CPU 跑得比 Whisper GPU还快的开源语音识别，本地部署

之前在聊过好几次本地语音方案，从 Whisper 到 SenseVoice 再到 Voicebox，每一次都是「快是快了，但要么少功能，要么不支持中文方言，要么没有说话人分离」

直到这次我重新摸了一遍 FunASR ，才发现这货已经悄悄进化成「一行 pip、一次调用，把 VAD、识别、标点、说话人、情感全办了」的工业级 ASR 工具包

更狠的是这一句官方原话：

❝

FunASR 在 CPU 上的速度，比 Whisper 在 GPU 上还快

简介

FunASR 是阿里通义实验室（modelscope 团队）开源的端到端语音识别工具包，定位很明确：工业级、开源、一站式

GitHub：github⋅com/modelscope/FunASR，MIT 协议，目前 PyPI 最新版本 funasr 1.3.9

它把语音识别这件事拆成了 5 个零件，再用一个 AutoModel 把它们焊在一起：

区别于 Whisper「一个大模型包打天下」的姿势，FunASR 把每个环节做到能独立替换、独立升级，组合起来还能在 GPU 上跑出 170 倍实时

下面这张图能更直观看懂流水线怎么咬合：

下图是 Fun-ASR-Nano 的性能图，纵轴是错误率（越低越好），横轴是延迟，左下角越靠近原点越能打：

核心功能与特点：

• 速度怪兽：SenseVoice-Small 在 GPU 上跑 170 倍实时（1 小时音频不到 22 秒搞定），CPU 上还能跑 17 倍实时——这意味着没显卡的服务器也能上
• 50+ 语言 + 中文方言：Fun-ASR-Nano 支持 31 种语言，Qwen3-ASR 支持 52 种语言自动检测，GLM-ASR-Nano 专门做了 17 种方言优化
• 一站式：VAD 切分、识别、标点、说话人分离一次调用全部完成，不用自己再拼 pipeline
• 情感识别：emotion2vec+large 能识别开心/悲伤/愤怒等情绪，做客服质检和直播分析很合适
• 流式 + 离线双模式：paraformer-zh-streaming 能跑 WebSocket 实时字幕，paraformer-zh / SenseVoice 适合离线长音频
• OpenAI 兼容 API：funasr-server --device cuda 一行起服务，POST /v1/audio/transcriptions 跟调 OpenAI Whisper API 一模一样
• 接 Agent 友好：自带 MCP 服务可以挂 Claude/Cursor，OpenAI 兼容接口可以喂给 LangChain/Dify/AutoGen

安装

主线就一行：

pip install funasr

想跑源码版（要改代码或装 examples）：

git clone https://github⋅com/modelscope/FunASR.git
cd FunASR
pip install -e ./

环境要求：Python ≥ 3.8、PyTorch ≥ 1.13、torchaudio

如果想直接起服务版（OpenAI 兼容 API），多装几个 web 依赖就行：

pip install funasr fastapi uvicorn python-multipart
funasr-server --model sensevoice --device cuda
# 默认起在 localhost:8000

不想本地配环境的，官方贴了 Colab 一键体验链接：colab⋅research⋅google⋅com/github/modelscope/FunASR/blob/main/examples/colab/funasr_quickstart.ipynb，浏览器里跑公开样例或上传自己的录音都行

使用

我把官方 README 里最实用的几个组合拢成下面这一段，基本覆盖 90% 的真实场景

中文会议录音转写（VAD + 识别 + 标点 + 说话人）

from funasr import AutoModel

model = AutoModel(
    model="iic/SenseVoiceSmall",
    vad_model="fsmn-vad",
    spk_model="cam++",
    device="cuda",
)
result = model.generate(input="meeting.wav")

输出是带说话人标签和时间戳的结构化文本：

[00:00.4 → 00:03.8] 说话人0: 我们今天讨论一下 Q3 的计划
[00:04.2 → 00:07.1] 说话人1: 好的，我有三个要点
[00:07.5 → 00:12.3] 说话人0: 请讲，我们还有 30 分钟

一次调用、一段输出，会议纪要直接拿这个做后处理就行

多语言/方言（Fun-ASR-Nano）

追求更高精度、要支持中文方言的时候，换成 Fun-ASR-Nano（SenseVoice 编码器 + Qwen3-0.6B 解码器，800M 参数）：

from funasr import AutoModel

model = AutoModel(
    model="FunAudioLLM/Fun-ASR-Nano-2512",
    vad_model="fsmn-vad",
    device="cuda",
)
result = model.generate(input="meeting.wav")

要批量跑长音频的，套一层 vLLM 加速，官方说批量场景能再快 16 倍：

from funasr.auto.auto_model_vllm import AutoModelVLLM

model = AutoModelVLLM(
    model="FunAudioLLM/Fun-ASR-Nano-2512",
    tensor_parallel_size=1,
)
results = model.generate(["audio1.wav", "audio2.wav"], language="auto")

流式实时识别（边说边出字）

from funasr import AutoModel

model = AutoModel(model="paraformer-zh-streaming", device="cuda")
result = model.generate(
    input="chunk.wav",
    cache={},
    chunk_size=[0, 10, 5],
)

chunk_size=[0, 10, 5] 是流式场景常用的延迟/lookahead 配置，搭配 WebSocket 可以做直播字幕

情感识别

from funasr import AutoModel

model = AutoModel(model="emotion2vec_plus_large", device="cuda")
result = model.generate(input="audio.wav", granularity="utterance")

直接吐情绪标签，做客服情绪监控特别舒服

部署成 OpenAI 兼容服务

funasr-server --model sensevoice --device cuda

然后用 curl 验一下：

curl -L https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/BAC009S0764W0121.wav -o sample.wav
curl http://localhost:8000/v1/audio/transcriptions \
  -F file=@sample.wav \
  -F model=sensevoice \
  -F response_format=verbose_json

接口形态跟 OpenAI Whisper API 完全对得上，老业务想从云端 ASR 平移过来基本零改造

测评数据

FunASR 官方评测表非常硬核（来源：完整报告：modelscope⋅github⋅io/FunASR/zh/benchmark.html）：

把这组数据画成柱状图，差距更直观：

光看数字感受不到狠在哪？换个角度看：

• 1 小时会议录音
• Whisper-large-v3：4.6 分钟出结果
• SenseVoice-Small：21 秒出结果
• 这就是 13 倍的差距

更骚的是 SenseVoice-Small 在 CPU 上的 17 倍实时，比 Whisper-large-v3 在 GPU 上的 13 倍还快——意味着没显卡的中小公司也能起一个能扛量的 ASR 服务，这条对很多团队是真•救命

横向对比一下我经常被问的几个方案：

优点很硬：

1. 一站式：VAD/识别/标点/说话人分离/情感全自带，少装 5-6 个开源仓库
2. 中文最强梯队：Paraformer 系列是阿里达摩院 8 年积累，方言、口音、噪声鲁棒性远超 Whisper
3. CPU 友好：没显卡也能用，部署门槛低
4. 服务化彻底：funasr-server 直接吐 OpenAI 兼容 API，原本接 Whisper 的 SDK 全部能复用
5. Agent 集成友好：MCP 服务、OpenAI API、Gradio Demo 全配齐了

也有一些不爽的地方：

1. 模型有点多，新手第一次用容易迷路——不知道该选 SenseVoice 还是 Paraformer 还是 Fun-ASR-Nano（建议直接看官方的 模型选择指南：modelscope⋅github⋅io/FunASR/zh/）
2. SenseVoice-Small 虽然快，但参数量 234M，跟 Whisper-large 的 1550M 比体量小不少，复杂英文长音频的识别精度还是 Whisper 系列略胜
3. Fun-ASR-Nano 要走 vLLM 加速最舒服，但 vLLM 自己的安装坑不少，对硬核度要求略高
4. 文档体系中英混排，部分 API 参数还是只能去 examples/ 目录里翻

部署选型建议

读到这步，给你一张「该选哪个」决策表，省得你回去再翻：

总结

很多语音识别开源项目，要么只是 Whisper 套个壳，要么只跑英文，要么只能跑离线、只能跑 GPU、只能跑识别——FunASR 的姿势是把整个语音 pipeline 工业化，把方言、流式、说话人、情感、Agent 接入一并端上桌

我个人的判断：

• 如果你是国内做语音应用、中文会议纪要、客服质检、直播字幕的——直接用，没什么犹豫的
• 如果你之前在用 Whisper 但被速度卡死——用 funasr-server 把它当 Whisper 兼容 API，性能直接起飞
• 如果你想做 AI Agent 听懂语音输入——MCP 服务 + Claude/Cursor 已经现成
• 如果你只是英文、只跑单 GPU、只要离线转写——Whisper 也够，看个人偏好

#FunASR #语音识别 #ASR #开源 #本地部署