用 FunASR 转写超长音频:1 小时录音也能一次搞定
- -转写一段 1 小时的播客、讲座或会议录音,用 Whisper 会很痛苦:它一次只处理 30 秒,你得自己把音频切片、逐片识别、再把结果拼起来,还要处理切片边界把词切断的问题。
-FunASR 不用这么麻烦。它内置 VAD(语音端点检测),一次 generate() 调用就能吃下任意时长的音频——自动切句、批量解码、拼回完整文本,你一行切片代码都不用写。
安装
-pip install -U funasr modelscope完整代码(可直接运行)
-from funasr import AutoModel
+长录音转写：VAD 分段、批处理与结果验收
+
+播客、课程和会议录音的难点，不只是把文件交给模型，还包括资源预算、停顿与重叠语音、以及末尾是否漏识别。本文以 FunASR 1.4.15 的离线 SenseVoice + FSMN-VAD 路径为例，说明一次文件级调用内部做了什么，以及上线前该检查什么。
+
+用一个明确的离线配置开始
+
+前提是已经准备好的独立 FunASR 1.4.15 环境，包括 PyTorch、可用的音频解码依赖和模型权重访问。先按安装与环境验证指南准备平台依赖，再核对Python SDK 指南。下方版本检查只检查已安装包的元数据，不是完整安装或声学推理证明。
+把你有权处理的本地文件放在 meeting.wav。先用短录音验证环境，再逐步测试业务长录音；首次加载可能联网下载模型。输出包含转写文本，不要把私人内容放进公开日志。代码固定工具包版本，但未锁定全部依赖和模型 revision，正式部署应另行记录并固定它们。
+
+from importlib.metadata import version
+from pathlib import Path
+
+installed = version("funasr")
+if installed != "1.4.15":
+ raise RuntimeError(f"Expected FunASR 1.4.15, found {installed}")
+
+audio = Path("meeting.wav")
+if not audio.is_file():
+ raise FileNotFoundError(audio)
+
+from funasr import AutoModel
model = AutoModel(
- model="iic/SenseVoiceSmall", # or "paraformer-zh"
- vad_model="fsmn-vad", # built-in voice activity detection
+ model="iic/SenseVoiceSmall",
+ vad_model="fsmn-vad",
vad_kwargs={"max_single_segment_time": 30000},
+ device="cpu",
)
-
-# One call on a full 1-hour file - VAD segments and batches it internally.
-res = model.generate(
- input="podcast_1hour.wav",
- batch_size_s=300, # dynamic batching of VAD segments (throughput)
+result = model.generate(
+ input=str(audio),
+ batch_size_s=300,
)
-print(res[0]["text"])
-实测:13 分钟音频 4.3 秒转完
-long clip: 791s = 13.2 min
-transcribed 791s in 4.3s -> RTFx=186
-output chars: 2104 # full transcript, head to tail
-我们把一段 13.2 分钟(791 秒)的录音丢进单次 generate(),4.3 秒就转写完毕(186x 实时),输出完整覆盖从开头到结尾。换成 1 小时的文件,做法完全一样——不用改一行代码。
-为什么能处理任意时长
+if not result or not isinstance(result[0], dict):
+ raise RuntimeError("No result record; inspect audio and model logs")
+text = result[0].get("text", "")
+if not isinstance(text, str) or not text.strip():
+ raise RuntimeError("Empty transcript; inspect audio, silence and VAD output")
+print(text)这里明确使用 CPU，按 VAD 片段逐个处理；batch_size_s 不是 CPU 并行参数，也不是速度推荐。空结果需要检查：可能是静音、VAD 未选中语音、输入问题或推理异常，不能一律当成成功或模型错误。示例故意停止并要求人工检查，不提供伪造的转写输出。
一次调用背后的资源路径
+这条离线路径会读取完整音频波形到 CPU 内存，再使用 VAD 区域组织 ASR 输入；它不是只从磁盘读取当前片段的有界内存流式处理。分段可以改变某一批推理的工作量，但整段波形、解码缓冲、分段信息、输出和并发请求仍占用资源。
+仅按 16 kHz、单声道、float32 波形计算，一小时数据约 230 MB；这只是数据量估算，不是进程 RAM 或 GPU 峰值内存实测，也不包含解码副本和模型。不能据此承诺任意文件都能处理，或一小时与一分钟文件显存相同。可接受的时长需要在所选硬件、模型、音频格式和并发条件下验证。
+ +两个参数，两个不同的边界
+| 参数 | 含义 | 不能保证什么 |
|---|---|---|
max_single_segment_time=30000 | FSMN-VAD 的端点阈值，单位毫秒（ms）。它参与帧级语音分段决策。 | 不是整文件时长限制，不保证严格等长片段或恰好切在一个词、句子的边界。 |
batch_size_s=300 | VAD 包装器的批预算，单位秒（s），内部转为毫秒；组批判据涉及最长片段时长乘以片段数量。 | 不是所有片段时长简单求和，也不是硬内存上限；较长的单段仍可能单独进入推理。 |
CPU 例外：当前包装器在 device="cpu" 时关闭上述组批预算，按片段逐个处理。因此调整示例中的 batch_size_s 不能当作 CPU 批吞吐优化已经生效。换用经过配置和验证的 GPU 环境时，应重新测量，而不是套用相同内存或速度结论。实现依据：批预算单位、CPU 分支与组批判据。
长文件上线前怎么验收
+-
+
- 先验证输入：检查文件可解码、实际时长、声道和采样率。不要把读取成功或非空文本视为完整处理证明。 +
- 覆盖业务难点：准备短录音、长静音、多人重叠、连续长发言，以及末尾有明确语音的样本。重点复听切分处、关键实体和尾部；时间戳空隙也可能是静音。 +
- 记录资源和时延：固定模型与依赖版本、硬件、设备、音频身份和并发；分开记录初始化与文件调用耗时，说明是否预热，测量 RAM 和 GPU 峰值，保留失败与空结果。 +
- 再扩大负载：逐步增加录音长度和并发，确定服务的准入、超时、队列与重试策略。一次成功不能证明所有时长都可用；客户端超时也不等于后台推理被取消。 +
更多思路见会议转写验收清单与可复现性能评测。前者附带的 MOSS sentence_info 检查器有特定输入契约，不可直接套在任意 SenseVoice 返回值上；结构检查也不证明文字准确率或语音覆盖完整。
模型和服务应分开选择
-
-
- VAD 自动切句:
fsmn-vad先把长音频按停顿切成一句句语音段,max_single_segment_time控制单段最长时长。
- - 动态批处理:
batch_size_s=300把多段语音按总时长打包成批,一次性高吞吐解码。
- - 内存可控:因为是分段处理,显存占用与文件总长无关,1 小时和 1 分钟占用相近。 +
- 本文是明确配置外部 FSMN-VAD 的 SenseVoice 离线示例。Paraformer 的配置与输出应另行核对；SenseVoice 富文本标签不是经过验证的情绪准确率。 +
- 第三方 MOSS-Transcribe-Diarize 有自己的整录音转写与原生说话人分离路径，不需要照搬本文的外部 VAD 或 CAM++。匿名说话人标签不等于实名身份识别。 +
- 需要实时麦克风转写时，按部署矩阵选择明确支持的流式模型与服务；缩小离线批次并不会把它变成流式协议。更多能力差异见模型选型指南。
进阶
--
-
- 加
punc_model="ct-punc"自动补标点;
- - 加
spk_model="cam++"得到说话人分离(谁在什么时候说);
- - 用
SenseVoiceSmall可同时拿到语种与情感;追求最快可看 速度对比。
-
典型场景
--
-
- 播客 / 有声书:整集一次转写、生成文稿。 -
- 会议 / 讲座 / 庭审:长录音批量转文字 + 存档检索。 -
- 客服通话:整通录音转写做质检与挖掘。 -
FunASR 是通义实验室开源的工业级语音识别工具包,长音频、流式、多语种全覆盖。
在 GitHub 上 Star FunASR ★本文依据固定版本源码解释行为，没有新增长录音性能或准确率实测。旧页缺乏完整复现条件的耗时和全程覆盖宣传已撤下；历史版本保留在仓库中，不能作为当前部署承诺。
相关文章
-
@@ -118,4 +146,4 @@ output chars: 2104 # full transcript, head to tail