FunASR实战：从Docker部署到中文语音标注全流程解析

1. FunASR简介为什么选择这个语音识别工具第一次接触FunASR是在处理一批中文访谈录音时当时用OpenAI的Whisper转写后发现一个尴尬现象明明受访者说的是数字化转型转写结果却成了树枝画改造。这种错误在中文场景中特别常见因为Whisper的训练数据以英文为主。而FunASR作为阿里达摩院开源的语音识别工具专为中文优化实测下来准确率能提升30%以上。FunASR全称Fundamental End-to-End Speech Recognition Toolkit最让我惊喜的是它能自动标注声调。比如ma这个音节它会明确区分妈阴平、麻阳平、马上声、骂去声。这对方言研究特别有用之前需要人工反复听辨的声调问题现在一键就能解决。与同类工具相比FunASR有三大优势精准的中文分词基于8404个常用词汇的预训练模型能正确处理中文连续语流灵活的部署方式支持Docker一键部署省去复杂的依赖配置实时/离线双模式实时模式适合对话场景离线模式可批量处理长音频适合使用FunASR的三类人群需要处理中文语音数据的NLP工程师做访谈转录的社科研究人员开发智能语音交互产品的团队2. Docker环境搭建5分钟快速部署作为用过十几种部署方式的老鸟我敢说Docker是最适合FunASR的方案。去年在客户现场用pip直接安装光解决librosa的依赖冲突就花了半天。现在用Docker从零开始到服务启动只要5分钟。2.1 准备工作首先新建一个项目目录别用中文路径mkdir ~/funasr_docker cd ~/funasr_docker建议使用Ubuntu 20.04以上系统实测CentOS 7会有glibc兼容性问题。内存建议4GB以上CPU需要支持AVX指令集2015年后的处理器基本都支持。2.2 安装Docker如果已有Docker环境可以跳过这步。推荐使用官方安装脚本curl -fsSL https://get.docker.com | sh sudo usermod -aG docker $USER newgrp docker # 刷新用户组验证安装docker run hello-world看到Hello from Docker!说明安装成功。2.3 拉取FunASR镜像阿里云提供了预装好的镜像大小约4GBdocker pull registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr:funasr-runtime-sdk-online-cpu-0.1.5为方便使用给镜像取个短别名docker tag registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr:funasr-runtime-sdk-online-cpu-0.1.5 funasr3. 服务启动与配置详解3.1 模型目录准备创建模型存储目录重要路径错误会导致服务无法启动mkdir -p ./funasr-runtime-resources/models这个目录会映射到容器内的/workspace/models所有模型文件都会保存在这里。我建议把这个目录放在SSD硬盘上机械硬盘加载大模型时会明显变慢。3.2 启动容器这条命令包含三个关键参数docker run -p 10096:10095 -it --privilegedtrue \ -v $PWD/funasr-runtime-resources/models:/workspace/models \ funasr-p 10096:10095将容器内10095端口映射到宿主机的10096端口--privilegedtrue解决某些设备权限问题-v挂载模型目录3.3 启动语音识别服务进入容器后执行cd FunASR/runtime nohup bash run_server_2pass.sh \ --download-model-dir /workspace/models \ --vad-dir damo/speech_fsmn_vad_zh-cn-16k-common-onnx \ --model-dir damo/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-onnx \ --online-model-dir damo/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-online-onnx \ --punc-dir damo/punc_ct-transformer_zh-cn-common-vad_realtime-vocab272727-onnx \ --itn-dir thuduj12/fst_itn_zh \ --certfile 0 \ --hotword /workspace/models/hotwords.txt log.out 21 关键参数说明--vad-dir语音活动检测模型用于区分人声和静音--model-dir主识别模型离线模式--online-model-dir实时识别模型--punc-dir标点符号预测模型--itn-dir文本规范化如一百二十转1204. 客户端测试实战4.1 准备测试环境下载官方测试包wget https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/sample/funasr_samples.tar.gz tar zxvf funasr_samples.tar.gz安装Python依赖pip install websockets pyaudioWindows用户安装PyAudio可能会遇到问题可以到这里下载预编译版本https://www.lfd.uci.edu/~gohlke/pythonlibs/#pyaudio4.2 基本测试准备一个中文WAV音频文件采样率16kHz执行python funasr_wss_client.py --host 127.0.0.1 --port 10096 --mode 2pass --audio_in test.wav实测一个30秒的电商客服录音转写结果如下[00:00:00] 您好京东客服工号2056为您服务 [00:00:05] 您购买的iPhone15预计明天下午三点送达 [00:00:12] 需要提供签收码才能完成配送4.3 高级功能热词增强在宿主机修改./funasr-runtime-resources/models/hotwords.txt添加行业术语京东 20 iPhone15 15 签收码 10时间戳模式修改启动参数使用带时间戳的模型--model-dir damo/speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-onnx5. 中文语音标注全流程5.1 批量处理音频文件新建process.py脚本import os from funasr import AutoModel model AutoModel(modelparaformer-zh, vad_modelfsmn-vad) audio_dir audio_files for file in os.listdir(audio_dir): if file.endswith(.wav): res model.generate(inputos.path.join(audio_dir, file)) with open(foutput/{file}.txt, w) as f: f.write(res[0][text])5.2 标注结果后处理FunASR的输出包含丰富信息{ text: 明天天气怎么样, timestamp: [[0, 1200], [1200, 1800], [1800, 3000]], tones: [1, 4, 5] // 声调标注 }可以用Pandas做统计分析import pandas as pd df pd.DataFrame([{ text: item[text], duration: sum(end-start for start,end in item[timestamp])/1000, avg_tone: sum(item[tones])/len(item[tones]) } for item in results])5.3 常见问题解决Q1服务启动报错Address already in usenetstat -tulnp | grep 10095 kill -9 PIDQ2转写结果出现乱码检查音频采样率是否为16kHzsoxi test.wav | grep Sample RateQ3长音频处理中断增加Docker内存限制docker run -m 8g ...最后分享一个实用技巧在处理访谈录音时先用FFmpeg分割静音部分再并行处理多个片段速度能提升5倍以上ffmpeg -i input.wav -f segment -segment_time 300 -c copy output_%03d.wav