从0开始学语音识别：Fun-ASR零基础手把手教学

从0开始学语音识别：Fun-ASR零基础手把手教学

你有没有过这样的经历：录了一段会议音频，想快速转成文字整理纪要，却卡在复杂的命令行、报错的环境配置、看不懂的参数说明里？或者刚下载好一个语音识别工具，点开界面满屏英文术语和灰色按钮，连“从哪开始按”都找不到？

别担心——今天这篇教程，就是专为完全没接触过语音识别的新手写的。不讲模型结构，不聊Transformer原理，不堆专业术语。我们就用最直白的话，像朋友面对面教你怎么操作，从双击启动脚本开始，到把一段录音变成可编辑的文字，全程无断点、无跳步、无隐藏门槛。

Fun-ASR不是实验室里的demo，而是钉钉与通义联合推出、由一线工程师“科哥”亲手打磨落地的语音识别系统。它已经跑在真实客服工单、在线课程字幕、企业内部会议记录等场景中。更重要的是，它自带图形界面（WebUI），不用写代码也能用；支持中文、英文、日文；能听清带口音的普通话，也能处理嘈杂环境下的录音片段。

下面，咱们就真正从0开始，一步步把它跑起来、用明白、用得稳。

1. 第一步：三分钟启动你的语音识别服务

很多新手卡在第一步——根本打不开软件。Fun-ASR 的设计原则很明确：先让结果出来，再谈优化。所以它的启动方式极简，不需要装Python包、不用配CUDA路径、不弹出十行报错。

1.1 启动命令只有一行

打开终端（Windows用CMD或PowerShell，Mac/Linux用Terminal），进入你解压Fun-ASR镜像的文件夹，执行：

bash start_app.sh

你不需要理解这行命令背后的含义，只需要知道：
它会自动检测你有没有GPU（NVIDIA显卡）并启用加速
如果没有GPU，它会无缝切换到CPU模式继续运行
所有依赖（模型文件、Web框架、VAD组件）都已预装完毕

几秒钟后，你会看到类似这样的提示：

INFO: Uvicorn running on http://0.0.0.0:7860 (Press CTRL+C to quit) INFO: Started reloader process [12345]

这就成功了。

1.2 访问地址：两个链接，一个管本地，一个管远程

• 本地使用：直接在浏览器打开http://localhost:7860
• 远程使用（比如你在服务器上部署）：用另一台电脑浏览器访问http://你的服务器IP:7860

注意：如果打不开，请先确认是否关闭了防火墙（Linux用sudo ufw disable，Windows检查防火墙设置），或尝试换用Chrome/Edge浏览器（Fun-ASR对Safari兼容性稍弱）。

打开后，你会看到一个干净清爽的界面，顶部是功能导航栏，中间是操作区，右下角有状态提示——这就是你接下来所有操作的“主战场”。

2. 六大功能模块，到底该用哪个？

Fun-ASR WebUI不像传统软件那样只有“上传→识别→下载”三个按钮。它把不同使用习惯、不同业务需求的人群都考虑进去了，拆成了6个独立但又相互关联的功能模块。我们不按文档顺序讲，而是按你最可能先遇到的场景来排：

记住这个逻辑：先试单个 → 再扩规模 → 最后调细节。别一上来就去点“系统设置”，就像学开车不该先研究发动机原理。

3. 语音识别：第一次识别，从上传到出结果

这是90%用户第一次点击的功能。我们用一个真实例子走完全流程：你刚用微信语音发来一段15秒的语音，格式是.m4a，内容是：“今天下午三点在3号会议室开项目复盘会”。

3.1 上传音频：两种方式，任选其一

• 方式一（推荐新手）：上传文件
  点击界面上方的“上传音频文件”按钮 → 在弹窗中找到你的.m4a文件 → 点击“打开”。
  支持格式：WAV、MP3、M4A、FLAC（常见手机录音格式全兼容）
  ❌ 不支持：视频文件（如MP4）、压缩包（ZIP/RAR）、文字文档（TXT/PDF）

• 方式二（即兴操作）：直接录音
  点击界面右上角的麦克风图标 → 浏览器会请求权限 → 点“允许” → 对着电脑说话 → 说完再点一次麦克风停止。
  注意：此方式录制的是纯语音，不包含背景音乐或混响，适合测试语速、口音适应性。

3.2 配置三项关键选项（小白只需关注这三处）

别被“参数”吓到，这里只有三个真正影响结果的开关，其他都可以先保持默认：

• 目标语言：下拉菜单选“中文”（如果你说的是普通话）。Fun-ASR支持31种语言，但中文识别准确率最高，尤其对日常口语、轻度口音、带语气词（“啊”、“嗯”、“那个”）的句子优化充分。

• 启用文本规整（ITN）： 勾选它。
  这个功能会把“二零二五年三月十二号”自动转成“2025年3月12日”，把“一千二百三十四”变成“1234”。不做这一步，识别结果全是口语化数字，后期还得手动改。

• 热词列表（可选但强烈建议）：
  在下方文本框里，每行输入一个你常提到的专有名词，比如：

  项目复盘会 3号会议室 科哥 Fun-ASR

  这样，“3号会议室”就不会被误识别成“三号会议室”或“三号会议市”。

3.3 开始识别 & 查看结果：两步完成

点击“开始识别”按钮 → 等待3~8秒（取决于音频长度和设备）→ 结果自动出现在下方区域。

你会看到两行文字：

• 识别结果：原始输出，比如：“今天下午三点在三号会议室开项目复盘会”
• 规整后文本（如果启用了ITN）：比如：“今天下午3点在3号会议室开项目复盘会”

正确：时间、地点、事件全部准确，且数字已标准化。
❌ 异常：如果出现大量乱码、重复字、或明显不合逻辑的句子（如“今天下午三点在三号会议室开鸡目复盘会”），请回头检查音频质量——是不是录音太小声？背景有键盘敲击声？或者说话太快？

小技巧：识别完成后，你可以用鼠标选中“规整后文本”，Ctrl+C复制，直接粘贴到Word或飞书文档里。无需导出、无需格式转换。

4. 实时流式识别：像用智能音箱一样说话出字

这个功能的名字听起来很技术，其实本质就一句话：你说，它记，边说边出字。适合做即兴发言稿、口播初稿、或练习普通话发音。

4.1 它不是真正的“流式”，但足够好用

需要坦诚说明：Fun-ASR底层模型本身不原生支持逐帧流式推理（像某些专用ASR芯片那样）。但它通过“VAD分段 + 快速识别”的组合策略，实现了接近实时的效果——延迟控制在1秒内，普通人说话完全感觉不到卡顿。

所以你不必纠结“是不是真流式”，只要关心：它能不能跟上你的语速？出字是否连贯？

答案是：能。实测连续说30秒不中断，文字滚动流畅，标点（句号、逗号）会根据停顿自动添加。

4.2 操作比语音识别还简单：三步搞定

1. 点击“实时流式识别”标签页
2. 确保麦克风已授权（浏览器地址栏左侧会有麦克风图标，显示“已允许”）
3. 点击中间的大麦克风按钮 → 开始说话 → 说完再点一次停止 → 点“开始实时识别”

注意：不要一边说话一边点“开始实时识别”，必须先录完再触发识别。这是为了保证VAD能完整分析语音段落。

识别完成后，结果同样分“原始”和“规整后”两栏。你会发现，它甚至能识别出你说话时的自然停顿，并在合适位置加逗号，比如：
“这个方案我们需要再讨论一下，特别是预算部分，下周三前给反馈。”

5. 批量处理：一次搞定50个音频文件

当你不再只是处理“一段录音”，而是面对“一整个文件夹”，手动上传就太低效了。批量处理就是为此而生——它不改变单个识别的逻辑，只是把重复动作自动化。

5.1 上传：支持拖拽，一次选多个

点击“上传音频文件” → 在弹窗中按住Ctrl（Windows）或Cmd（Mac）多选文件 → 或者直接把整个文件夹里的音频文件拖进上传区域。
支持同时上传20个、50个甚至100个文件（但建议单批不超过50个，后面会解释原因）。

5.2 配置：全局生效，省去逐个设置

这里的所有选项，都会应用到本次上传的每一个文件上：

• 目标语言：统一设为“中文”（除非你混有英文访谈）
• 启用ITN： 勾选（保持文字规范）
• 热词列表：把所有可能用到的专有名词一次性填进去，比如客户名、产品代号、部门名称

5.3 处理过程：看得见的进度，心里不慌

点击“开始批量处理”后，界面会显示清晰的进度条：

• 当前处理第几个文件（如“正在处理：03_of_50”）
• 当前文件名（方便你核对是否传错）
• 已完成/总数（如“已完成：12 / 50”）

优势：即使中途网络波动或页面刷新，已处理的文件结果不会丢失，重新进入页面仍可查看。
❌ 风险：如果强行关闭浏览器或终止进程，未完成的部分需重来。

5.4 导出结果：一键生成CSV，Excel直接打开

处理全部完成后，点击右上角“导出结果”按钮：

• 选择格式：CSV（推荐）或 JSON
• CSV文件用Excel双击即可打开，三列清晰排列：文件名、识别原文、规整后文本
• 支持按列排序、筛选关键词、批量查找替换——这才是真正能投入工作的产出物。

真实建议：某教育公司用此功能处理200节网课录音，原本需3人×2天，现在1人×2小时完成，准确率反而提升（因ITN统一规整，避免人工誊写错误）。

6. VAD检测：先“听懂”音频，再决定怎么识别

很多人忽略了一个关键前提：不是所有音频都需要全文识别。一段1小时的会议录音，真正说话的时间可能只有20分钟，其余全是翻纸声、空调声、沉默间隔。把这些静音段也送进模型，既浪费时间，又可能引入识别噪声。

VAD（Voice Activity Detection，语音活动检测）就是干这个的——它像一个“音频过滤器”，只标记出“有人在说话”的时间段，帮你精准切片。

6.1 什么时候该用VAD？

• 音频时长 > 60秒（比如会议、访谈、课程录像）
• 背景噪音明显（办公室环境、户外采访）
• 你想提取“有效语音片段”而非全文（比如只取发言人语句，过滤掉听众提问）

6.2 操作四步，结果一目了然

1. 进入“VAD检测”标签页
2. 上传你的长音频（支持所有常规格式）
3. 设置“最大单段时长”：默认30000毫秒（30秒），足够覆盖正常语句。如果常有长段独白，可调高至60000（60秒）
4. 点击“开始VAD检测”

几秒后，下方会列出所有检测到的语音片段，例如：

你可以直接点击某一行，将该片段单独导出为新音频文件，再送去“语音识别”模块精加工。
也可以勾选多个片段，一键批量识别——这才是高效处理长音频的正确姿势。

7. 识别历史：你的每一次识别，都被认真保存

Fun-ASR会自动记录你做的每一件事：什么时候传的什么文件、用了什么参数、识别出什么内容。这不是为了监控你，而是让你随时回溯、对比、复用。

7.1 历史页面能看到什么？

• 最近100条记录（按时间倒序）
• 每条含：ID编号、识别时间、原始文件名、识别结果摘要（前30字）、语言类型
• 点击任意一条的ID，展开详情：完整原文、规整后文本、所用热词、ITN开关状态、模型版本

7.2 实用场景：三个高频操作

• 找上次结果：比如昨天识别的“客户反馈录音”，今天想再看看，直接在搜索框输入“客户反馈”，秒出结果。
• 对比参数效果：同一段音频，分别用“开启ITN”和“关闭ITN”识别两次，对比结果差异，快速掌握ITN的作用边界。
• 清理空间：如果历史记录太多（比如超过500条），可输入ID范围批量删除，或点“清空所有记录”（注意：此操作不可撤销，建议先备份数据库webui/data/history.db）。

8. 系统设置：不折腾，只调关键项

“系统设置”不是给极客准备的调参面板，而是为普通用户提供的安全可控的调节旋钮。我们只聚焦三个真正有用、且不会导致崩溃的选项：

8.1 计算设备：GPU优先，CPU兜底

• 自动检测（默认）：系统自己判断，95%情况最优
• CUDA (GPU)：如果你有NVIDIA显卡（RTX 3060及以上），选它，速度提升2~3倍
• CPU：没有独显的笔记本或MacBook，选它，稳定不报错
• MPS：仅限Apple Silicon芯片（M1/M2/M3 Mac），性能接近CUDA，功耗更低

建议：首次运行选“自动检测”，识别几次后，如果发现GPU显存占用长期低于50%，可手动切到CUDA进一步提速。

8.2 缓存管理：解决“越用越慢”的灵丹

• 清理GPU缓存：当识别变慢、或出现“CUDA out of memory”报错时，点它，立刻释放显存。
• 卸载模型：当你确定今天不再用ASR，点它可把模型从内存中移除，释放约2GB空间。

这两个按钮，就像电脑的“任务管理器”，不常点，但关键时刻能救命。

8.3 性能设置（进阶用户参考）

• 批处理大小：默认1，批量处理时可调高（如4或8），但需配合GPU显存调整（见参考博文）
• 最大长度：默认512，对应约30秒音频。一般无需改动，除非你总处理超长录音且确认显存充足

提示：这两项在WebUI里是灰色禁用状态，因为它们已被封装进“批量处理”和“VAD检测”的后台逻辑中。普通用户只需用好那两个功能模块，无需手动干预。

9. 常见问题：别人踩过的坑，你不用再踩

我们把用户反馈最多、最影响体验的6个问题，浓缩成一句话解决方案：

• Q：识别速度慢？
  A：先点“系统设置→清理GPU缓存”，再确认是否选了“CUDA (GPU)”，最后检查音频是否过大（>100MB建议先压缩）。

• Q：识别不准，老把“科哥”听成“哥哥”？
  A：把“科哥”加进热词列表，重启识别。热词对专有名词纠错效果立竿见影。

• Q：麦克风没反应？
  A：检查浏览器地址栏左侧麦克风图标是否显示“已阻止”，点击它→选“始终允许”→刷新页面。

• Q：上传后没反应，界面卡住？
  A：按快捷键Ctrl+F5（Windows）或Cmd+Shift+R（Mac）强制刷新，清除页面缓存。

• Q：批量处理到一半中断，还能续吗？
  A：不能续，但已完成的文件结果已保存。下次上传时，先在“识别历史”里确认哪些已处理，剔除它们再重试。

• Q：导出的CSV乱码？
  A：用Excel打开时，选择“数据→从文本/CSV→选择UTF-8编码”，即可正常显示中文。

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。