阿里达摩院开源语音识别：比Whisper快170倍还免费，CPU就能跑

阿里达摩院开源FunASR，颠覆语音转录体验：比Whisper快170倍，CPU即可流畅运行，集成说话人分离、情绪识别等实用功能，开启高效转录新篇章。该工具包以极速、免费、易部署为核心优势，旨在解决转录效率低、成本高的难题，为开发者提供一站式语音识别方案。

开会两小时，整理录音一整天。这是不是你的日常？记会议、扒播客、剪视频字幕——最烦的就是转录。Whisper 是能转，但慢，还分不清谁在说话；云服务倒是准，可每分钟都在计费。开源社区等一个"快、准、免费、能自己部署"的方案，等太久了。

现在有了。

阿里达摩院 ModelScope 团队的 FunASR，一个开源语音识别工具包——GPU 上跑到 170 倍实时速度，CPU 上 17 倍，比 Whisper 用 GPU 还快。它内置说话人分离、自动标点、情绪识别，所有功能集成一体。GitHub 上已获 18K star。

更关键的是，一句代码，全搞定。

“以前自己搭一套语音识别，GPU 服务器是门槛。现在，一台笔记本，CPU 就够了。”

这东西到底是什么来头？

FunASR 的全称是 A Fundamental End-to-End Speech Recognition Toolkit，由阿里达摩院语音团队开发，2023 年发表于语音顶会 INTERSPEECH。真正让其出圈的，是 2024 至 2025 年间一系列更新——SenseVoice 模型上线、支持 31 种语言、vLLM 推理加速、OpenAI 兼容 API，再到近期 MCP Server 集成，每一步都贴近实用。

它本质上是一套“模型 + 工具链”。你提供音频，它返回带说话人标签、时间戳、标点和情绪的文本。无需先切句、无需单独运行 VAD、无需额外安装说话人分离工具。

与 Whisper 相比，差异如何？

关键结论：FunASR 使用 CPU 运行，比 Whisper 使用 GPU 运行还要快。

官方 benchmark 测试了 184 个长音频，总计 192 分钟的材料：

SenseVoice-Small（234M 参数）在 GPU 上达到 170x 实时速度，在 CPU 上为 17x。作为对比，Whisper-large-v3 在 GPU 上仅为 13x，在 CPU 上几乎无法运行。

Paraformer-Large（220M 参数）在 GPU 上为 120x，在 CPU 上为 15x，是 Whisper 的 9 倍。

就连带 LLM 解码器的 Fun-ASR-Nano（800M 参数、31 语言）也能在 GPU 上达到 17x，在 CPU 上为 3.6x，比 Whisper-large-v3 快 30%。

一句话概括：以前“自己部署一套靠谱的语音识别”需要 GPU 服务器，现在一台普通电脑就能胜任。

第一次上手：3 步把它跑起来

探讨完 FunASR 的优势后，接下来聚焦具体操作。本节的承诺是：按照指导一步步执行，你将成功运行 FunASR。

第 1 步：装 Python 依赖

此步骤旨在搭建运行环境。FunASR 要求 Python 3.8 及以上版本，并需首先安装 PyTorch 和 torchaudio。

首先安装 PyTorch，请访问 pytorch.org 选择适合你电脑的版本。然后执行：

pip install torch torchaudio
pip install funasr

这两条命令执行完毕后，环境即可准备就绪。

注意：务必先安装 PyTorch。如果先安装 funasr 再补装 PyTorch，可能遭遇版本冲突，这是初学者最容易遇到的问题。

安装完成后，进行验证：

python -c "import funasr; print(funasr.__version__)"

显示版本号即表示第 1 步成功。此步骤完成后，下一步即可加载模型。

第 2 步：选模型，跑第一段音频

此步骤的目的是选择一个适合应用场景的模型，并通过示例音频验证整个流程是否畅通。

推荐从 SenseVoiceSmall 开始体验。它拥有 234M 参数，支持中、英、日、韩、粤语，运行速度快，且内置情绪识别功能，日常会议记录和视频字幕用途完全足够。

from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess
model = AutoModel(
    model="iic/SenseVoiceSmall",
    vad_model="fsmn-vad",
    spk_model="cam++",
    device="cuda"  # 没有 GPU 改成 "cpu"
)
result = model.generate(
    input="https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/asr_example_zh.wav"
)
for seg in result[0]["sentence_info"]:
    print(f"[{seg['start']/1000:.1f}s] Speaker {seg['spk']}: {rich_transcription_postprocess(seg['sentence'])}")

输出示例：

[0.6s] Speaker 0: 欢迎大家来体验达摩院推出的语音识别模型

至此，运行成功。一次 model.generate() 调用，就完成了 VAD 切句、语音识别、标点处理、说话人分离四项任务。

重点：将 device="cuda" 改为 device="cpu"，即可在无显卡的机器上运行。CPU 模式下速度为 17x 实时，处理 1 小时音频大约需要 3.5 分钟。

第 3 步：换自己的音频

将上述代码中的 input URL 替换为本地音频文件路径：

result = model.generate(input="my_meeting.mp3")

支持 WAV、MP3、M4A、FLAC 等常见格式。若音频包含多人对话，说话人分离和情绪识别功能将自动生效。

完成这一步后，你就拥有了一套可日常使用的语音转写工具。

配置完成后，每次使用只需执行一项操作：将音频路径传递给 model.generate()。

如果遇到操作困难，可请有开发经验的朋友协助安装一次，之后便可独立使用。

运行成功后，若想切换至更快模型，可尝试 fun-asr-nano 配合 vLLM 加速。但建议先使用默认的 SenseVoiceSmall 确保流程熟悉。

装好之后，日常怎么用

CLI 命令行：最简单的日常入口

若不希望编写 Python 代码，命令行模式即可满足需求：

# 基础转写
funasr meeting.wav
# 输出 JSON（供程序处理）
funasr meeting.wav --output-format json
# 直接出字幕文件
funasr meeting.wav --output-format srt --output-dir ./subs
# 带说话人标签 + 时间戳
funasr meeting.wav --spk --timestamps -f json
# 指定模型和语言
funasr meeting.wav --model paraformer --language zh
# 批量处理
funasr *.wav --output-format srt --output-dir ./output

--model 可选：sensevoice（默认）、paraformer、paraformer-en、fun-asr-nano。

三个进阶功能，知道就行

流式实时转写：可实现边说话边出字，适用于直播字幕场景。加载 paraformer-zh-streaming 模型，将音频流切分为 600ms 的小块逐块送入。配合 WebSocket 即可搭建一套实时字幕系统。

情绪识别：使用 emotion2vec_plus_large 模型，在转写的同时标注每句话的情绪，如开心、生气、难过。该功能适合客服质检、访谈分析等场景。

部署成 API：通过一行命令启动一个 OpenAI 兼容的 API 服务：

funasr-server --device cuda

此后，任何支持 OpenAI API 的工具（如 LangChain、Dify、AutoGen）都可直接调用。甚至 Claude 和 Cursor 也能通过 MCP Server 挂载，作为语音转写工具使用。

说实话，这会改变什么？

综合以上分析，得出三个核心判断：

对个人用户：免费语音转写的门槛已降至“会装 Python”。过去为转写播客，要么开通讯飞会员，要么支付 API 费用。如今一次 pip install，所有数据都留在本地机器上。

对小团队：内部会议记录、客服录音质检、视频字幕生成等场景，以往使用 SaaS 服务需固定支出。现在，一台闲置的 Linux 机器即可运行 CPU 模式，达到 17x 实时速度。

对整个 ASR 生态：FunASR 将“免费、自部署、工业级精度、多语言、情绪/说话人”五个维度同时提升到了较高水平。Whisper 未能实现这一点。MIT 协议允许用户进行修改甚至用于商业产品开发。

当然，并非全是优点。FunASR 在中文和东亚语言处理方面表现突出，达摩院团队在中文数据上投入了大量精力。而英文识别方面，Whisper 仍保持稳定性能，这源于 OpenAI 训练数据以英文为主。此外，Fun-ASR-Nano（31 语言、800M 参数）在纯 CPU 上达到 3.6x 实时速度，处理 1 小时音频大约需要 17 分钟，虽不算快，但已具备可行性。

重点：FunASR 真正适合的人群是那些需要免费、可自主部署、带说话人分离功能的语音转写方案，并且不介意花费 5 分钟安装一个 Python 包。如果你符合这些条件，今天就尝试一下。CPU 配置已经足够。

- 完 -