花莲县网站建设_网站建设公司_移动端适配_seo优化

Fun-ASR系统部署教程：本地与远程访问（IP:7860）配置全记录

1. 快速开始

1.1 启动应用

Fun-ASR 是由钉钉与通义联合推出的语音识别大模型系统，由开发者“科哥”构建并集成至 WebUI 界面，便于快速部署和使用。要启动该系统，请在项目根目录下执行以下命令：

bash start_app.sh

此脚本将自动加载模型、启动服务，并监听默认端口7860。首次运行时会下载模型权重（如未缓存），请确保网络通畅。

1.2 访问地址

服务启动成功后，可通过以下两种方式访问 WebUI 界面：

• 本地访问：仅限本机使用
  http://localhost:7860

• 远程访问：供局域网或公网设备访问
  http://<服务器IP>:7860

提示：若需远程访问，请确认防火墙已开放 7860 端口，且start_app.sh中的启动命令包含--server_name 0.0.0.0参数，以允许外部连接。

2. 功能介绍

Fun-ASR WebUI 提供六大核心功能模块，覆盖从单文件识别到批量处理的完整语音识别流程。

所有功能均通过直观的图形界面操作，无需编写代码即可完成复杂任务。

3. 语音识别

3.1 功能说明

语音识别是 Fun-ASR 的基础功能，支持上传本地音频文件或通过麦克风录制语音进行转写。

3.2 使用步骤

1. 上传音频

用户可通过两种方式输入音频： -上传文件：点击“上传音频文件”按钮选择本地.wav,.mp3,.m4a,.flac等格式文件。 -麦克风录音：点击麦克风图标开始录音，再次点击停止。

2. 配置识别参数（可选）

热词列表

用于提升特定词汇的识别准确率，每行填写一个关键词，例如：

开放时间 营业时间 客服电话

目标语言

支持中文、英文、日文，默认为中文。根据实际语音内容选择对应语言。

启用文本规整 (ITN)

开启后，系统将口语表达转换为规范书面语： - “一千二百三十四” → “1234” - “二零二五年” → “2025年”

建议保持启用状态以提高输出可读性。

3. 开始识别

点击“开始识别”按钮，等待几秒至数十秒（取决于音频长度和硬件性能）后，结果将显示在下方区域。

4. 查看结果

识别完成后展示两个字段： -识别结果：原始模型输出 -规整后文本：经 ITN 处理后的标准化文本

3.3 使用技巧

• 尽量使用高质量、低噪声的音频文件
• 对专业术语添加热词可显著提升识别精度
• 若识别失败，请检查文件是否损坏或编码异常

4. 实时流式识别

4.1 功能说明

实时流式识别模拟连续语音输入场景，适用于会议记录、访谈等需要即时反馈的应用。

4.2 使用步骤

1. 准备录音环境

确保麦克风正常工作，浏览器已授予麦克风权限（Chrome/Edge 推荐）。

2. 设置参数

配置目标语言和热词列表，其余参数沿用全局设置。

3. 开始录音与识别

1. 点击麦克风图标开始采集声音
2. 正常说话，系统会自动分段处理
3. 结束后点击“停止”，再点击“开始实时识别”

系统基于 VAD（语音活动检测）对音频流切片，并逐段调用 ASR 模型实现近似流式效果。

4.3 注意事项

⚠️ 当前版本中，Fun-ASR 模型本身不支持原生流式推理，因此“实时识别”为模拟实现。延迟受 VAD 分段策略和模型响应速度影响，适合非严格低延时场景。

5. 批量处理

5.1 功能说明

批量处理模块支持一次性上传多个音频文件并自动完成识别，极大提升工作效率。

5.2 使用步骤

1. 上传多个文件

支持多选上传或拖拽操作，最多一次处理 50 个文件。

2. 统一配置参数

• 目标语言
• 是否启用 ITN
• 共用热词列表

这些设置将应用于所有待处理文件。

3. 启动批量任务

点击“开始批量处理”按钮，系统按顺序逐一识别。

4. 查看处理进度

界面实时显示： - 当前处理文件名 - 已完成数量 / 总数 - 预估剩余时间（基于平均处理速度）

5. 导出结果

处理结束后可： - 在页面查看每条结果 - 导出为 CSV 或 JSON 格式 - 下载结构化数据文件用于后续分析

5.3 最佳实践

• 建议按语言分类分批处理
• 避免单次提交过大文件集合（>50）
• 处理期间不要关闭浏览器或中断网络连接

6. 识别历史

6.1 功能说明

识别历史模块用于存储和管理所有已完成的识别任务记录，方便追溯和复用。

6.2 主要功能

查看最近记录

默认展示最近 100 条识别历史，包含： - ID 编号 - 时间戳 - 文件名 - 识别语言 - 原始与规整文本摘要

搜索功能

支持全文检索，可在“搜索框”中输入关键词查找特定记录，系统实时过滤显示匹配项。

查看详细信息

输入记录 ID 可查看完整元数据： - 文件路径（本地存储位置） - 完整识别文本 - 规整后文本 - 使用的热词 - ITN 开关状态 - 处理耗时

删除与清空

• 删除单条记录：输入 ID 并确认删除
• 清空全部记录：点击“清空所有记录”按钮（⚠️ 不可逆操作）

6.3 数据存储机制

所有历史记录持久化保存于 SQLite 数据库中：

webui/data/history.db

建议定期备份此文件以防数据丢失。

7. VAD 检测

7.1 功能说明

VAD（Voice Activity Detection）即语音活动检测，用于定位音频中存在人声的时间段，常用于预处理长录音。

7.2 应用场景

• 自动分割会议录音中的发言片段
• 过滤长时间静音部分以减少无效计算
• 辅助构建语音标注数据集

7.3 操作流程

1. 上传音频

支持任意常见格式，不限制大小（但大文件处理时间较长）。

2. 设置最大单段时长

• 单位：毫秒（ms）
• 范围：1000 ~ 60000（1秒~60秒）
• 默认值：30000（30秒）

作用：防止某一片段过长影响后续处理效率。

3. 执行检测

点击“开始 VAD 检测”按钮，系统返回如下信息： - 检测到的语音片段总数 - 每个片段的起止时间（HH:MM:SS.ms） - 片段持续时长 - （可选）各片段的识别文本

7.4 输出用途

检测结果可用于： - 切割音频生成子片段 - 构建字幕时间轴 - 分析说话人活跃度分布

8. 系统设置

8.1 计算设备选择

可根据硬件环境切换计算后端：

切换设备后需重新加载模型。

8.2 模型管理

• 模型路径：显示当前加载的模型文件路径（如models/funasr-nano-2512）
• 模型状态：指示模型是否已成功加载

8.3 性能调优参数

• 批处理大小（batch_size）：默认为 1，增加可提升吞吐量但占用更多显存
• 最大长度（max_length）：控制输入序列上限，默认 512 tokens

8.4 缓存与资源管理

提供两个实用工具按钮： -清理 GPU 缓存：释放 PyTorch 占用的显存 -卸载模型：从内存中移除模型实例，降低资源消耗

适用于多任务共用 GPU 的场景。

9. 常见问题

9.1 识别速度慢怎么办？

可能原因及解决方案： - 未启用 GPU 加速 → 检查是否选择了CUDA模式 - GPU 内存不足 → 清理缓存或降低 batch_size - 音频文件过大 → 分割为小段处理 - 同时运行其他高负载程序 → 关闭无关应用释放资源

9.2 识别准确率不高？

优化建议： - 提升音频质量，避免背景噪音 - 添加领域相关热词（如客服术语） - 确保选择正确的“目标语言” - 尝试不同音频格式（推荐 WAV 无损格式）

9.3 出现 CUDA out of memory 错误？

应对措施： - 点击“清理 GPU 缓存”释放内存 - 重启服务释放残留资源 - 切换至 CPU 模式临时使用 - 减少批处理大小或处理更短音频

9.4 麦克风无法使用？

排查步骤： - 浏览器是否弹出权限请求？请允许访问麦克风 - 设备是否正确连接？测试其他录音软件 - 尝试刷新页面或更换 Chrome/Edge 浏览器 - 检查操作系统隐私设置中是否禁用了麦克风

9.5 页面显示异常？

解决方法： - 强制刷新页面（Ctrl+F5 或 Cmd+Shift+R） - 清除浏览器缓存和 Cookie - 更换主流浏览器（Chrome/Firefox/Safari） - 调整窗口尺寸以触发响应式布局重绘

9.6 如何提高批量处理效率？

工程化建议： - 将同语言文件归类处理 - 使用 GPU 模式并确保显存充足 - 预先配置好热词模板 - 分批次提交（每批 ≤50 文件）

9.7 历史记录占用空间过大？

管理策略： - 定期搜索并删除无用记录 - 导出重要数据后清空数据库 - 手动备份history.db文件后替换为空库

10. 总结

本文档全面介绍了 Fun-ASR WebUI 的部署方式与功能使用细节，涵盖从本地启动到远程访问、从单文件识别到批量处理的全流程操作指南。

Fun-ASR 凭借其轻量化设计（如 Nano 版本）、多语言支持（共 31 种语言）以及丰富的交互功能，在语音转写、会议纪要、客服质检等场景中具备广泛应用潜力。结合 VAD 检测与 ITN 文本规整能力，进一步提升了输出结果的专业性和可用性。

尽管当前“实时流式识别”为模拟实现，但在大多数非实时性要求极高的业务中仍能满足需求。未来随着原生流式模型的接入，用户体验将进一步提升。

对于企业级部署，建议结合 Docker 容器化封装，并配合 Nginx 反向代理实现 HTTPS 安全访问与负载均衡。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。