与访问方式

2.1 镜像简介

本次使用的镜像是由社区开发者“科哥”基于官方 FunASR 框架进行二次开发的 WebUI 版本，核心模型为speech_ngram_lm_zh-cn，专为提升中文语音识别准确率优化。该版本已集成标点恢复、时间戳输出、多语言支持等实用功能，并提供了直观的网页操作界面。

镜像名称：FunASR 语音识别基于speech_ngram_lm_zh-cn 二次开发构建by科哥
主要特性：
- 支持 Paraformer-Large 和 SenseVoice-Small 双模型切换
- 提供实时录音 + 文件上传两种识别模式
- 输出格式丰富：纯文本、JSON、SRT 字幕
- 内置 VAD（语音活动检测）和 PUNC（标点恢复）

2.2 如何启动并访问

假设你已经通过 Docker 或其他方式成功运行了该镜像服务，接下来就可以在浏览器中打开：

http://localhost:7860

如果你是在远程服务器上部署的，则替换localhost为实际 IP 地址：

http://<你的服务器IP>:7860

打开后你会看到一个简洁美观的紫蓝渐变风格界面，标题为“FunASR 语音识别 WebUI”，下方明确标注了开发者信息：“webUI二次开发 by 科哥 | 微信：312088415”。

提示：首次加载可能需要几秒时间来初始化模型，请耐心等待左侧面板中的“模型状态”显示“✓ 模型已加载”后再开始使用。

3. 界面功能全解析

3.1 左侧控制面板详解

模型选择

Paraformer-Large：大模型，识别精度更高，适合对准确性要求高的场景（如正式会议记录）
SenseVoice-Small：小模型，响应速度快，适合实时对话或短语音识别

建议：一般情况下优先使用 Paraformer-Large；若追求速度且语音清晰，可选 SenseVoice-Small。

设备选择

CUDA：启用 GPU 加速，显著提升处理速度（推荐有显卡用户）
CPU：无 GPU 时使用，兼容性更好但速度较慢

系统会根据硬件自动判断是否可用 CUDA，建议保持默认设置即可。

功能开关

启用标点恢复 (PUNC)：让识别结果自动加上句号、逗号等标点，大幅提升可读性
启用语音活动检测 (VAD)：自动切分连续语音中的静音段落，避免识别空白部分
输出时间戳：为每个句子生成起止时间，便于后期制作字幕或定位音频片段

这三个选项建议全部开启，尤其是做字幕生成时，“时间戳”是必备功能。

操作按钮

加载模型：手动重新加载当前选中的模型（例如更换模型后点击）
刷新：更新界面状态信息

4. 使用流程实战：从音频上传到字幕生成

4.1 方式一：上传本地音频文件（推荐）

这是最常用的方式，适用于已有录音文件的用户。

步骤 1：准备音频文件

支持格式包括：

.wav、.mp3、.m4a、.flac、.ogg、.pcm

最佳实践建议：

采样率：16kHz（标准 ASR 输入）
单声道（Mono）优于立体声
尽量减少背景噪音

步骤 2：上传音频

在主界面找到 “ASR 语音识别” 区域，点击“上传音频”按钮，选择本地文件并确认上传。

上传完成后，你会看到波形图预览出现在输入框下方，表示音频已成功加载。

步骤 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（10 分钟）。长音频会被自动分段处理。
识别语言：
- auto：自动检测（推荐新手使用）
- zh：强制中文识别（适合纯中文内容）
- 其他选项：英文、粤语、日语、韩语

如果你知道音频是中文，建议直接选zh，能略微提升识别准确率。

步骤 4：开始识别

点击“开始识别”按钮，系统会根据当前配置调用模型进行推理。

处理时间取决于：

音频长度
所选模型（Large 更慢但更准）
是否使用 GPU

通常 1 分钟音频在 GPU 下只需几秒钟即可完成。

步骤 5：查看识别结果

识别完成后，结果会以三个标签页形式展示：

文本结果

显示完整的转录文本，可以直接复制粘贴使用。例如：

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。

详细信息

以 JSON 格式返回结构化数据，包含每句话的：

文本内容
开始/结束时间（单位：秒）
置信度分数

适合开发者做进一步分析或集成到其他系统。

时间戳

按序号列出每一句的时间范围，格式如下：

[001] 0.000s - 0.500s (时长: 0.500s) [002] 0.500s - 2.500s (时长: 2.000s) [003] 2.500s - 5.000s (时长: 2.500s)

这对剪辑视频或定位关键语句非常有用。

4.2 方式二：浏览器实时录音（轻量级体验）

不想找文件？可以直接用麦克风现场录音！

步骤 1：点击“麦克风录音”

系统会请求浏览器权限，点击“允许”授权麦克风访问。

步骤 2：开始说话

对着设备麦克风清晰地说出你想识别的内容，说完后点击“停止录音”。

录制的音频会自动保存并在界面上显示波形图。

步骤 3：开始识别

与上传文件一样，点击“开始识别”即可。

注意事项

录音质量直接影响识别效果，请尽量在安静环境下进行
避免离麦克风太远或声音过小
浏览器需支持 Web Audio API（现代主流浏览器均支持）

5. 结果导出与应用场景

识别完成后，你可以将结果下载为多种格式，满足不同用途需求。

5.1 下载按钮说明

按钮	文件格式	适用场景
下载文本	.txt	直接复制内容、整理笔记、导入文档编辑器
下载 JSON	.json	开发者调用、数据分析、二次处理
下载 SRT	.srt	视频字幕制作、B站/抖音等平台投稿

其中SRT 字幕文件是最具实用价值的功能之一。

示例 SRT 输出

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

这种格式可以直接拖入剪映、Premiere、Final Cut Pro 等视频编辑软件，自动生成同步字幕，极大提升工作效率。

5.2 输出文件存储路径

所有识别结果都会保存在服务器本地目录：

outputs/outputs_YYYYMMDDHHMMSS/

每次识别创建一个独立文件夹，包含以下内容：

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

这意味着你可以随时回溯历史任务，也方便做批量管理和归档。

6. 高级技巧与常见问题解决

6.1 如何提高识别准确率？

别再抱怨“识别不准”了，试试这些方法：

选择正确的语言模式
- 纯中文 → 选zh
- 中英混合 → 选auto
- 粤语内容 → 选yue
使用高质量音频
- 推荐 16kHz 采样率、单声道 WAV 或 MP3
- 提前用 Audacity 等工具降噪处理
清晰发音，避免语速过快
- 尤其是专业术语或人名地名，稍慢一点更易识别
开启标点恢复和 VAD
- 能有效改善断句和语义连贯性

6.2 识别速度太慢怎么办？

可能是以下原因导致：

正在使用 CPU 模式：检查左侧“设备选择”是否为 CUDA，如有 GPU 应优先使用
选择了 Paraformer-Large 模型：虽然精度高，但速度慢。临时提速可切换至 SenseVoice-Small
音频过长未分段：超过 5 分钟的音频建议手动分割后再上传

6.3 无法上传文件？录音没声音？

先自查以下几个常见问题：

问题现象	解决方案
上传失败	检查文件格式是否支持，大小是否超过 100MB
浏览器不响应录音	确认已授予麦克风权限，重启浏览器尝试
识别结果乱码	检查音频编码格式，尝试转换为标准 MP3/WAV
模型未加载	点击“加载模型”按钮手动触发，查看日志是否有报错