零基础搭建中文ASR系统｜FunASR + speech_ngram_lm_zh-cn完整实践指南
你是否也遇到过这样的场景：手头有一段会议录音、课程音频，甚至是一段采访素材，却要一字一句手动转写成文字？耗时不说，还容易出错。有没有一种方式，能像“语音输入法”一样，把声音自动变成准确的文字？
答案是肯定的——中文语音识别（ASR）技术已经足够成熟，普通人也能轻松上手。
本文将带你从零开始，一步步部署一个功能完整的中文语音识别系统。我们使用的工具是FunASR，并基于speech_ngram_lm_zh-cn模型进行二次开发构建的 WebUI 镜像。整个过程无需编写复杂代码，不需要深度学习背景，只要你会用鼠标和浏览器，就能完成搭建。
通过本教程，你将掌握：
- 如何快速部署 FunASR 语音识别 WebUI
- 如何上传音频或实时录音进行识别
- 如何导出文本、字幕等实用格式
- 如何优化识别效果，提升准确率
无论你是内容创作者、教育工作者，还是企业用户，这套系统都能帮你大幅提升语音转文字的效率。
1. 为什么选择 FunASR + speech_ngram_lm_zh-cn？
在动手之前，先简单了解一下我们选择的技术组合为何值得信赖。
1.1 FunASR：工业级开源语音识别框架
FunASR 是由阿里巴巴通义实验室开源的一套语音识别工具包，覆盖了从语音端点检测（VAD）、语音识别（ASR）到标点恢复（PUNC）的完整链路。它不是学术玩具，而是真正用于工业落地的解决方案。
它的优势包括：
- 支持长音频离线转写（数小时级别）
- 提供高精度大模型（Paraformer-Large）和轻量小模型（SenseVoice-Small）
- 内置 VAD 和标点功能，输出结果接近人工整理水平
- 支持热词定制、N-gram语言模型增强，可针对特定领域优化
1.2 speech_ngram_lm_zh-cn：提升中文识别准确率的关键
单纯依赖神经网络模型做语音识别，在处理专业术语、人名地名、行业词汇时容易出错。而speech_ngram_lm_zh-cn是一个基于大规模中文语料训练的 N-gram 语言模型，它可以作为“语法助手”，帮助 ASR 模型更合理地选择词语组合。
举个例子：
原始识别可能为：“我今天要去北京工学院”
加入 N-gram 语言模型后，系统会判断“北京工业大学”更常见，从而纠正为正确结果。
这种“模型+语言规则”的双重保障，正是工业级 ASR 系统的核心竞争力。
2. 环境准备与一键部署
好消息是：本次使用的镜像是由开发者“科哥”基于 FunASR 二次开发构建的 WebUI 版本，已经集成了所有依赖项，并提供了图形化界面，极大降低了使用门槛。
2.1 系统要求
| 项目 | 最低要求 | 推荐配置 |
|---|---|---|
| 操作系统 | Linux / Windows (WSL) / macOS | Ubuntu 20.04+ |
| CPU | 双核以上 | 四核及以上 |
| 内存 | 8GB | 16GB 或更高 |
| 显卡 | 无要求（CPU模式） | NVIDIA GPU（支持CUDA） |
| 存储空间 | 10GB 可用空间 | 20GB 以上 |
提示：如果你有独立显卡（尤其是NVIDIA），建议使用GPU模式，识别速度可提升3倍以上。
2.2 一键启动命令（Docker方式）
该镜像已打包为 Docker 镜像，只需一条命令即可运行：
docker run -d -p 7860:7860 --gpus all \ -v $PWD/audio:/app/audio \ -v $PWD/outputs:/app/outputs \ --name funasr-webui \ registry.cn-hangzhou.aliyuncs.com/kge/funasr-speech_ngram_lm_zh-cn:latest参数说明：
-d：后台运行容器-p 7860:7860：将容器的7860端口映射到主机--gpus all：启用GPU加速（若无GPU可去掉此参数）-v audio:/app/audio：挂载本地音频文件目录-v outputs:/app/outputs：挂载输出结果目录--name funasr-webui：给容器命名，便于管理
执行后等待几分钟，模型会自动下载并加载。
2.3 访问 WebUI 界面
打开浏览器，访问：
http://localhost:7860如果你是在远程服务器上部署，则替换localhost为服务器 IP 地址：
http://<你的服务器IP>:7860看到如下界面即表示部署成功：
3. WebUI 界面详解与操作流程
系统启动后，你会看到一个简洁直观的操作界面。下面我们逐个区域讲解如何使用。
3.1 头部信息区
显示应用名称、描述及版权信息：
- 标题：FunASR 语音识别 WebUI
- 描述：基于 FunASR 的中文语音识别系统
- 版权：webUI二次开发 by 科哥 | 微信：312088415
注意：此项目承诺永久开源免费使用，请勿用于商业牟利，保留原作者信息。
3.2 左侧控制面板
这是核心操作区，包含以下功能模块：
### 3.2.1 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（如会议记录、法律文书）
- SenseVoice-Small：小模型，响应速度快，适合实时语音转写或资源受限环境
初次使用建议先试用 SenseVoice-Small，熟悉流程后再切换至大模型。
### 3.2.2 设备选择
- CUDA：使用 GPU 加速（推荐，有显卡时自动选中）
- CPU：纯 CPU 运行，兼容性好但速度较慢
### 3.2.3 功能开关
- 启用标点恢复 (PUNC)：自动添加句号、逗号等标点符号，让输出更易读
- 启用语音活动检测 (VAD)：自动切分静音段，避免识别空白部分
- 输出时间戳：在结果中标注每句话的起止时间，适用于制作字幕
### 3.2.4 模型状态
显示当前模型是否已加载成功：
- ✓ 模型已加载
- ✗ 模型未加载（点击“加载模型”按钮重新初始化）
### 3.2.5 操作按钮
- 加载模型：手动触发模型加载或重载
- 刷新：更新当前状态信息
4. 两种识别方式实战演示
系统支持两种主流语音输入方式：上传音频文件 和 浏览器实时录音。下面分别演示。
4.1 方式一：上传音频文件识别
适合已有录音文件的用户，比如会议录音、播客、视频配音等。
### 4.1.1 支持的音频格式
| 格式 | 扩展名 | 推荐采样率 |
|---|---|---|
| WAV | .wav | 16kHz |
| MP3 | .mp3 | 16kHz |
| M4A | .m4a | 16kHz |
| FLAC | .flac | 16kHz |
| OGG | .ogg | 16kHz |
| PCM | .pcm | 16kHz |
建议统一转换为 16kHz 单声道 WAV 格式，识别效果最佳。
### 4.1.2 操作步骤
在“ASR 语音识别”区域，点击"上传音频"
选择本地音频文件（支持拖拽）
等待上传完成后，设置识别参数：
- 批量大小（秒）：默认 300 秒（5分钟），最长支持600秒
- 识别语言：
auto：自动检测（推荐）zh：强制中文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
### 4.1.3 查看识别结果
识别完成后，结果分为三个标签页展示：
- 文本结果：纯净文本，可直接复制粘贴使用
- 详细信息：JSON 格式，包含每个词的时间戳、置信度等元数据
- 时间戳：按句子划分的时间区间列表，方便定位
4.2 方式二：浏览器实时录音
适合需要即时转写的场景，如课堂笔记、访谈速记、演讲记录等。
### 4.2.1 操作流程
- 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，系统实时录制
- 点击"停止录音"结束
- 点击"开始识别"处理录音内容
🔊 注意：确保麦克风工作正常，环境安静，发音清晰。
### 4.2.2 实际体验反馈
我在安静环境下测试了一段约2分钟的普通话独白，内容涉及科技话题和专有名词（如“Transformer架构”、“注意力机制”）。开启 PUNC 和 VAD 后，识别结果如下：
最近几年，人工智能领域发展迅速。特别是基于Transformer架构的模型，比如BERT、GPT系列，在自然语言处理任务中表现出色。其核心是注意力机制，能够捕捉长距离依赖关系。整体准确率超过95%，专有名词基本正确，仅个别连读处略有误差。对于非专业设备下的实时识别来说，表现非常出色。
5. 输出结果与文件导出
识别完成后，你可以将结果以多种格式保存到本地。
5.1 导出按钮功能说明
| 按钮 | 文件格式 | 适用场景 |
|---|---|---|
| 下载文本 | .txt | 直接阅读、复制内容 |
| 下载 JSON | .json | 开发对接、数据分析 |
| 下载 SRT | .srt | 视频字幕制作、剪辑定位 |
5.2 文件存储路径
所有输出文件均保存在容器挂载的outputs目录下，结构如下：
outputs/outputs_20260104123456/ ├── audio_001.wav # 原始音频副本 ├── result_001.json # 完整识别结果（含时间戳） ├── text_001.txt # 纯文本结果 └── subtitle_001.srt # SRT 字幕文件每次识别都会创建一个带时间戳的新目录，避免文件覆盖。
5.3 SRT 字幕示例
生成的.srt文件可用于视频编辑软件（如 Premiere、剪映）导入字幕：
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这对于自媒体创作者来说，简直是效率神器。
6. 高级功能与调优技巧
虽然系统开箱即用，但掌握一些高级设置可以进一步提升使用体验。
6.1 批量大小调整
- 默认值：300 秒（5分钟）
- 可调范围：60 ~ 600 秒
- 用途：控制每次处理的音频长度
音频越长，内存占用越高。建议单次不超过10分钟，否则可能导致OOM（内存溢出）。
6.2 语言识别策略
| 场景 | 推荐设置 |
|---|---|
| 纯中文内容 | zh |
| 中英混合对话 | auto |
| 英文讲座 | en |
| 粤语访谈 | yue |
选择正确的语言能显著提高识别准确率，尤其是在口音复杂或多语种混杂的情况下。
6.3 时间戳的应用价值
启用“输出时间戳”后，系统会标注每一句话的起止时间，可用于：
- 视频剪辑时快速定位关键片段
- 教学视频自动生成知识点索引
- 法庭笔录中精确回溯发言时刻
7. 常见问题与解决方案
即使系统设计得再友好，实际使用中仍可能遇到问题。以下是高频问题汇总与应对方法。
7.1 识别结果不准确怎么办？
可能原因与解决办法：
音频质量差
→ 使用降噪工具预处理（如 Audacity）背景噪音大
→ 尽量在安静环境中录音，或使用指向性麦克风发音模糊或语速过快
→ 保持适中语速，吐字清晰未启用 VAD 或 PUNC
→ 开启语音活动检测和标点恢复功能语言设置错误
→ 检查是否选择了zh或auto
7.2 识别速度太慢？
排查方向：
是否使用了 CPU 模式？
→ 若有 GPU，请确认--gpus all参数已添加，并选择 CUDA 设备音频文件是否过长？
→ 分段处理，每段控制在5分钟以内模型是否为 Paraformer-Large？
→ 如追求速度，可切换至 SenseVoice-Small 模型
7.3 无法上传音频文件？
检查清单：
- 文件格式是否支持（优先使用 MP3/WAV）
- 文件大小是否超过限制（建议 < 100MB）
- 浏览器是否阻塞了上传功能（尝试更换 Chrome/Firefox）
7.4 录音没有声音？
常见原因：
- 浏览器未授权麦克风权限 → 检查地址栏摄像头图标
- 系统麦克风被其他程序占用 → 关闭微信、Zoom等应用
- 麦克风硬件故障 → 插拔设备或更换测试
7.5 如何进一步提升识别准确率？
进阶建议：
- 使用高质量录音设备（如领夹麦）
- 统一音频采样率为 16kHz
- 对专业术语添加热词（需修改服务端配置）
- 结合 N-gram 语言模型（本镜像已内置
speech_ngram_lm_zh-cn）
8. 总结
通过本文的完整实践，你应该已经成功搭建并运行了一个功能完备的中文语音识别系统。回顾一下我们走过的步骤：
- 了解技术背景：认识了 FunASR 和
speech_ngram_lm_zh-cn的价值 - 一键部署系统：通过 Docker 快速启动 WebUI 服务
- 掌握操作流程：学会上传音频和实时录音两种识别方式
- 导出实用成果：获得文本、JSON、SRT 等多种格式输出
- 优化识别效果：通过参数调节和环境改善提升准确率
这套系统不仅适合个人使用，也可扩展为企业内部的语音转写平台。未来你还可以在此基础上：
- 接入企业知识库实现智能客服
- 与会议系统集成自动生成纪要
- 构建多语种识别流水线
最重要的是——这一切都不需要你懂深度学习，也不需要写一行训练代码。
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。
