开会两小时，整理录音一整天。这是不是你的日常？（如果你使用了会议自动记录或者会议整理skill当我没说，后续本公众号会开放会议总结skill，超好用！！！）
记会议、扒播客、剪视频字幕——最烦的就是转录。Whisper 是能转，但慢，还分不清谁在说话；云服务倒是准，可每分钟都在计费。开源社区等一个"快、准、免费、能自己部署"的方案，等太久了。
现在有了。
阿里达摩院 ModelScope 团队的 FunASR，一个开源语音识别工具包——GPU 上跑到 170 倍实时速度，CPU 上 17 倍，比 Whisper 用 GPU 还快。带说话人分离、自动标点、情绪识别，全部内置，GitHub 已经 18K star。
更关键的是：一句代码，全搞定。
"以前自己搭一套语音识别，GPU 服务器是门槛。现在？一台笔记本，CPU 就够了。"
这东西到底是什么来头？
FunASR 的全称是 A Fundamental End-to-End Speech Recognition Toolkit，阿里达摩院语音团队做的，2023 年发在语音顶会 INTERSPEECH 上。但真正让它出圈的是 2024-2025 年的一系列更新——SenseVoice 模型上线、31 语言支持、vLLM 推理加速、OpenAI 兼容 API，再到最近的 MCP Server 集成，一步比一步实用。
它本质上是一套"模型 + 工具链"：你给它音频，它给你带说话人标签、时间戳、标点和情绪的文本。不需要先切句、不需要单独跑 VAD、不需要另外装说话人分离工具。
和 Whisper 比，差了多少？
关键结论：FunASR 用 CPU 跑，比 Whisper 用 GPU 还快。
官方 benchmark 跑了 184 个长音频，总共 192 分钟的材料：
SenseVoice-Small（234M 参数）GPU 上 170x 实时速度，CPU 上 17x。作为对比，Whisper-large-v3 在 GPU 上只有 13x，CPU 根本跑不动。
Paraformer-Large（220M 参数）120x GPU / 15x CPU，是 Whisper 的 9 倍。
就连带 LLM 解码器的 Fun-ASR-Nano（800M 参数、31 语言）也能跑到 17x GPU / 3.6x CPU——比 Whisper-large-v3 还快 30%。
一句话：以前"自己部署一套靠谱的语音识别"需要 GPU 服务器，现在一台普通电脑就能跑。
第一次上手：3 步把它跑起来
好，说完了"它有多好"，说"怎么用"。这章的承诺是：你按着操作一遍，能成功。
第 1 步：装 Python 依赖
这一步的目的是准备好运行环境。FunASR 需要 Python 3.8 及以上，PyTorch 和 torchaudio 必须先装。
先装 PyTorch（去 pytorch.org 选你电脑对应的版本），然后：
pip install torch torchaudio
pip install funasr
两行命令，装完就能用。
注意：PyTorch 一定要先装。如果先装 funasr 再补 PyTorch，可能会遇到版本冲突。这是上手最容易犯的错。
装完之后，验证一下：
python -c "import funasr; print(funasr.__version__)"
看到版本号就说明第 1 步完成了。这一步做完，下一步才能加载模型。
第 2 步：选模型，跑第一段音频
这一步的目的：选一个适合你场景的模型，用一段示例音频验证整个流程能跑通。
推荐从 SenseVoiceSmall 开始——234M 参数，支持中英日韩粤语，速度快，自带情绪识别。日常会议记录、视频字幕完全够用。
from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess
model = AutoModel(
model="iic/SenseVoiceSmall",
vad_model="fsmn-vad",
spk_model="cam++",
device="cuda"# 没有 GPU 改成 "cpu"
)
result = model.generate(
input="https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/asr_example_zh.wav"
)
for seg in result[0]["sentence_info"]:
print(f"[{seg['start']/1000:.1f}s] Speaker {seg['spk']}: {rich_transcription_postprocess(seg['sentence'])}")
输出长这样：
[0.6s] Speaker 0: 欢迎大家来体验达摩院推出的语音识别模型
这就跑通了。一句 model.generate() 替你完成了 VAD 切句、语音识别、标点、说话人分离——四件事一次搞定。
重点：
device="cuda"改成device="cpu"就能在没显卡的机器上跑，速度是 17x 实时——处理 1 小时音频大约 3.5 分钟。
第 3 步：换自己的音频
把上面代码里的 input URL 换成你自己的音频文件路径：
result = model.generate(input="my_meeting.mp3")
支持 WAV、MP3、M4A、FLAC 等常见格式。如果音频有多个人说话，说话人分离和情绪识别会自动生效。
这步做完，你已经拥有了一套可以日常使用的语音转写工具。
配好之后，每次使用只需要做一件事：传音频路径给 model.generate()。
如果自己操作遇到困难，找开发者朋友帮你装一次，之后你自己就能用了。
跑通之后，想切到更快的模型？试试 fun-asr-nano 配合 vLLM 加速——但先用默认的 SenseVoiceSmall 跑起来再说。
装好之后，日常怎么用
CLI 命令行：最简单的日常入口
如果你不想写 Python，命令行就够了：
# 基础转写
funasr meeting.wav
# 输出 JSON（供程序处理）
funasr meeting.wav --output-format json
# 直接出字幕文件
funasr meeting.wav --output-format srt --output-dir ./subs
# 带说话人标签 + 时间戳
funasr meeting.wav --spk --timestamps -f json
# 指定模型和语言
funasr meeting.wav --model paraformer --language zh
# 批量处理
funasr *.wav --output-format srt --output-dir ./output
--model 可选：sensevoice（默认）、paraformer、paraformer-en、fun-asr-nano。
三个进阶功能，知道就行
流式实时转写：边说话边出字，适合直播字幕。加载 paraformer-zh-streaming 模型，把音频流切成 600ms 的小块逐块送进去。配合 WebSocket 就能搭一套实时字幕系统。
情绪识别：用 emotion2vec_plus_large 模型，在转写的同时标出每句话的情绪——开心、生气、难过。适合客服质检、访谈分析。
部署成 API：一行命令起一个 OpenAI 兼容的 API 服务：
funasr-server --device cuda
然后任何支持 OpenAI API 的工具（LangChain、Dify、AutoGen）都能直接调，连 Claude 和 Cursor 都能通过 MCP Server 挂上去当语音转写工具用。
说实话，这会改变什么？
三个判断，直接说：
对个人用户：免费语音转写的门槛降到了"会装 Python"。以前你为了转个播客，要么开讯飞会员，要么付 API 费用——现在一个 pip install，数据全在自己机器上。
对小团队：内部会议记录、客服录音质检、视频字幕生成——这些场景找 SaaS 是一笔固定开支。现在一台闲置的 Linux 机器就能跑，CPU 都跑出 17x 实时。
对整个 ASR 生态：FunASR 把"免费 + 自部署 + 工业级精度 + 多语言 + 情绪/说话人"五个维度同时拉满。Whisper 做不到。MIT 协议意味着你甚至可以拿去改、做商业产品。
好，但也不全是好消息。
FunASR 的中文和东亚语言是强项——达摩院团队在中文数据上下了狠功夫。英文识别呢，Whisper 还是稳的，毕竟 OpenAI 的训练数据以英文为主。另外 Fun-ASR-Nano（31 语言、800M 参数）在纯 CPU 上 3.6x 实时——处理 1 小时音频大概要等 17 分钟，不算快，但能跑。
重点：FunASR 真正适合的人——想要免费的、能自己部署的、带说话人分离的语音转写，不介意花 5 分钟装一个 Python 包。如果你正好是这类人，今天就试试。CPU 够用了。
