FunASR 语音识别 WebUI - 用户使用手册

运行截图

bug反馈可以加入科哥专属群交流➕ 广告勿进！​

​

科哥在UCloud镜像列表【不断更新中】：

• https://kege-aigc.feishu.cn/docx/L3FVdQl7kom8Ckx7QiicQj2VnEd

---

快速开始 开机自动运行

• 重启

cd /root && bash run.sh

访问地址

启动成功后，在浏览器中访问：

http://localhost:7860

或从远程访问：

http://<服务器IP>:7860

---

界面介绍

头部区域

显示应用标题、描述和版权信息：

• 标题： FunASR 语音识别 WebUI
• 描述： 基于 FunASR 的中文语音识别系统
• 版权： webUI二次开发 by 科哥 | 微信：312088415

控制面板（左侧）

1. 模型选择

• Paraformer-Large：大模型，高精度（可选）
• SenseVoice-Small：小模型，快速响应（默认）

2. 设备选择

• CUDA：GPU 加速（推荐，有显卡时自动选中）
• CPU：CPU 模式（无显卡时使用）

3. 功能开关

• 启用标点恢复 (PUNC)：自动添加标点符号
• 启用语音活动检测 (VAD)：自动检测语音段落
• 输出时间戳：在结果中显示时间戳信息

4. 模型状态

显示当前模型加载状态：

• ✓ 模型已加载
• ✗ 模型未加载

5. 操作按钮

• 加载模型：手动加载/重新加载模型
• 刷新：刷新状态信息

---

使用流程

方式一：上传音频文件识别

步骤 1：准备音频文件

支持的音频格式：

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

推荐采样率：16kHz

步骤 2：上传文件

1. 在 "ASR 语音识别" 区域，点击 "上传音频"
2. 选择本地音频文件
3. 等待上传完成

步骤 3：配置识别参数

• 批量大小（秒）： 默认 300 秒，支持最长 5 分钟音频
• 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

步骤 4：开始识别

点击 "开始识别" 按钮，等待处理完成

步骤 5：查看结果

识别结果会显示在下方区域，包含三个标签页：

文本结果

• 显示识别的纯文本
• 可直接复制使用

详细信息

• JSON 格式的完整结果
• 包含时间戳、置信度等详细信息

时间戳

• 显示每个词/句的时间范围
• 格式：[序号] 开始时间 - 结束时间 (时长)

---

方式二：浏览器实时录音

步骤 1：开始录音

1. 点击 "麦克风录音" 按钮
2. 浏览器会请求麦克风权限，点击 "允许"

步骤 2：录制语音

• 对着麦克风说话
• 点击 "停止录音" 结束录制

步骤 3：开始识别

点击 "开始识别" 按钮处理录音

步骤 4：查看结果

同"上传音频文件识别"的步骤 5

---

下载结果

识别完成后，可以下载不同格式的结果：

下载按钮说明

按钮	文件格式	说明
下载文本	.txt	纯文本，可直接使用
下载 JSON	.json	完整数据，包含时间戳
下载 SRT	.srt	字幕文件，可用于视频

文件保存位置

所有输出文件保存在：

outputs/outputs_YYYYMMDDHHMMSS/

每次识别会创建一个带时间戳的新目录，例如：

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

---

高级功能

批量大小调整

• 默认：300 秒（5 分钟）
• 范围：60 - 600 秒
• 用途：处理不同长度的音频文件

语言识别设置

选择正确的语言可以提高识别准确率：

• 中文内容 → 选择 zh
• 英文内容 → 选择 en
• 混合语言 → 选择 auto
• 粤语/日语/韩语 → 选择对应语言

时间戳输出

启用后，结果中会显示每个词/句的时间信息：

• 用于视频字幕制作
• 用于音频编辑定位

---

结果示例

纯文本输出

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。

SRT 字幕输出

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

时间戳信息

时间戳信息:
  [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)

---

常见问题

Q1：识别结果不准确怎么办？

解决方法：

1. 确保选择正确的识别语言
2. 检查音频质量，尽量使用清晰的录音
3. 尝试调整音频音量
4. 如果背景噪音大，可以后期降噪处理

---

Q2：识别速度慢怎么办？

可能原因：

1. 使用的是 CPU 模式
2. 音频文件过长

解决方法：

1. 检查设备选择，确保使用 CUDA（GPU）
2. 分段处理长音频
3. 考虑使用 SenseVoice-Small 模型（速度更快）

---

Q3：无法上传音频文件？

检查：

1. 文件格式是否支持（推荐 MP3/WAV）
2. 文件大小是否过大（建议 < 100MB）
3. 浏览器是否支持

---

Q4：录音没有声音？

检查：

1. 浏览器是否授予麦克风权限
2. 系统麦克风是否正常工作
3. 麦克风音量是否打开

---

Q5：识别结果包含乱码？

解决方法：

1. 确保选择正确的识别语言
2. 检查音频编码是否正确
3. 尝试重新转换音频格式

---

Q6：如何提高识别准确率？

建议：

1. 使用高质量音频（16kHz 采样率）
2. 减少背景噪音
3. 清晰发音，适当语速
4. 选择正确的识别语言

---

退出使用

停止 WebUI 服务

在终端中按 Ctrl + C 停止服务

或执行：

pkill -f "python.*app.main"

---

快捷键

操作	快捷键
停止服务	Ctrl + C
刷新页面	F5 / Ctrl + R
复制文本	Ctrl + C

---

技术支持

• 开发者： 科哥
• 微信： 312088415
• 问题反馈： 请提供详细的错误信息和操作步骤

---

镜像名称

• FunASR 语音识别 WebUI - SenseVoice Small 中文语音识别 构建by科哥

镜像简介

基于 FunASR 框架的中文语音识别 WebUI 系统，提供简洁易用的浏览器界面。

• 功能： 实时中文语音识别、音频文件转文字、多格式字幕输出（SRT/VTT）、时间戳标注
• 特点： 预装 SenseVoice Small 模型（893MB），支持 GPU 加速，一键启动 WebUI

核心特性

• 模型： iic/SenseVoiceSmall - 多语言 ASR 模型（中/日/韩/粤/英语）
• 界面： Gradio 6.0 现代化 WebUI，紫蓝渐变主题
• 输入方式： 支持音频文件上传 + 浏览器实时录音
• 输出格式： 纯文本、JSON、SRT 字幕、VTT 字幕
• 设备支持： 自动检测 CUDA/CPU，优先使用 GPU 加速

环境与依赖

• 基础镜像： continuumio/miniconda3 (Python 3.12)
• 深度学习框架： PyTorch 2.0+
• 核心依赖：
  • FunASR >= 1.3.0
  • ModelScope >= 1.0.0
  • Gradio >= 6.0.0
  • CUDA 11.8+ (GPU 加速)
• Python 包： numpy, scipy, librosa, soundfile, pyyaml, tqdm

模型存储

模型文件位于 /root/speech_ngram_lm_zh-cn/models/ 目录，包含：

• iic/SenseVoiceSmall/ - 主 ASR 模型（893MB）

目录结构

/root/speech_ngram_lm_zh-cn/
├── app/                    # 应用核心代码
│   ├── main.py            # WebUI 入口
│   ├── config.py          # 配置管理
│   ├── models/            # 模型加载器
│   ├── pipeline/          # ASR 处理管道
│   ├── ui/                # UI 组件
│   └── utils/             # 工具函数
├── models/                # 模型存储目录（可迁移）
├── outputs/               # 输出文件目录
├── logs/                  # 日志目录
└── start_app.sh           # 启动脚本

配置方法

端口配置

默认端口：7860

可通过环境变量修改：

export WEBUI_PORT=8080

设备配置

自动检测 CUDA，优先使用 GPU。可通过环境变量强制使用 CPU：

export WEBUI_DEVICE=cpu

模型配置

默认使用 SenseVoice Small 模型。可通过环境变量更换：

export WEBUI_ASR_MODEL=iic/SenseVoiceSmall

启动方式

方式一：使用启动脚本（推荐）

cd /root/speech_ngram_lm_zh-cn
bash start_app.sh

方式二：直接启动

cd /root/speech_ngram_lm_zh-cn
conda activate py312
python -m app.main

方式三：Docker 容器启动

docker run -d \
  --name funasr-webui \
  --gpus all \
  -p 7860:7860 \
  -v $(pwd)/models:/root/speech_ngram_lm_zh-cn/models \
  -v $(pwd)/outputs:/root/speech_ngram_lm_zh-cn/outputs \
  your-image-name:latest

访问地址

启动成功后，在浏览器中访问：

http://localhost:7860

或

http://<服务器IP>:7860

环境验证代码

验证 Python 环境

conda activate py312
python --version  # 应显示 Python 3.12.x

验证 CUDA 可用性

import torch
print(f"CUDA 可用: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"GPU 设备: {torch.cuda.get_device_name(0)}")

验证 FunASR 安装

from funasr import AutoModel
print("FunASR 安装成功！")

快速测试模型加载

cd /root/speech_ngram_lm_zh-cn
python -c "
from app.models.loader import ModelLoader
from app.config import Config
loader = ModelLoader()
config = Config()
model = loader.load_asr_only(config)
print('模型加载成功！')
"

相关链接

• FunASR 官方文档： https://github.com/alibaba-damo-academy/FunASR
• ModelScope 模型库： https://modelscope.cn/models
• SenseVoice 模型： https://modelscope.cn/models/iic/SenseVoiceSmall
• Gradio 文档： https://www.gradio.app/docs

常见问题

Q1：启动时提示 "模型加载失败"？ A1： 检查 models 目录是否存在且包含模型文件。首次启动会自动从 ModelScope 下载模型（约893MB）。

Q2：GPU 内存不足怎么办？ A2： 可以设置环境变量强制使用 CPU：

export WEBUI_DEVICE=cpu
bash start_app.sh

Q3：如何更改模型语言识别设置？ A3： 在 WebUI 界面的 "识别语言" 下拉框中选择：auto（自动）、zh（中文）、en（英文）、yue（粤语）、ja（日语）、ko（韩语）

Q4：输出文件保存在哪里？ A4： 输出文件保存在 outputs/outputs_YYYYMMDDHHMMSS/ 目录下，每次识别会创建带时间戳的新目录。

Q5：如何批量处理音频文件？ A5： 目前 WebUI 不支持批量处理。可以编写脚本循环调用 app.pipeline.asr_processor.ASRProcessor 或等待后续版本更新。

Q6：识别结果包含特殊标签怎么办？ A6： 已在代码中实现自动清理功能。如果仍有问题，请检查 app/pipeline/result_formatter.py 中的 _clean_sensevoice_tags() 方法。

Q7：端口 7860 被占用怎么办？ A7： 启动脚本会自动检测并终止占用端口的进程。如需自定义端口，设置环境变量：

export WEBUI_PORT=8080
bash start_app.sh

Q8：如何迁移到其他服务器？ A8： 直接复制整个项目目录即可。模型存储在 models/ 目录下，无需重新下载。

版权信息

• 二次开发： 科哥 | 微信：312088415
• 原框架： Alibaba DAMO Academy FunASR
• 开源承诺： 永久开源使用 | 保留版权信息