众筹平台上线：为Fun-ASR下一代研发筹集资金
在远程办公常态化、会议记录数字化、语音交互普及化的今天，一个看似简单却困扰无数人的难题依然存在：如何快速、准确、安全地将一段语音转写成文字？尤其是面对嘈杂环境、专业术语频出或多语混杂的场景时，市面上大多数语音识别工具要么响应迟缓，要么泄露隐私，要么“听不懂人话”。
正是在这样的背景下，由钉钉联合通义实验室推出的Fun-ASR系列语音识别大模型悄然走红。它不依赖云端API、能在本地运行、支持31种语言、甚至可以在消费级显卡上实现实时转录——这些特性让它迅速成为开发者和企业用户的“桌面级语音中枢”。而现在，这个项目正站在技术迭代的关键路口：要实现真正的流式识别、更低延迟、更小模型体积，仅靠已有资源已难以为继。
于是我们决定发起一次社区众筹——不是为了商业化变现，而是为了让更多人能参与进这场国产语音技术的共建中来。
从“能用”到“好用”：Fun-ASR的技术进化之路
Fun-ASR的本质，是一套基于Transformer架构的端到端自动语音识别系统。它的核心目标很明确：在保证高精度的同时，尽可能降低部署门槛与使用成本。这听起来像是老生常谈，但真正能做到“本地化+高性能+易用性”三者兼顾的产品，至今仍凤毛麟角。
当前版本的Fun-ASR采用编码器-解码器结构，先通过预训练模型提取声学特征，再结合CTC或注意力机制生成文本序列。整个流程无需外部语言模型辅助，在中文场景下WER（词错误率）已低于8%，即便是在带口音或轻度噪声条件下也表现稳健。
更重要的是，这套系统完全可以在RTX 3060级别的显卡上跑出1x实时速度——这意味着你说话的速度和屏幕上出字的速度基本同步。对于需要处理大量录音的用户来说，这种效率提升是质变级的。
如何做到又快又准？
除了底层模型优化外，Fun-ASR在工程层面做了大量精细打磨：
- 音频前端统一化：所有输入自动重采样至16kHz，并转换为梅尔频谱图作为模型输入，确保不同格式（WAV/MP3/M4A/FLAC）的一致性；
- 热词增强机制：允许用户自定义关键词列表，显著提高行业术语识别率。比如输入“预算审批”“下周交付”，系统会优先匹配这些短语；
- ITN文本规整：将口语表达转化为标准书面语，例如“二零二五年”自动变成“2025年”，“一千二百三十四”转为“1234”，极大提升了输出可读性；
- 动态设备调度：根据硬件自动选择CUDA、MPS（Apple Silicon）或CPU路径，无需手动配置。
| 对比维度 | 传统云API方案 | Fun-ASR本地方案 |
|---|---|---|
| 数据安全性 | 数据上传至第三方服务器 | 完全本地处理，零数据外泄风险 |
| 成本 | 按调用量计费 | 一次性部署，长期免费使用 |
| 延迟 | 受网络影响较大 | 本地推理延迟低，响应更快 |
| 自定义能力 | 热词支持有限 | 可灵活配置热词与参数 |
| 批量处理效率 | 受限于API QPS限制 | 可并行处理多个文件，适合离线任务 |
这张表背后反映的，其实是两种完全不同理念的技术路线。一个是“服务即产品”，另一个则是“工具即自由”。
让非程序员也能轻松上手：WebUI的设计哲学
如果说Fun-ASR内核是引擎，那它的WebUI就是方向盘。这套基于Gradio开发的图形界面，彻底打破了“语音识别=命令行操作”的刻板印象，让普通用户也能像使用Office软件一样完成复杂任务。
启动只需一行命令：
bash start_app.sh随后打开浏览器访问http://localhost:7860，即可进入操作面板。整个后端由FastAPI驱动，前后端通过HTTP通信，SQLite负责存储识别历史，异步队列保障批量任务不阻塞主线程——简洁而高效。
六大功能模块，覆盖全流程需求
1. 单文件识别：最基础也是最高频的功能
上传音频或直接录音，选择语言和是否启用ITN，几秒后就能看到结果。原始文本与规整后文本分开展示，方便对比校对。
2. 实时流式识别：模拟边说边出字的效果
虽然当前模型本身不原生支持流式推理，但我们通过VAD（Voice Activity Detection）实现了近似效果。当检测到语音活动时，切分片段送入模型识别，从而实现“准实时”响应。
import webrtcvad from funasr import AutoModel vad = webrtcvad.Vad() vad.set_mode(3) # 最敏感模式 frames = frame_generator(10, audio_data, sample_rate=16000) segments = [] for frame in frames: if vad.is_speech(frame.bytes, sample_rate=16000): segments.append(frame) else: if len(segments) > 0: segment_audio = b''.join([s.bytes for s in segments]) model = AutoModel("funasr-nano-2512") result = model.generate(segment_audio) print(result["text"]) segments.clear()这段伪代码展示了其核心逻辑：利用WebRTC-VAD进行语音检测，仅在有声段触发识别，既节省算力又提升体验。当然，这也意味着当前流式功能仍属实验性质，延迟受VAD灵敏度与硬件性能共同影响。
3. 批量处理：解放双手的生产力工具
一次拖入数十个会议录音，统一设置语言、热词和输出格式，点击“开始”后系统自动排队处理。完成后可导出CSV或JSON文件，便于后续分析整合。
建议每批控制在50个以内，避免内存溢出；大文件建议提前压缩或降采样。
4. 识别历史：永不丢失的数字记忆
所有操作记录都持久化保存在webui/data/history.db中，支持按时间、文件名或关键词搜索。删除操作不可逆，因此我们也提供了定期备份提醒。
5. VAD检测：长音频预处理的利器
不仅能告诉你“哪里说了话”，还能精确标注每个语音片段的起止时间。最大单段时长默认设为30秒，防止过长内容影响识别质量。这一功能特别适用于电话录音切分、教学重点提取等场景。
6. 系统设置：掌控全局的控制中心
在这里你可以切换计算设备（CUDA/CPU/MPS）、查看模型加载状态、调整批处理大小，甚至一键清理GPU缓存。Mac用户启用MPS后，推理速度可达CPU模式的3倍以上。
落地场景：不只是“把声音变文字”
Fun-ASR的价值，远不止于做个本地版“讯飞听见”。它正在被用于一些意想不到的地方：
- 企业内部会议纪要自动化：HR部门批量导入周会录音，自动提取关键议题与待办事项；
- 教育机构课程归档：讲师讲授内容实时转写，配合时间戳生成可检索的知识库；
- 医疗问诊记录辅助：医生口述病历，系统自动规整为结构化文本，供电子病历系统调用；
- 内容创作者字幕生成：YouTuber上传视频音频，一键获取SRT字幕草稿，大幅缩短后期时间。
它的系统架构也非常清晰，模块间耦合度低，易于扩展：
+-------------------+ | 用户终端 | | (浏览器访问 UI) | +--------+----------+ | | HTTP 请求 v +--------v----------+ | WebUI 后端服务 | | (Gradio + FastAPI) | +--------+----------+ | | 调用推理接口 v +--------v----------+ | Fun-ASR 推理引擎 | | (Transformer 模型) | +--------+----------+ | | 设备调度 v +--------+----------+ | 计算设备 (GPU/CPU) | +-------------------+ +--------+----------+ | 数据存储层 | | SQLite (history.db)| +-------------------+这种设计使得未来接入新功能变得极为容易——比如增加说话人分离模块，只需在推理引擎层插入相应模型即可。
当前挑战与未来方向
尽管Fun-ASR已经具备相当成熟的实用能力，但它仍有明显的成长空间：
流式识别仍为模拟实现
目前的“实时”识别依赖VAD切片，存在断句不准、上下文断裂的问题。下一代计划引入原生Streaming Transformer架构，实现真正的低延迟连续识别。模型体积仍有压缩空间
当前Nano-2512版本参数量约2.5B，虽可在消费级GPU运行，但在低端设备上仍有压力。我们将探索INT8量化、知识蒸馏等手段，推出更轻量的“Mini”系列。多语言与方言支持有待加强
虽然支持31种语言，但在粤语、四川话等方言上的表现尚不稳定。下一步将引入方言适配微调机制，并开放社区贡献通道。缺乏说话人分离能力
多人对话场景下无法区分角色，一直是痛点。我们已着手集成Speaker Diarization模块，目标是实现“谁说了什么”的自动标注。
这些改进不会凭空而来。它们需要更多的训练数据、更强的算力支撑、更精细的工程调优——而这正是本次众筹的意义所在。
我们为什么需要你？
这次众筹不是一场商业融资，而是一次技术共同体的集结。我们希望募集的资金主要用于以下方向：
- 新一代流式模型的训练与验证；
- 模型量化与加速推理的技术攻关；
- WebUI功能升级（如支持SRT导出、角色标注、AI摘要）；
- 社区维护与文档建设。
每一笔捐款都将公开透明地用于技术研发，并定期向支持者汇报进展。更重要的是，我们会开放部分开发节点，邀请核心贡献者参与测试与反馈，真正实现“共建共治”。
如果你曾因语音识别延迟而错过重要信息，
如果你担心客户录音上传云端带来合规风险，
如果你希望拥有一套完全可控、可定制、可持续演进的语音工具链——
那么，欢迎加入Fun-ASR的旅程。
让我们一起，打造一个属于中国开发者的、自主可控的语音识别生态。
让每一句话，都被听见、被理解、被记录。
