FunASR WebUI使用指南：支持实时录音与多格式导出｜附部署技巧
1. 快速上手：从零开始语音识别体验
你是否正在寻找一个简单易用、功能完整的中文语音识别工具？不需要复杂的代码，也不需要深入理解模型原理，只需几分钟，就能搭建起属于自己的语音转文字系统。本文将带你全面掌握 FunASR WebUI 的使用方法——一款基于 speech_ngram_lm_zh-cn 模型二次开发的本地化语音识别工具，由开发者“科哥”精心打造。
这款 WebUI 界面友好，支持上传音频文件和浏览器实时录音两种方式，识别后还能一键导出 .txt、.json 和 .srt 字幕文件，非常适合做会议记录、视频字幕生成、语音笔记等实际场景。更重要的是，它完全开源，可在本地运行，保护你的隐私和数据安全。
无论你是技术新手还是有一定基础的开发者，只要跟着本文一步步操作，都能快速上手并投入实用。
2. 部署准备：如何启动 FunASR WebUI
在使用之前，首先要确保服务已经正确部署并运行起来。以下是详细的部署流程和常见问题解决建议。
2.1 启动服务
假设你已经通过 Docker 或源码方式成功部署了该镜像（镜像名称：FunASR 语音识别基于speech_ngram_lm_zh-cn 二次开发构建by科哥），启动完成后，默认会监听本地端口 7860。
访问地址如下：
http://localhost:7860
如果你是在远程服务器上部署的，可以通过以下地址访问（请替换 <服务器IP> 为实际 IP）：
http://<服务器IP>:7860
打开浏览器输入对应地址后，你应该能看到如下的界面：
如果页面无法加载，请检查：
- 服务是否已正常启动
- 端口 7860 是否被防火墙或安全组规则屏蔽
- 浏览器是否阻止了不安全连接（部分 HTTPS 警告可忽略）
2.2 推荐运行环境
为了获得最佳体验，建议满足以下硬件条件：
| CPU | Intel i5 及以上 |
| 内存 | ≥ 8GB |
| GPU | 支持 CUDA 的 NVIDIA 显卡（非必需，但能显著提升速度） |
| 存储 | ≥ 10GB 可用空间（用于缓存模型和输出文件） |
若无独立显卡，也可选择 CPU 模式运行，虽然速度稍慢，但仍可流畅处理日常任务。
3. 界面详解：各功能模块说明
FunASR WebUI 设计简洁直观，主要分为左侧控制面板和右侧识别区域两大部分。
3.1 头部信息区
顶部显示应用的基本信息：
- 标题：FunASR 语音识别 WebUI
- 描述：基于 FunASR 的中文语音识别系统
- 版权信息：webUI二次开发 by 科哥 | 微信：312088415
这部分仅为说明用途，不可编辑。
3.2 左侧控制面板功能解析
模型选择
目前提供两个可选模型：
- Paraformer-Large：大模型，识别精度高，适合对准确率要求高的场景
- SenseVoice-Small：小模型，响应速度快，适合实时交互或资源受限环境 默认选中的是 SenseVoice-Small，可根据需求切换。
设备选择
决定推理所使用的计算设备：
- CUDA：使用 GPU 加速（推荐有显卡时启用）
- CPU：纯 CPU 运行，兼容性更好但速度较慢
系统通常会自动检测可用设备并默认勾选 CUDA（如有支持）。
功能开关选项
三个实用的功能开关，按需开启：
- 启用标点恢复 (PUNC)：自动为识别结果添加句号、逗号等标点，使文本更通顺
- 启用语音活动检测 (VAD)：自动识别有效语音段落，跳过静音部分，提高效率
- 输出时间戳：在结果中包含每句话的时间信息，便于后期对齐音频
这三个功能强烈建议同时开启，尤其是制作字幕时非常有用。
模型状态与操作按钮
- 显示当前模型是否已加载成功（✓ 已加载 / ✗ 未加载）
- 提供“加载模型”按钮用于手动重新加载模型
- “刷新”按钮可更新当前状态显示
4. 使用方式一：上传音频文件进行识别
这是最常用的使用方式，适用于已有录音文件的用户。
4.1 支持的音频格式
FunASR WebUI 支持多种主流音频格式，包括：
- WAV (.wav)
- MP3 (.mp3)
- M4A (.m4a)
- FLAC (.flac)
- OGG (.ogg)
- PCM (.pcm)
推荐采样率为 16kHz，这是大多数语音识别模型的标准输入频率。过高或过低都可能影响识别效果。
你可以使用 Audacity、格式工厂等工具提前转换格式。
4.2 上传与识别步骤
在主界面找到 "ASR 语音识别" 区域
点击 "上传音频" 按钮，选择本地文件
文件上传完成后，在下方设置参数：
- 批量大小（秒）：默认 300 秒（即 5 分钟），最长支持 600 秒
- 识别语言：支持 auto（自动检测）、zh（中文）、en（英文）、yue（粤语）、ja（日语）、ko（韩语）
点击 "开始识别" 按钮，等待处理完成
处理时间取决于音频长度和所用设备（GPU 更快）。一般情况下，1 分钟音频在 GPU 上仅需几秒钟即可完成。
4.3 查看识别结果
识别完成后，结果将以三个标签页形式展示：
文本结果
显示最终的纯文本内容，例如：
你好，欢迎使用语音识别系统。这是一个基于 FunASR 的中文语音识别 WebUI。
可以直接复制粘贴到文档中使用。
详细信息
以 JSON 格式返回完整识别数据，包含每个词的时间戳、置信度等元信息，适合程序调用或进一步分析。
{
"text": "你好欢迎使用语音识别系统",
"timestamp": [[0.0, 0.5], [0.5, 2.5], [2.5, 5.0]]
}
时间戳
以列表形式清晰列出每一句的起止时间，格式为：
[001] 0.000s – 0.500s (时长: 0.500s)
[002] 0.500s – 2.500s (时长: 2.000s)
[003] 2.500s – 5.000s (时长: 2.500s)
这对剪辑视频、定位关键发言非常有帮助。
5. 使用方式二：浏览器实时录音识别
除了上传文件，你还可以直接使用麦克风进行实时录音识别，特别适合做即时听写或口语练习。
5.1 开始录音
注意：首次使用需授权麦克风权限，不同浏览器位置略有差异。
5.2 停止与识别
整个过程无需保存中间文件，全程在浏览器内完成，方便快捷。
6. 结果导出：支持多格式一键下载
识别完成后，你可以将结果导出为三种常用格式，满足不同用途。
6.1 导出格式说明
| 下载文本 | .txt | 纯文本记录，适合复制粘贴、整理笔记 |
| 下载 JSON | .json | 开发者使用，可用于后续程序处理 |
| 下载 SRT | .srt | 视频字幕文件，可导入 Premiere、剪映等软件 |
SRT 是最常见的字幕格式之一，结构清晰，易于编辑。
示例 .srt 内容：
1
00:00:00,000 –> 00:00:02,500
你好
2
00:00:02,500 –> 00:00:05,000
欢迎使用语音识别系统
6.2 文件存储路径
所有输出文件统一保存在项目目录下的 outputs/ 文件夹中，命名规则为：
outputs/outputs_YYYYMMDDHHMMSS/
每次识别都会创建一个新的时间戳子目录，避免覆盖。例如：
outputs/outputs_20260104123456/
├── audio_001.wav
├── result_001.json
├── text_001.txt
└── subtitle_001.srt
其中：
- audio_001.wav 是原始录音的副本
- 其他文件分别为对应格式的结果
你可以定期清理旧文件以节省磁盘空间。
7. 高级设置与优化技巧
为了让识别效果更好，这里分享一些实用的进阶技巧。
7.1 批量大小调整
- 默认值：300 秒（5 分钟）
- 可调范围：60 ~ 600 秒
对于较长的音频（如讲座、会议），可以适当增加批量大小；反之，短语音则无需修改。
注意：过大的批量可能导致内存不足，尤其是在 CPU 模式下。
7.2 语言设置建议
合理选择语言可大幅提升识别准确率：
| 普通话对话 | zh |
| 英文播客 | en |
| 方言或混合语种 | auto |
| 粤语访谈 | yue |
| 日语课程 | ja |
当不确定语种时，优先使用 auto 自动检测。
7.3 时间戳的实际用途
开启“输出时间戳”后，不仅能查看每句话的出现时间，还能实现：
- 视频字幕精准同步
- 快速定位某段发言（如“第3分钟提到的关键观点”）
- 自动生成会议纪要索引
结合 SRT 导出功能，轻松完成从录音到字幕的一体化流程。
8. 常见问题与解决方案
在实际使用过程中，可能会遇到一些小问题。以下是高频问题及应对方法。
Q1：识别结果不准确怎么办？
原因分析与对策：
- 音频质量差 → 尽量使用清晰录音，避免背景噪音
- 语速过快或发音不清 → 适当放慢语速，吐字清晰
- 未选择正确语言 → 根据内容选择 zh 或 auto
- 模型未加载完全 → 点击“加载模型”重试
建议先用一段标准普通话测试，确认基础功能正常后再尝试复杂场景。
Q2：识别速度太慢？
可能原因：
- 正在使用 CPU 模式 → 切换至 CUDA（GPU）模式
- 音频过长 → 分段处理，每段不超过 5 分钟
- 模型过大 → 尝试切换为 SenseVoice-Small 模型
GPU 能带来数倍的速度提升，强烈建议配备 NVIDIA 显卡用户开启 CUDA。
Q3：无法上传音频文件？
请检查以下几点：
- 文件格式是否在支持列表中（推荐使用 MP3 或 WAV）
- 文件大小是否超过限制（建议小于 100MB）
- 浏览器是否异常（尝试更换 Chrome/Firefox）
部分老旧浏览器可能存在兼容性问题，建议使用最新版主流浏览器。
Q4：录音没有声音？
排查方向：
- 浏览器是否允许麦克风权限（可在设置中查看）
- 系统麦克风是否正常工作（可用其他录音软件测试）
- 麦克风音量是否静音或过低
可在操作系统的声音设置中测试麦克风输入电平。
Q5：识别结果出现乱码？
通常由编码问题引起，解决办法：
- 确保选择正确的识别语言
- 检查音频编码格式是否标准（避免特殊编码）
- 尝试重新导出为 UTF-8 编码的文本
绝大多数情况下，正确设置语言即可解决。
Q6：如何提高识别准确率？
综合建议如下：
对于专业术语较多的内容，未来可通过热词功能进一步优化（当前版本暂未开放配置入口）。
9. 总结：为什么你应该试试 FunASR WebUI
经过以上详细介绍，相信你已经掌握了 FunASR WebUI 的完整使用流程。总结一下它的核心优势：
- 开箱即用：无需编程，图形化界面操作简单
- 本地运行：数据不出设备，保障隐私安全
- 多格式支持：兼容常见音频类型，适配性强
- 实时录音 + 文件识别：两种模式自由切换
- 多格式导出：一键生成 txt、json、srt，满足多样化需求
- 永久开源：由社区开发者维护，持续更新迭代
无论是学生做课堂笔记、记者整理采访稿，还是自媒体创作者制作视频字幕，这套工具都能帮你大幅提升工作效率。
更重要的是，它基于强大的 Paraformer 和 SenseVoice 模型，中文识别能力处于行业领先水平，即使在嘈杂环境下也能保持较高准确率。
现在就动手部署起来吧！你会发现，语音转文字原来可以这么简单。
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。
