2个中文语音模型推荐：GLM-ASR-Nano开箱即用，免配置省时
2026/1/17 7:34:22
从Docker到WebUI｜FunASR语音识别全流程操作精讲
1. 引言：构建高效中文语音识别系统的实践路径
随着语音交互技术的普及，高精度、低延迟的语音识别系统在智能客服、会议记录、字幕生成等场景中发挥着关键作用。FunASR 作为阿里巴巴达摩院开源的语音识别工具包，凭借其模块化设计和高性能推理能力，成为开发者构建 ASR 系统的重要选择。
本文聚焦于“FunASR 语音识别基于 speech_ngram_lm_zh-cn 二次开发构建 by 科哥”这一特定镜像版本，完整还原从 Docker 部署到 WebUI 操作的全流程。该镜像在原始 FunASR 基础上集成了 N-gram 语言模型优化，并封装了直观的图形界面，极大降低了使用门槛。
文章将围绕以下核心目标展开：
- ✅ 在 Windows 11 环境下通过 Docker 快速部署服务
- ✅ 解析容器内服务启动的关键参数配置
- ✅ 全面掌握 WebUI 的功能使用与参数调优
- ✅ 提供可复用的操作脚本与问题排查指南
本教程适用于希望快速搭建本地化语音识别服务的技术人员，无需深入模型训练即可实现高质量中文语音转写。
2. 环境准备与Docker镜像部署
2.1 前置依赖安装
在开始部署前，请确保本地环境已安装以下组件：
Docker Desktop for Windows
下载地址：https://www.docker.com/products/docker-desktop
安装后启用 WSL2 后端支持，并确保 Linux 容器模式运行正常。WSL2（Windows Subsystem for Linux）
推荐使用 Ubuntu 发行版作为默认 WSL 子系统，用于执行 shell 命令。GPU 支持（可选但推荐）
若主机配备 NVIDIA 显卡，需安装对应驱动及 NVIDIA Container Toolkit，以启用 CUDA 加速。
验证 Docker 是否正常工作：
docker --version docker run hello-world2.2 创建本地模型存储目录
为实现模型持久化存储与跨容器共享，建议预先创建专用目录：
# 在 D 盘创建 FunASR 根目录 mkdir D:\FunASR\model # 或使用 PowerShell 命令 New-Item -ItemType Directory -Path "D:\FunASR\model"此目录将挂载至容器内部/workspace/models路径，用于自动下载或手动导入模型文件。
2.3 拉取并运行FunASR镜像
根据参考文档信息，执行以下命令拉取官方 CPU 版本镜像（兼容性最佳）：
docker pull registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr:funasr-runtime-sdk-online-cpu-0.1.9启动容器并映射必要资源：
docker run -p 10095:10095 \ -it \ --privileged=true \ -v D:/FunASR/model:/workspace/models \ registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr:funasr-runtime-sdk-online-cpu-0.1.9参数说明：
| 参数 | 作用 |
|---|---|
-p 10095:10095 | 将宿主机 10095 端口映射至容器，用于 WebSocket 通信 |
-it | 分配交互式终端，便于查看日志输出 |
--privileged=true | 赋予容器特权模式，避免权限不足导致错误 |
-v D:/FunASR/model:/workspace/models | 挂载本地模型目录，实现数据持久化 |
注意：若后续需启用 GPU 加速，请替换为
funasr-runtime-sdk-online-gpu-*镜像版本，并添加--gpus all参数。
3. 服务端启动与核心参数解析
3.1 进入运行时目录
容器成功启动后，首先进入 FunASR 运行时目录：
cd /workspace/FunASR/runtime该路径包含run_server_2pass.sh脚本，用于启动双路解码（VAD + ASR）服务。
3.2 启动双通道语音识别服务
执行如下命令启动funasr-wss-server-2pass服务：
nohup bash run_server_2pass.sh \ --certfile 0 \ --download-model-dir /workspace/models \ --vad-dir damo/speech_fsmn_vad_zh-cn-16k-common-onnx \ --model-dir damo/speech_paraformer-large-vad-punc_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 \ --lm-dir damo/speech_ngram_lm_zh-cn-ai-wesp-fst \ > log.txt 2>&1 &关键参数详解：
| 参数 | 功能描述 |
|---|---|
--certfile 0 | 关闭 SSL 加密，使用ws://协议而非wss:// |
--download-model-dir | 模型自动下载路径，与挂载目录一致 |
--vad-dir | 语音活动检测（VAD）模型 ID |
--model-dir | 主识别模型（含标点恢复） |
--online-model-dir | 在线流式识别模型 |
--punc-dir | 实时标点恢复模型 |
--itn-dir | 数字规范化（ITN）模型 |
--lm-dir | N-gram 语言模型，提升中文识别准确率 |
特别说明：本镜像重点强化了
speech_ngram_lm_zh-cn语言模型的应用，相比纯神经网络方案，在专业术语、数字表达等场景下表现更优。
3.3 监控服务运行状态
使用tail命令实时查看服务日志：
tail -f log.txt正常启动后应看到类似输出：
INFO: Started websocket server on port 10095 INFO: Downloading model from modelscope: damo/speech_paraformer... INFO: Model loaded successfully.若出现连接超时或模型下载失败，请检查网络代理设置或手动预下载模型。
4. WebUI界面部署与访问配置
4.1 获取WebUI代码并集成
当前镜像未内置 WebUI，需额外部署前端页面。可通过 Git 克隆科哥提供的 WebUI 工程：
git clone https://github.com/kege-webui/funasr-webui.git cd funasr-webui修改配置文件config.js中的服务地址：
const SERVER_URL = 'ws://localhost:10095';4.2 启动Python Flask后端服务
假设 WebUI 使用 Python + Flask 构建，安装依赖并启动：
pip install flask flask-socketio python app.py --host 0.0.0.0 --port 7860确保防火墙允许 7860 端口入站连接。
4.3 访问WebUI控制台
服务启动成功后，打开浏览器访问：
http://localhost:7860或从局域网其他设备访问：
http://<你的IP>:7860首次加载可能需要数秒时间，待界面渲染完成后即可进入主操作面板。
5. WebUI功能详解与使用流程
5.1 界面布局概览
WebUI 主要分为两大区域：
- 左侧控制面板：模型选择、设备切换、功能开关
- 右侧识别区域：上传音频、录音输入、结果显示
顶部显示标题：“FunASR 语音识别 WebUI”，底部保留版权信息：“webUI二次开发 by 科哥”。
5.2 模型与设备配置
模型选择
- Paraformer-Large：大模型，识别精度高，适合对准确性要求高的场景
- SenseVoice-Small：小模型，响应速度快，适合实时对话识别
设备选择
- CUDA：启用 GPU 加速（需 GPU 镜像支持）
- CPU：通用模式，兼容所有硬件环境
功能开关
- 启用标点恢复 (PUNC)：自动添加句号、逗号等标点符号
- 启用语音活动检测 (VAD)：跳过静音段，提升长音频处理效率
- 输出时间戳：返回每个词的时间区间，便于后期编辑
点击“加载模型”按钮可手动触发模型初始化。
5.3 方式一：上传音频文件识别
支持格式
- WAV、MP3、M4A、FLAC、OGG、PCM
- 推荐采样率：16kHz
- 文件大小建议小于 100MB
操作步骤
- 点击“上传音频”按钮选择本地文件
- 设置“批量大小（秒）”：默认 300 秒（5分钟）
- 选择识别语言：
auto：自动检测（推荐）zh：中文en：英文yue：粤语ja：日语ko：韩语
- 点击“开始识别”
- 查看结果标签页：
- 文本结果：纯净文本输出
- 详细信息：JSON 结构化数据
- 时间戳：分段起止时间
5.4 方式二：浏览器实时录音识别
录音流程
- 点击“麦克风录音”按钮
- 浏览器弹出权限请求，点击“允许”
- 开始说话，绿色波形图表示正在采集
- 点击“停止录音”结束录制
- 点击“开始识别”进行处理
提示：录音前请确认麦克风工作正常，关闭背景音乐或其他噪音源。
6. 识别结果导出与高级设置
6.1 多格式结果下载
识别完成后，提供三种导出方式：
| 下载按钮 | 输出格式 | 应用场景 |
|---|---|---|
| 下载文本 | .txt | 文档整理、内容提取 |
| 下载 JSON | .json | 程序解析、二次开发 |
| 下载 SRT | .srt | 视频字幕嵌入 |
所有文件保存在：
outputs/outputs_YYYYMMDDHHMMSS/示例结构：
outputs_20260104123456/ ├── audio_001.wav ├── result_001.json ├── text_001.txt └── subtitle_001.srt6.2 高级参数调优建议
| 参数 | 推荐值 | 说明 |
|---|---|---|
| 批量大小 | 300 秒 | 平衡内存占用与处理速度 |
| 语言设置 | auto | 自动识别多语种混合内容 |
| 时间戳 | 启用 | 适用于视频剪辑、访谈分析 |
| VAD | 启用 | 减少无效计算，提高效率 |
对于专业领域语音（如医疗、法律），建议结合热词功能提升专有名词识别率。
7. 常见问题排查与性能优化
7.1 识别不准确的解决方案
- 检查音频质量：优先使用清晰录音，避免远场拾音
- 调整语言选项：非中文内容应明确指定语言
- 启用 N-gram LM：确保
--lm-dir参数正确加载speech_ngram_lm_zh-cn - 后期降噪处理：使用 Audacity 等工具预处理嘈杂音频
7.2 识别速度慢的原因分析
| 可能原因 | 解决方案 |
|---|---|
| 使用 CPU 模式 | 切换至 GPU 镜像并启用 CUDA |
| 音频过长 | 分割为 5 分钟以内片段处理 |
| 模型过大 | 改用 SenseVoice-Small 模型 |
| 网络延迟高 | 本地部署避免公网传输 |
7.3 其他典型问题应对
| 问题现象 | 处理方法 |
|---|---|
| 无法上传文件 | 检查浏览器兼容性，尝试 Chrome 最新版 |
| 录音无声音 | 确认麦克风权限已授权，测试系统录音功能 |
| 返回乱码 | 检查音频编码格式，转换为标准 PCM |
| 端口冲突 | 更换服务端口或终止占用进程kill -9 $(lsof -t -i:10095) |
8. 总结
本文系统梳理了从 Docker 部署到 WebUI 操作的 FunASR 语音识别全流程，涵盖环境搭建、服务启动、界面使用、结果导出及常见问题处理等多个维度。通过该方案，用户可在 Windows 11 环境下快速构建一个功能完整的本地化语音识别系统。
核心要点回顾：
- ✅ 使用 Docker 实现跨平台一键部署
- ✅ 集成
speech_ngram_lm_zh-cn提升中文识别准确率 - ✅ WebUI 提供友好的可视化操作体验
- ✅ 支持文件上传与实时录音双模式
- ✅ 输出 TXT、JSON、SRT 多种格式满足不同需求
未来可进一步探索方向包括：
- 结合 Whisper 模型实现多语言无缝切换
- 集成自定义热词库提升垂直领域识别效果
- 构建 REST API 接口供第三方系统调用
通过持续优化与扩展，该系统有望应用于会议纪要生成、教学内容转录、无障碍辅助等多种实际场景。
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。