FunASR：阿里达摩院开源的工业级语音识别工具包（4 款模型 + Gradio 可视化）

【开源项目推荐】FunASR 便携版：开箱即用的离线语音识别工具包（4 款模型 + OpenAI 兼容 API + Gradio 可视化）

还在为 FunASR 配 Python 环境、装 PyTorch、下 4GB 模型而头秃？把整个工具链打包到 U 盘里，双击 FunASR.bat 就能跑——本文带你 5 分钟把一个本地语音转文字服务跑起来。

一、前言：为什么需要 FunASR 便携版？

FunASR 是阿里达摩院开源的工业级语音识别工具包，主打中文场景，识别准、速度快、自带标点恢复和情感标签，是国内做语音转写最主流的方案之一。

但第一次跑通它，门槛不低：

• Python 3.8+ 解释器
• PyTorch 2.x（CPU/GPU 版本还要对 CUDA）
• torchaudio、funasr、modelscope、huggingface_hub 一堆依赖
• 4 个模型加起来 ~4.5GB：SenseVoice、Paraformer 中文、Paraformer 英文、Fun-ASR-Nano
• ffmpeg、Visual C++ Redistributable、偶尔还缺 DLL
• 端口被占、模型下不动、API 怎么调

FunASR-Portable 就是为了把上面这些"踩坑步骤"全部消灭掉：

• 内置 Python 3.11.9 嵌入式解释器
• PyTorch 2.5.0 + FunASR + Gradio 全套依赖
• 4 款模型预下载（网盘一键领取）
• 启动脚本 + 健康检查 + 停止服务 + 模型管理脚本一应俱全
• 一键启动 OpenAI 兼容 API（端口 8000）+ Gradio 可视化界面（端口 7860）

不需要装 Python，不需要配环境，不需要下模型——解压即用。

二、便携包信息

📦 夸克网盘下载： 🔗 https://pan.quark.cn/s/75fb0b6ff5b0

下载后解压到任意目录（路径最好不带中文和空格），目录结构长这样：

FunASR-Portable/
├── FunASR.bat # ⭐ 一键启动
├── 停止服务.bat
├── 检查环境.bat
├── 下载模型.bat
├── run_api.bat
├── run_ui.bat
├── start_services.py
├── p0_test.py
├── app/ # FunASR 源码（含 openai_api）
├── runtime/python/ # 嵌入式 Python 3.11.9
├── workspace/models/ # 用户工作目录 + 模型缓存
└── scripts/ # 辅助脚本

三、5 分钟跑起来

1. 启动服务

双击根目录下的 FunASR.bat。

脚本会自动做四件事：

启动后看到 FunASR Started! 就成功了，控制台打印：

API: http://localhost:8000
UI: http://localhost:7860

提示：关闭窗口只是关闭启动器，API 和 UI 还在后台跑。想停服务就双击 停止服务.bat。

2. 浏览器里玩一下

打开 http://localhost:7860，会看到 Gradio 上传界面：

• 上传 wav/mp3/m4a 等音频文件
• 在下拉框里选模型（sensevoice / paraformer / paraformer-en / fun-asr-nano）
• 点提交，几秒钟出结果

SenseVoice 还会附带情感标签和事件标签（笑声、掌声等），是它的一个特色。

3. 用 API 调

对所有 OpenAI 兼容的工具来说，这就是个"本地 Whisper"。

Python（OpenAI SDK）：

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="not-needed")

# 普通转写
result = client.audio.transcriptions.create(
model="sensevoice",
file=open("meeting.wav", "rb"),
)
print(result.text)

# 详细 JSON（含分段、情感）
verbose = client.audio.transcriptions.create(
model="sensevoice",
file=open("meeting.wav", "rb"),
response_format="verbose_json",
)
print(verbose.segments)

curl：

curl http://localhost:8000/v1/audio/transcriptions \\
-F file=@meeting.wav \\
-F model=sensevoice

curl http://localhost:8000/v1/audio/transcriptions \\
-F file=@meeting.wav \\
-F model=sensevoice \\
-F response_format=verbose_json

健康检查：

curl http://localhost:8000/health
# {"status":"ok","models_available":["sensevoice","paraformer","paraformer-en","fun-asr-nano"]}

四、4 款模型怎么选？

默认就是 CPU 模式，8GB 内存就能跑。如果有 N 卡，改 start_services.py 里的 –device cpu 为 –device cuda（需要装 CUDA 版 PyTorch）。

五、典型使用场景

1. 会议录音转写

Paraformer 中文 + verbose_json，导出的 segments 直接做字幕。

2. 短视频/直播字幕

SenseVoice 速度最快（170x 实时），带情感标签，剪辑师最爱。

3. 给 AI Agent 加"耳朵"

LangChain、AutoGen、CrewAI、Dify、MCP 助手……所有用 OpenAI Audio API 的框架，把 base_url 改成 http://localhost:8000/v1 就行，音频数据不出本机。

4. 小语种识别

Fun-ASR-Nano 支持 31 种语言（泰语、越南语、阿拉伯语等），很多 Whisper 都搞不定的它能行。

六、踩坑与排查

项目自带 p0_test.py 冒烟测试，启动后跑一遍可以验证 4 个模型是不是都正常：

python p0_test.py
# 输出 "=== P0 测试全部通过 ===" 就说明 API + 模型 + UI 都没问题

七、和 Whisper 简单对比

如果你的场景是中文为主 + 离线 + 省钱，FunASR 几乎一定比 Whisper 划算。

八、下载地址 & 资源

• 便携包（夸克网盘）：https://pan.quark.cn/s/75fb0b6ff5b0
• FunASR 官方仓库：https://github.com/modelscope/FunASR
• 官方文档：https://modelscope.github.io/FunASR/
• OpenAI 兼容 API 文档：app/openai_api/README_zh.md
• Gradio 浏览器 Demo 说明：app/openai_api/GRADIO_zh.md
• OpenAPI 规范：app/openai_api/OPENAPI_zh.md
• 工作流配方（Dify / n8n）：app/openai_api/WORKFLOWS_zh.md

九、写在最后

做这个便携版的初衷很简单：让一个完全没配过 Python 环境的人，也能在 5 分钟内跑起一个生产级的离线语音识别服务。

下载 → 解压 → 双击 FunASR.bat → 浏览器开 http://localhost:7860，完事。

如果觉得有用，欢迎评论区交流使用心得。遇到坑也欢迎贴出来，我持续维护这个便携包。

觉得有帮助的话，点个 👍 收藏一下，下次找得到。