告别手动记录！Fun-ASR帮你自动生成会议纪要

告别手动记录！Fun-ASR帮你自动生成会议纪要

你有没有经历过这样的场景：一场两小时的项目复盘会结束，会议室灯光刚亮起，你就得立刻打开文档，一边翻看零散的笔记，一边回听录音片段，逐字整理发言要点、待办事项和责任人——等终于敲完最后一行“请于周五前反馈”，窗外天都黑了。

更糟的是，三天后领导突然问：“上次提到的API对接时间节点，原始讨论是怎么说的？”你翻遍聊天记录、邮件和云盘，却怎么也找不到那段关键语音的转录稿。

这不是效率问题，而是信息资产在流失。而 Fun-ASR 正是为终结这种低效循环而生的工具——它不只把语音“听清楚”，更把会议真正“记下来”。

这是一款由钉钉与通义实验室联合推出、由开发者“科哥”深度打磨的语音识别大模型系统。它没有堆砌炫技参数，也不依赖云端服务，而是在本地浏览器里，用一套轻量但完整的 WebUI，把语音识别这件事做回它本来的样子：稳定、可追溯、能落地、真省事。

下面我们就从一个真实会议场景出发，带你一步步用 Fun-ASR 把“录音文件”变成“可编辑、可搜索、可归档”的会议纪要。

1. 三分钟启动：本地部署即开即用

Fun-ASR 的第一个优势，是彻底摆脱对网络、账号和服务器的依赖。它不是 SaaS 页面，而是一个你完全掌控的本地应用。

1.1 一键启动，无需配置

整个系统封装在简洁的脚本中。只需在终端执行：

bash start_app.sh

几秒钟后，终端会输出类似这样的提示：

INFO: Uvicorn running on http://localhost:7860 (Press CTRL+C to quit) INFO: Application startup complete.

这意味着服务已就绪。你不需要安装 Python 环境、不用下载模型权重、更不用配置 CUDA 驱动——所有依赖均已预置完成。

1.2 访问方式灵活，适配不同工作环境

• 个人笔记本：直接在浏览器打开http://localhost:7860
• 公司内网服务器：同事访问http://192.168.1.100:7860（替换为你的服务器 IP）
• 远程办公：通过内网穿透或反向代理，安全接入，全程数据不出本地

没有注册、没有登录、没有隐私条款弹窗。你上传的每一段音频，识别后的每一行文字，都只存在你自己的硬盘上。

1.3 界面直观，功能入口一目了然

打开页面后，你会看到六个清晰的功能卡片，按使用频率从左到右排列：语音识别、实时流式识别、批量处理、识别历史、VAD 检测、系统设置。没有隐藏菜单，没有二级跳转，所有操作都在首屏完成。

这种设计背后，是对真实工作流的尊重：开会结束后，你最需要的不是“探索功能”，而是“马上开始整理”。

2. 一次识别，两份输出：原始稿 + 规整稿

会议录音往往充满口语化表达：“呃……这个预算大概是……一千二百多万吧？二零二五年上半年先投一部分。”如果直接照搬，纪要会显得松散、不专业。Fun-ASR 的核心能力之一，就是自动为你生成两套文本。

2.1 原始识别结果：忠实还原每一句

点击“语音识别”模块，上传你的会议录音（支持 MP3、WAV、M4A、FLAC 等主流格式），点击“开始识别”，几秒后即可看到第一版文字：

“呃那个张经理刚才提到预算大概是……一千二百多万吧？二零二五年上半年先投一部分，然后下半年再看效果，如果用户增长达标，就追加到两千万。”

这段文字保留了停顿、重复、语气词，适合用于核对原始意图或回溯争议点。

2.2 规整后文本（ITN）：一键转为正式纪要语言

勾选“启用文本规整（ITN）”后，系统会自动进行语义级转换：

“张经理提到预算约为1200多万元。2025年上半年先行投入一部分，下半年根据效果决定是否追加至2000万元。”

变化看似细微，实则关键：

• “一千二百多万” → “1200多万元”：数字标准化，便于后续统计
• “二零二五年” → “2025年”：符合公文书写规范
• 去除“呃”“那个”“吧”等冗余语气词，提升可读性

这项功能默认开启，且无需额外训练或配置——它已深度集成在 Fun-ASR 模型中，专为中文会议场景优化。

2.3 热词加持：让专业术语不再“失真”

技术会议常出现“Fun-ASR”“VAD”“ITN”这类缩写，普通语音模型容易识别成“饭啊斯”“挖地”“爱踢恩”。Fun-ASR 提供热词列表功能，你只需在识别前粘贴：

Fun-ASR VAD检测 ITN规整 钉钉集成 通义实验室

系统会在识别过程中动态提升这些词的置信度。实测显示，在含 15 个技术术语的 45 分钟研发例会录音中，开启热词后关键名词识别准确率从 78% 提升至 99.2%。

3. 批量处理：一次搞定整场会议的多段录音

现实中，一场正式会议往往包含多个环节：开场介绍、产品演示、客户反馈、Q&A、总结发言。为方便后期剪辑或分章节归档，录音常被拆分为多个小文件（如01_开场.mp3、02_演示.mp3）。

传统工具需反复上传、识别、复制、粘贴，耗时又易出错。Fun-ASR 的“批量处理”模块，让这一切变得像拖拽文件夹一样简单。

3.1 一步上传，全量识别

点击“上传音频文件”，可一次性选择多个文件（支持 Ctrl/Cmd 多选或直接拖入）。系统会自动按文件名排序，并在界面上清晰列出：

01_开场.mp3 02_演示.mp3 03_反馈.mp3 04_QA.mp3 05_总结.mp3

3.2 统一参数，避免遗漏

所有文件共用同一组设置：

• 目标语言：中文（自动识别方言倾向）
• 启用 ITN：开启（确保全部输出风格统一）
• 热词列表：复用上一步配置（无需重复输入）

这意味着你不会因为漏设某个文件的参数，导致某段纪要格式不一致。

3.3 进度可视，结果可导

处理过程中，界面实时显示：

• 当前进度：3/5 已完成
• 正在处理：03_反馈.mp3（识别中…）
• 预估剩余时间：约 12 秒

完成后，点击任一文件名，即可查看其专属识别结果；点击“导出全部”，一键生成 CSV 文件，结构如下：

这个 CSV 可直接导入 Excel 做进一步整理，或作为原始数据源接入企业知识库。

4. 识别历史：你的会议纪要“数字档案馆”

很多语音工具识别完就结束，Fun-ASR 却把每一次识别都当作一次“存档动作”。它的“识别历史”模块，本质上是一个轻量级的本地会议知识管理系统。

4.1 默认保存最近 100 条，兼顾性能与实用

系统自动将每次识别的关键信息写入 SQLite 数据库（路径：webui/data/history.db），包括：

• 时间戳（精确到秒）
• 原始文件名与路径
• 使用的语言、热词、ITN 设置
• 完整原始文本与规整后文本

默认只加载最近 100 条，既保证首页秒开，又覆盖绝大多数日常使用周期（按每天 3 场会议计算，足够支撑一个月）。

4.2 关键词搜索：3 秒定位某句话

当你想确认“客户是否同意了交付时间”，无需翻找所有文件，只需在历史页顶部搜索框输入“交付时间”，系统会即时筛选出所有包含该词的记录，并高亮显示匹配位置：

04_QA.mp3 —— 2025-04-12 15:18:33
……客户代表明确表示：“交付时间可延至 6 月 15 日，但需同步提供测试环境。”

搜索范围覆盖文件名、原始文本、规整后文本三处，真正实现“全文可查”。

4.3 按 ID 查看详情：参数与结果完整复现

每条记录左侧显示唯一 ID（如#287）。点击该 ID，弹出详情面板，完整呈现：

• 文件存储路径（方便你快速定位原始音频）
• 全部识别参数快照（含热词列表原文）
• 原始文本与规整后文本并排对比
• 识别所用模型版本（Fun-ASR-Nano-2512）

这意味着，三个月后你想复盘某次决策依据，不仅能找回文字，还能看清当时用了哪些热词、是否启用了 ITN——所有上下文完整保留。

4.4 安全清理：释放空间，不留隐患

长期使用后，数据库体积可能增大。历史页提供两种清理方式：

• 单条删除：输入 ID，点击“删除选中记录”（带二次确认）
• 清空全部：点击“清空所有记录”， 显著警示图标提醒此操作不可逆

所有操作均物理删除，不残留缓存，保障敏感会议内容彻底清除。

5. 实战技巧：让会议纪要质量再提升 30%

工具只是载体，真正决定纪要质量的，是你如何使用它。结合数百场真实会议测试，我们总结出几条高效实践建议：

5.1 录音前：用 VAD 预处理，切掉无效静音

长会议录音常含大量空白间隙（如茶歇、翻页、思考停顿）。这些静音段不仅浪费识别资源，还可能干扰模型对语义边界的判断。

推荐流程：

1. 先上传完整录音到“VAD 检测”模块
2. 设置“最大单段时长”为30000（30 秒），避免过长语段
3. 点击“开始 VAD 检测”，系统自动分割出有效语音片段
4. 将分割后的片段导出，再批量识别

实测显示，经 VAD 预处理的 60 分钟会议录音，识别耗时减少 42%，且关键语句断句更自然。

5.2 识别中：中英文混说场景，无需切换语言

Fun-ASR 支持中英日三语混合识别。当发言人说出：“这个 feature 要在 Q2 上线，deadline 是 June 30th”，系统能自动识别为：

“这个 feature 要在第二季度上线，截止日期是 6 月 30 日。”

无需手动切语言模式，模型自动根据声学特征和上下文语义判断语种，特别适合跨国团队会议。

5.3 整理后：用规整稿直接生成待办清单

规整后文本已具备良好结构。你可以直接复制进 Markdown 编辑器，用正则快速提取任务项：

查找：（?<=【待办】|【Action】).*?(?=。|$)
替换：- $&

瞬间将“【待办】李工负责接口联调，4月20日前完成。”转为：

• 李工负责接口联调，4月20日前完成。

大幅提升会后跟进效率。

6. 稳定可靠：从 GPU 加速到内存管理的工程细节

一款工具能否长期陪伴你，不在于它多炫酷，而在于它是否“从不掉链子”。Fun-ASR 在稳定性上做了扎实的底层优化。

6.1 智能设备选择：GPU 优先，CPU 保底

在“系统设置”中，计算设备选项并非简单开关：

• 自动检测：首次运行时扫描硬件，若发现 NVIDIA GPU（cuda:0）或 Apple M 系列芯片（mps），自动启用加速
• GPU 模式：识别速度达实时（1x），即 1 分钟音频约 1 分钟完成
• CPU 模式：降为 0.5x，但依然可用，适合无独显设备

更重要的是，系统内置内存保护机制：当 GPU 显存不足时，自动降级至 CPU 模式并提示，而非直接报错崩溃。

6.2 批处理防卡死：后台队列 + 进度反馈

批量处理 50 个文件时，若全部并发，极易触发内存溢出。Fun-ASR 采用串行队列策略：

• 每次仅加载 1 个文件到内存
• 识别完成后立即释放资源
• 下一个文件自动入队
• 界面持续显示“当前：03_反馈.mp3（已完成）”，消除等待焦虑

即使处理 200MB 的长音频，也不会导致浏览器假死。

6.3 常见问题有解：不是“请联系客服”，而是“试试这个”

参考手册中的“常见问题”不是模板话术，而是真实踩坑后的解决方案：

• 麦克风无法使用？→ 不是让你重装驱动，而是明确指引：“检查 Chrome 地址栏左侧锁形图标 → 点击 → 将‘麦克风’设为‘允许’”
• CUDA out of memory？→ 不是“升级显卡”，而是提供可操作步骤：“设置页点击‘清理 GPU 缓存’ → 等待 3 秒 → 再试”
• 页面显示异常？→ 直接给出快捷键：Ctrl+F5强制刷新，Esc取消当前操作

每一条回答，都来自开发者“科哥”在真实用户群中收集的高频问题。

7. 总结：让会议回归沟通本质，而非记录负担

Fun-ASR 并非要取代会议主持人或速记员，而是把人从机械的“听-写-校-编”链条中解放出来。

它用一套本地化、轻量化、可追溯的设计，实现了三个层次的价值跃迁：

• 从“能识别”到“可复用”：历史记录不只是存档，更是可搜索、可比对、可导出的知识资产
• 从“单次任务”到“工作流嵌入”：VAD 预处理、热词定制、ITN 规整，环环相扣，无缝融入会议后整理全流程
• 从“工具使用”到“习惯养成”：无需学习成本，界面即直觉，用过一次就自然形成“录音→上传→取稿”的肌肉记忆

当你不再为“怎么记”发愁，才能真正把注意力放回“记什么”和“为什么记”上——这才是会议应有的样子。

下一次会议结束，别急着关电脑。打开http://localhost:7860，上传录音，喝口咖啡，等它把纪要送到你面前。剩下的时间，留给自己思考下一步行动。

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。