項目簡介

FunASR 是阿里巴巴達摩院開源的端到端語音識別工具箱，集成了多種語音識別、語音活動檢測（VAD）、說話人識別等模塊。其中 paraformer-zh 和 paraformer-zh-streaming 是針對中文語音識別任務優化的端到端模型，分別適用于離線和流式場景。Paraformer 采用并行 Transformer 架構，兼具高精度和低延遲，廣泛應用于智能客服、會議轉寫、語音助手等場景。

• 主要特點：
  • 端到端中文語音識別，支持離線和流式推理
  • 高精度、低延遲，適合工業級部署
  • 預訓練模型開箱即用，支持 ModelScope 云推理
  • 支持多種硬件平臺和部署方式

---

快速上手

1. 環境準備

建議使用 Python 3.8+，推薦在虛擬環境下安裝：

pip install funasr

或直接使用 ModelScope 平臺：

pip install modelscope

2. 離線識別（paraformer-zh）

from funasr import AutoModelmodel = AutoModel.from_pretrained("iic/paraformer-zh-16k-common-vocab8404-pytorch")
result = model.generate(input="example.wav")
print(result)
# 輸出示例: [{'text': '你好，歡迎使用FunASR。', 'timestamp': [(0.0, 1.2)]}]

3. 流式識別（paraformer-zh-streaming）

from funasr import AutoModelmodel = AutoModel.from_pretrained("iic/paraformer-zh-streaming-16k-common-vocab8404-pytorch")
# 假設 audio_chunks 為分幀后的音頻數據
for chunk in audio_chunks:result = model.generate(input=chunk, is_final=False)print(result)
result = model.generate(input=last_chunk, is_final=True)
print(result)

4. 命令行工具

funasr asr --input example.wav --output result.json --model paraformer-zh

---

典型應用場景與案例（結合大模型）

隨著大模型（如 Whisper、GPT-4、音頻/多模態 LLM、AIGC 等）的興起，Paraformer-zh 與大模型結合后，極大提升了語音理解、智能交互等系統的效率與智能化水平。以下場景均以“ASR+大模型”為核心鏈路，給出細節與代碼示例：

1. 智能語音助手前端識別與理解

• 流程：Paraformer-zh 實時識別語音 → Whisper/GPT-4V 等大模型做語義理解/對話生成 → 提升交互體驗
• 案例：智能音箱、車載助手等場景，前端識別后送入大模型，顯著提升響應速度和準確率
• 代碼片段：

from funasr import AutoModel
import