FireRedASR2S语音识别转文字语音转文本音频转文本模型ai系统 二次构建开发 by科哥

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

FireRedASR2S是什么

• FireRedASR2S是小红书Super Intelligence-AudioLab开源的工业级端到端语音识别模型
• 集成ASR、VAD、语种识别和标点预测四大SOTA模块。模型支持中文普通话及20+方言、英语、代码切换和歌词识别
• 中文普通话字错率低至2.89%，方言平均11.55%，全面领先Doubao-ASR、Qwen3-ASR等竞品。
• 系统支持一键本地部署，无需外部API，已在小红书语音评论、语音搜索等高频场景规模化落地。

---

运行截图：

---

FireRedASR2S WebUI 用户使用手册

开发者: 科哥 (微信: 312088415 | 公众号: 科哥玩AI) 仓库地址: https://github.com/kegeai888/FireRedASR2S-webui-WebUI 原始项目: https://github.com/FireRedTeam/FireRedASR2S

---

📖 简介

FireRedASR2S 是工业级全栈语音识别系统，支持：

• 🎤 语音识别（中英文等多语言）
• 🔊 语音活动检测（VAD）
• 🌍 语言识别（100+ 语言）
• ✏️ 标点预测

本 WebUI 提供友好的图形界面，无需命令行即可使用。

---

🚀 快速开始

1. 下载模型（首次使用）

bash download_models.sh

说明：

• 自动下载 4 个模型到 models/ 目录
• 使用国内镜像加速，约需 5-10 分钟
• 仅需执行一次

---

2. 启动 WebUI

bash start_app.sh

说明：

• 自动激活 py310 环境
• 自动清理显存和端口占用
• 启动成功后访问：http://localhost:7860

---

🎯 使用步骤

步骤 1: 上传音频

点击"上传音频文件"，选择你的音频文件。

支持格式：

• 任意格式（mp3、wav、m4a、flac 等）
• 系统会自动转换为 16kHz 单声道 PCM

音频长度限制：

• AED 模式：建议 60 秒以内（超过 200 秒会报错）
• LLM 模式：建议 30 秒以内
• 长音频：请启用 VAD 自动分段

---

步骤 2: 配置模块

模块开关：

• ✅ 启用 VAD：自动检测语音段，过滤静音（推荐开启）
• ✅ 启用 LID：识别音频语言（中文、英文等）
• ✅ 启用 Punc：自动添加标点符号（推荐开启）

ASR 类型：

• AED（推荐）：速度快，支持 60 秒音频
• LLM：效果更好，但仅支持 30 秒音频

---

步骤 3: 调整参数（可选）

点击"高级参数"展开：

参数	说明	推荐值
Beam Size	解码束宽，越大越准确但越慢	3
ASR Batch Size	ASR 批处理大小	1
Punc Batch Size	标点批处理大小	1
使用 GPU	是否使用 GPU 加速	✅

---

步骤 4: 开始识别

点击"🚀 开始识别"按钮，等待处理完成。

处理流程：

1. 音频格式转换（如需要）
2. 加载模型（首次较慢，后续会缓存）
3. VAD 分段（如启用）
4. 语音识别
5. 语言识别（如启用）
6. 标点预测（如启用）
7. 生成结果文件

---

步骤 5: 查看结果

识别文本：

• 显示完整的识别结果（带标点）

语言识别结果：

• 显示检测到的语言及句子数量
• 例如：zh mandarin: 5 句

完整结果（JSON）：

• 包含时间戳、置信度等详细信息
• 可用于二次开发

文件下载：

• TextGrid 文件：用于 Praat 等语音分析工具
• SRT 字幕文件：可直接用于视频字幕

---

📂 输出文件说明

每次识别会在 outputs/ 目录下创建时间戳文件夹：

outputs/
└── outputs_20260224112734/
    ├── result.json          # 完整结果（JSON 格式）
    ├── normalized_16k_mono.wav  # 转换后的音频
    ├── hello_zh.TextGrid    # TextGrid 文件
    └── hello_zh.srt         # SRT 字幕文件

---

⚙️ 使用场景

场景 1: 会议录音转写

配置：

• ✅ 启用 VAD（过滤静音）
• ✅ 启用 Punc（添加标点）
• ✅ 启用 LID（识别语言）
• ASR 类型：AED

适用：

• 会议录音
• 采访录音
• 讲座录音

---

场景 2: 短音频精准识别

配置：

• ❌ 关闭 VAD（音频已预处理）
• ❌ 关闭 LID（已知语言）
• ✅ 启用 Punc
• ASR 类型：LLM

适用：

• 语音指令
• 短句识别
• 高精度场景

---

场景 3: 多语言音频

配置：

• ✅ 启用 VAD
• ✅ 启用 LID（重要！）
• ✅ 启用 Punc
• ASR 类型：AED

适用：

• 多语言会议
• 国际采访
• 语言学习材料

---

❓ 常见问题

Q1: 识别结果不准确怎么办？

解决方案：

1. 确保音频质量良好（无噪音、清晰）
2. 尝试调整 Beam Size（增大到 5-10）
3. 尝试切换 ASR 类型（AED ↔ LLM）
4. 启用 VAD 过滤静音段

---

Q2: 长音频识别失败？

解决方案：

1. 必须启用 VAD（自动分段）
2. 确保音频不超过 60 秒（AED）或 30 秒（LLM）
3. 或使用 ffmpeg 手动分段：

   ffmpeg -i long.wav -f segment -segment_time 30 -c copy output%03d.wav
   

---

Q3: 显存不足怎么办？

解决方案：

1. 关闭 GPU：取消勾选"使用 GPU"
2. 减小 Batch Size（改为 1）
3. 重启 WebUI 清理显存：

   bash start_app.sh
   

---

Q4: 端口 7860 被占用？

解决方案：

• start_app.sh 会自动释放端口
• 如仍失败，手动终止进程：

  lsof -ti:7860 | xargs kill -9
  

---

Q5: 模型加载很慢？

说明：

• 首次加载需要 10-30 秒（正常）
• 后续会缓存模型，速度显著提升
• 切换配置（如 AED ↔ LLM）会重新加载

---

Q6: 音频格式不支持？

解决方案：

• WebUI 会自动转换格式，无需手动处理
• 如仍失败，使用 ffmpeg 手动转换：

  ffmpeg -i input.mp3 -ar 16000 -ac 1 -acodec pcm_s16le output.wav
  

---

🛠️ 命令行使用（高级）

如需批量处理或脚本调用，可使用 CLI：

python fireredasr2s/fireredasr2s_cli.py \
  --wav_path audio.wav \
  --enable_vad 1 \
  --enable_lid 1 \
  --enable_punc 1 \
  --asr_type aed

批量处理：

python fireredasr2s/fireredasr2s_cli.py \
  --wav_dir /path/to/audio_folder \
  --asr_batch_size 4

详细参数：

python fireredasr2s/fireredasr2s_cli.py --help

---

📞 技术支持

遇到问题？

• 微信：312088415
• 公众号：科哥玩AI

反馈建议？

• 欢迎提交 Issue 或 Pull Request

---

📄 版权声明

本 WebUI 由科哥二次开发，承诺永远开源使用，但需保留版权信息。

原始 FireRedASR2S 项目版权归 Xiaohongshu 所有。

---

祝使用愉快！ 🎉