菜谱记录创新：边做饭边说步骤自动生成食谱
在厨房里，最怕的不是火候掌握不好，而是刚下锅时灵光一闪的“加点八角提香”，做完菜却怎么也想不起来。更别提一边颠勺一边拿手机录音、事后还要逐字整理笔记——这哪里是做菜，简直是拍vlog。
有没有一种方式，能让人专注于烹饪本身，只用“说”就把全过程记下来？现在有了。借助本地化部署的大模型语音识别系统Fun-ASR，用户真的可以边炒菜边口述步骤，系统自动将语音转为清晰规范的文本食谱，全程无需动手、不联网、不费脑。
这背后并非简单的“语音转文字”。它解决的是一个典型的人机交互困境：当双手被占用、环境嘈杂、表达口语化时，如何让机器准确理解并记录人类的真实意图。而 Fun-ASR 正是在这个场景下交出的一份高分答卷。
这套系统的起点，是一款名为Fun-ASR-Nano-2512的轻量级中文语音识别模型，由钉钉与通义联合推出，专为边缘设备优化设计。它能在普通PC甚至部分高性能开发板上运行，支持CPU、NVIDIA GPU和Apple Silicon MPS加速，推理延迟低至800毫秒以内（RTX 3060环境下），完全满足实时性要求。
更重要的是，所有数据处理都在本地完成——你的“祖传秘方”不会上传到任何云端服务器，隐私安全有保障。对于家庭用户或内容创作者而言，这种“离线可用”的特性几乎是刚需。
工作流程其实很直观：你对着麦克风说“热锅冷油，姜蒜爆香”，系统经过音频采集、语音活动检测（VAD）、特征提取、模型推理、语言规整等一系列处理后，输出一行标准文本：“先热锅冷油，放入姜蒜爆香。”整个过程就像有个隐形助手在旁边听写，而且听得特别准。
为什么能这么准？关键在于三个核心技术环节的协同：VAD分段、热词增强和ITN文本规整。
VAD模块负责判断哪一段是有效语音，哪一段是抽油烟机的轰鸣或锅铲碰撞声。通过设定合理的敏感度阈值，系统能精准切出真正的说话片段，避免把“滋啦”一声误识别成某个动词。这对于厨房这种高噪声环境至关重要。
但光是“听见”还不够，还得“听懂”。比如你说“勾芡收汁”，通用语音助手可能听成“狗欠收字”；说“文火焖十分钟”，也可能变成“蚊虫闷十分钟”——这些啼笑皆非的错误，在专业术语密集的烹饪语境中屡见不鲜。
Fun-ASR 的应对策略是引入热词机制。你可以提前导入一份自定义词汇表，例如：
酱油两勺 料酒一勺 焯水去腥 小火慢炖 大火收汁 冰糖上色一旦启用，模型会在解码阶段优先匹配这些词条，大幅降低歧义概率。实测表明，在添加常见调料与技法词库后，专业术语识别准确率提升超过40%。
而 ITN（Inverse Text Normalization）功能则解决了另一个痛点：口语表达与书面书写的差异。比如你随口说“二零二五年三月十二号我第一次做红烧肉”，系统不会原样保留，而是自动规整为“2025年3月12日我第一次做红烧肉”。数字、日期、单位全部标准化，省去后期手动修改的麻烦。
虽然 Fun-ASR 原生模型并不直接支持流式识别（如Conformer Streaming架构那种逐帧输出的方式），但系统通过“VAD动态分段 + 快速批量推理”的组合拳，实现了近似实时的效果。
具体来说，前端通过浏览器的 MediaRecorder API 捕获麦克风输入，每2~3秒切一次音频块，立即发送给后端/api/transcribe_stream接口。后端调用模型对每个短片段进行独立识别，并按时间顺序拼接结果。由于单段推理速度极快（GPU下约0.3倍实时率），用户几乎感觉不到延迟。
Python 后端的核心逻辑如下：
import torch from funasr import AutoModel # 初始化模型（GPU 加速） model = AutoModel(model="funasr-nano-2512", device='cuda:0') def stream_transcribe(audio_chunk): """ 模拟流式识别函数 :param audio_chunk: numpy array, shape=(T,), dtype=float32 :return: str, 识别文本 """ result = model.generate(audio_chunk, hotword="酱油,料酒,八角") return result["text"]这段代码看似简单，却是整个实时体验的技术支点。在 WebUI 界面中，前端通过 WebSocket 或 SSE 协议接收逐段返回的文字，动态刷新显示区域，形成连续滚动的“听写效果”。尽管不是严格意义上的流式建模，但在资源受限设备上的确是一种高效可行的替代方案。
除了实时记录，系统还提供了强大的批量处理与历史管理能力。如果你有一堆过去的烹饪录音需要整理，可以直接拖拽多个文件上传，系统会按队列依次处理，最终生成 CSV 或 JSON 格式的结构化输出。
所有识别结果都会存入本地 SQLite 数据库（默认路径webui/data/history.db），表结构设计简洁实用：
CREATE TABLE transcriptions ( id INTEGER PRIMARY KEY, filename TEXT, filepath TEXT, language TEXT, raw_text TEXT, normalized_text TEXT, hotwords TEXT, created_at DATETIME DEFAULT CURRENT_TIMESTAMP );每条记录都带有唯一ID和时间戳，支持关键词搜索、导出文档、删除旧项等操作。久而久之，这就成了你的个人“语音菜谱库”——想复刻三个月前那道惊艳全家的酱香排骨？只需在搜索框输入“排骨”，相关记录立刻浮现。
为了保证稳定性，系统默认采用串行处理模式（批大小=1），避免多任务并发导致内存溢出。尤其在低配设备上，这种“保守策略”反而提升了整体可靠性。当然，如果你使用的是高端显卡，也可以手动调整参数以提高吞吐效率。
实际应用中，这套方案已经展现出明显的场景适配优势。打开浏览器访问http://localhost:7860，进入“实时识别”页面，点击麦克风开始说话：
“先把鸡腿肉切块，冷水下锅焯水去腥，水开捞出备用。然后热锅倒油，放冰糖炒糖色……”
几秒钟后，屏幕上就出现了规整后的文本：“先将鸡腿肉切块，冷水下锅焯水去腥，水开后捞出备用。随后热锅倒入食用油，放入冰糖炒制糖色。”
过程中即使背景有抽油烟机运转声，VAD也能有效过滤静音段；若出现“适量盐”这类模糊表达，也不必强求精确识别——保留原话即可，后续人工补充更符合真实使用习惯。
针对常见问题，也有一些最佳实践建议：
- 提前配置热词：建立常用调料、火候术语、地方做法的专属词库，显著提升识别一致性。
- 控制语速节奏：每句话之间留出半秒以上停顿，有助于VAD准确分割语音段。
- 优先使用GPU：在设置中选择CUDA设备，可使识别速度提升3倍以上；若遇显存不足，尝试关闭其他程序或重启服务。
- 定期备份数据库：随着记录增多，history.db 文件可能变大，建议定期归档以防查询变慢。
从技术角度看，Fun-ASR 的价值不仅在于其高精度识别能力，更在于它重新定义了人与AI的协作方式。它不是让你去适应机器的语言规则，而是让机器学会理解你在特定场景下的表达习惯。
在烹饪之外，这套系统同样适用于会议纪要整理、课堂听讲记录、访谈速记等多个高频语音输入场景。它的本质，是一个可定制、可扩展、可私有化的个人语音代理。
未来，随着模型进一步轻量化和真正流式架构的落地，这类系统有望集成进智能音箱、穿戴设备甚至嵌入式厨电中，实现“无感记录”——你甚至不需要意识到自己正在被记录。
而现在，借助 Fun-ASR WebUI，普通人也能零门槛搭建属于自己的语音助手。不需要API密钥，不必担心数据泄露，只要一台电脑、一个麦克风，就能开启 AI 赋能生活的第一步。
某种意义上，这才是人工智能该有的样子：不喧哗，不打扰，只在你需要的时候，默默记下你说过的每一句话。
