基于FunASR开发的可私有化部署的语音转文字接口 | FunASR接口开发 | 语音识别接口私有化部署

Luke Ewin2025-12-19 9:04

0. 效果演示

点击观看视频讲解

项目已经开源，国内可访问，国外可访问。如果觉得这个项目不错，不妨给作者一个 Star，谢谢，Thank you.

1. 项目背景说明

这个项目基于阿里开源的 FunASR 进行开发，使用 fastapi 开发成 API 接口，数据存储到 MySQL 中。

该项目可以运行于 Linux，MacOS 和 Windows 系统中，在对应系统中安装 Python 环境即可运行。

该项目是一个 API 接口，没有界面，适用于其它项目通过 HTTP 进行调用。可支持任意语言发送 HTTP 请求进行调用，比如支持：Java, C++，C，PHP，Go，JavaScript 等均可调用本接口。

2. 项目环境安装

这里以 Windows 为例，当然 Linux 和 MacOS 也是支持的，这里写文档以在 Windows 安装使用为例子，其它系统类似。

2.1. 安装显卡驱动

首先选择安装"显卡驱动"如果你想要使用"CUDA"来加速推理，当然前提是你要有英伟达显卡。

大部分电脑已经自动给你安装好了的，这个一般不需要你操作安装。可使用下面命令查看你电脑或者服务器中目前的显卡驱动版本。

shell 复制代码 
nvidia-smi

2.2. 安装CUDA

这个也是你使用英伟达显卡才需要安装，如果你使用的 Mac 的芯片，无需安装，可跳过这步骤。

可访问下面地址选择你对应的版本和系统。注意：安装的 CUDA 版本一定要是 nvidia-smi 中支持的版本。

markdown 复制代码 
https://developer.nvidia.com/cuda-downloads

安装完成之后可以使用 nvcc -V 查看是否可以输出版本信息，如果是 Linux 和 MacOS 还需要配置系统环境变量。具体如何配置可以查看我之前发布的文章，访问下面地址。

markdown 复制代码 
https://blog.lukeewin.top/archives/linux-cuda-cudnn

2.3. 安装FFMPEG

这个 ffmpeg 在本项目中用于音频的统一编码用，必须安装。

可访问下面网址下载 ffmpeg，解压然后配置系统环境变量。

markdown 复制代码 
https://ffmpeg.org/download.html

如何配置系统环境变量，网上有很多教程，这里不展开。

安装并配置好环境变量之后，可以验证一下是否可正常使用，使用下面命令，如果有版本信息输出，说明配置正确。

shell 复制代码 
ffmpeg -version

2.4. 安装Miniconda

可访问下面网址，下载安装 Miniconda

markdown 复制代码 
https://www.anaconda.com/download

为了方便大家的下载，这里直接给出不同系统的下载地址。

下面是 Windows X86_64 系统对应的 Miniconda 安装包。

markdown 复制代码 
https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe

下面是 MacOS 苹果芯片的对应安装包。(图形界面)

markdown 复制代码 
https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.pkg

下面是 MacOS 苹果芯片对应的安装包。（命令行）

markdown 复制代码 
https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.sh

下面是 MacOS 英特尔芯片对应的安装包。（图形界面）

markdown 复制代码 
https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-x86_64.pkg

下面是 MacOS 英特尔芯片对应的安装包。（命令行）

markdown 复制代码 
https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-x86_64.sh

Linux 的对应安装包。（这里只给 X86_64 的安装包，如果需要其它的安装包，需要自己到官方网站中获取下载链接）

markdown 复制代码 
https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

3. 创建虚拟环境并安装Python依赖

创建虚拟环境，使用下面命令：

shell 复制代码 
conda create -n funasr python=3.11

进入环境

shell 复制代码 
conda activate funasr

安装依赖

shell 复制代码 
pip install -U funasr modelscope python-dotenv fastapi uvicorn PyMySQL DBUtils python-multipart

4. 运行和使用

4.1 运行

运行之前需要在项目目录中创建 .env 文件，写入下面配置信息。

markdown 复制代码 
DB_HOST=127.0.0.1
DB_PORT=3306
DB_USER=root
DB_PASSWORD=123456
DB_NAME=funasr_api

这里使用的是 MySQL 数据库，你需要在 MySQL 中创建一个名为 funasr_api 的数据库，然后执行 funasr_api.sql 文件。

shell 复制代码 
python app.py

默认使用的是 9090 端口。

4.2 使用

转写接口 /asr

markdown 复制代码 
发送POST请求，form-data形式，传入参数file，类型File

/asr 接口响应如下：

json 复制代码 
{
    "text": "现在我来录制十秒钟的音频来测试一下一句话识别，看看识别的速度怎么样。",
    "segments": [
        {
            "text": "现在我来录制十秒钟的音频来测试一下一句话识别，",
            "start": "00:00:00.780",
            "end": "00:00:07.400",
            "speaker": 0
        },
        {
            "text": "看看识别的速度怎么样。",
            "start": "00:00:07.620",
            "end": "00:00:10.015",
            "speaker": 0
        }
    ],
    "language": "zh"
}

转写接口 /trans/file

markdown 复制代码 
发送POST请求，form-data形式，传入参数file，类型File

/trans/file 接口响应如下：

json 复制代码 
{
    "code": 200,
    "status": "ok",
    "message": "success",
    "data": {
        "sentences": [
            {
                "text": "现在我来录制十秒钟的音频来测试一下一句话识别，",
                "start": "00:00:00.780",
                "endTime": "00:00:07.400",
                "speaker": 0
            },
            {
                "text": "看看识别的速度怎么样。",
                "start": "00:00:07.620",
                "endTime": "00:00:10.015",
                "speaker": 0
            }
        ]
    }
}

转写接口 /trans/audio_url

markdown 复制代码 
发送POST请求，form-data形式，传入参数audio_url，类型String

/trans/audio_url 响应如下：

json 复制代码 
{
    "code": 200,
    "status": "success",
    "message": "上传成功",
    "data": {
        "task_id": "75681bf99f144616979e062fb3480067"
    }
}

获取转写结果接口 /result

markdown 复制代码 
发送POST请求，form-data形式，字段task_id，类型String

响应如下：

json 复制代码 
{
    "code": 200,
    "status": "success",
    "message": "获取结果成功",
    "data": {
        "sentences": [
            {
                "sentence_index": 1,
                "text": "嗯，",
                "start": "00:00:00.370",
                "end": "00:00:00.610",
                "spk": 0
            },
            {
                "sentence_index": 2,
                "text": "那么今天我们就简单的进行一下那个新生招聘的嗯讨论吧。",
                "start": "00:00:00.630",
                "end": "00:00:06.890",
                "spk": 0
            },
            {
                "sentence_index": 3,
                "text": "因为现在不是好像就新生到校嘛，",
                "start": "00:00:06.910",
                "end": "00:00:10.050",
                "spk": 0
            },
            {
                "sentence_index": 4,
                "text": "然后我们社团呢也需要招聘一些新的社员，",
                "start": "00:00:10.350",
                "end": "00:00:13.450",
                "spk": 0
            },
            {
                "sentence_index": 5,
                "text": "然后就今天就大概就讨论一下嗯怎么招聘的内容吧。",
                "start": "00:00:13.950",
                "end": "00:00:18.890",
                "spk": 0
            },
            {
                "sentence_index": 6,
                "text": "嗯，",
                "start": "00:00:19.250",
                "end": "00:00:19.490",
                "spk": 0
            },
            {
                "sentence_index": 7,
                "text": "我们就首先想一下那个招聘的地点在哪里吧？",
                "start": "00:00:19.570",
                "end": "00:00:23.505",
                "spk": 0
            },
            {
                "sentence_index": 8,
                "text": "嗯，",
                "start": "00:00:24.370",
                "end": "00:00:24.590",
                "spk": 1
            },
            {
                "sentence_index": 9,
                "text": "地点的话，",
                "start": "00:00:24.590",
                "end": "00:00:25.230",
                "spk": 1
            },
            {
                "sentence_index": 10,
                "text": "我们现在可以有三个选择。",
                "start": "00:00:25.230",
                "end": "00:00:27.190",
                "spk": 1
            },
            {
                "sentence_index": 11,
                "text": "嗯，",
                "start": "00:00:27.610",
                "end": "00:00:27.850",
                "spk": 1
            },
            {
                "sentence_index": 12,
                "text": "第一个的话，",
                "start": "00:00:27.910",
                "end": "00:00:28.550",
                "spk": 1
            },
            {
                "sentence_index": 13,
                "text": "我们可以选择在操场，",
                "start": "00:00:28.550",
                "end": "00:00:30.810",
                "spk": 1
            },
            {
                "sentence_index": 14,
                "text": "因为那儿嗯学生流动量也挺大的，",
                "start": "00:00:30.970",
                "end": "00:00:34.720",
                "spk": 1
            },
            {
                "sentence_index": 15,
                "text": "操场的话，",
                "start": "00:00:34.920",
                "end": "00:00:35.800",
                "spk": 0
            },
            {
                "sentence_index": 16,
                "text": "这这段时间太热了，",
                "start": "00:00:36.340",
                "end": "00:00:38.220",
                "spk": 0
            },
            {
                "sentence_index": 17,
                "text": "我怕那个人流量有点少。",
                "start": "00:00:38.220",
                "end": "00:00:40.579",
                "spk": 0
            },
            {
                "sentence_index": 18,
                "text": "嗯，",
                "start": "00:00:41.060",
                "end": "00:00:41.300",
                "spk": 1
            },
            {
                "sentence_index": 19,
                "text": "那我们还可以有第二个选择呀，",
                "start": "00:00:41.380",
                "end": "00:00:43.280",
                "spk": 1
            },
            {
                "sentence_index": 20,
                "text": "嗯我们可以在图书馆楼下那里有一块可以遮阴的地方哦，",
                "start": "00:00:43.640",
                "end": "00:00:49.080",
                "spk": 1
            },
            {
                "sentence_index": 21,
                "text": "图书馆我觉得应该还可以吧。",
                "start": "00:00:49.220",
                "end": "00:00:51.485",
                "spk": 0
            }
        ]
    }
}

5. 联系

这个项目已经开源，有一定编程能力的人可以自行修改源码，如果不会如何部署的朋友，可以让作者有偿给你部署，可点击这里。

如果觉得这个项目不错，记得在右上角点击"Star"。

公众号：编程分享录

6. 其它项目

  1. 基于 Celery + Redis 开发的分布式私有化语音识别接口，可联系作者 lukeewin01 进行项目演示。该项目支持多机多卡部署，适合中大型公司使用，可分布式部署在多台服务器中，使用多张显卡。目前该项目不开源。点击这里查看文章。
  2. 基于 Java 开发的一句话实时语音识别接口，在阿里云高性能计算性服务器中转写 10 秒一句话音频耗时 100 毫秒左右。该项目不需要 GPU，运行在纯 CPU 环境中，使用 onnxruntime 推理模型。（非开源项目）
  3. 基于 Java 开发的长音频转写接口，在阿里云高性能计算性服务器中转写 1 分钟音频耗时 1.1 秒。该项目也不需要显卡，运行在纯 CPU 环境中，使用 onnxruntime 推理模型。（非开源项目）

7. 模型下载

shell 复制代码 
modelscope download --model iic/speech_seaco_paraformer_large_asr_nat-zh-cn-16k-common-vocab8404-pytorch
modelscope download --model iic/speech_fsmn_vad_zh-cn-16k-common-pytorch
modelscope download --model iic/punc_ct-transformer_zh-cn-common-vocab272727-pytorch
modelscope download --model iic/speech_campplus_sv_zh-cn_16k-common
相关推荐
龙山云仓2 小时前
No095:沈括&AI：智能的科学研究与系统思维
开发语言·人工智能·python·机器学习·重构
山风wind2 小时前
设计模式-模板方法模式详解
python·设计模式·模板方法模式
LiYingL2 小时前
多人对话视频生成的新发展：麻省理工学院数据集和基线模型 “CovOG
人工智能
人工智能培训2 小时前
DNN案例一步步构建深层神经网络（二）
人工智能·神经网络·大模型·dnn·具身智能·智能体·大模型学习
铉铉这波能秀2 小时前
正则表达式从入门到精通（字符串模式匹配）
java·数据库·python·sql·正则表达式·模式匹配·表格处理
TG：@yunlaoda360 云老大2 小时前
华为云国际站代理商的GACS主要有什么作用呢？
人工智能·自然语言处理·华为云
AI营销资讯站2 小时前
原圈科技AI营销内容生产体系助力企业降本提效新变革
大数据·人工智能
AI科技星2 小时前
质量定义方程中条数概念的解析与经典例子计算
数据结构·人工智能·经验分享·算法·计算机视觉
啊阿狸不会拉杆2 小时前
《数字图像处理》第8章-图像压缩和水印
图像处理·人工智能·算法·计算机视觉·数字图像处理
热门推荐
01GitHub 镜像站点02UV安装并设置国内源03Linux下V2Ray安装配置指南04在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）05BongoCat - 跨平台键盘猫动画工具06【AutoGLM部署】本地私有化部署AI手机Agent07Neo4j（一） - Neo4j安装教程（Windows）08安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）09Cursor 又偷偷更新，这个功能太实用：Visual Editor for Cursor Browser10Open-AutoGLM Windows 安装部署教程