支持实时录音与批量处理｜科哥开发的FunASR语音识别WebUI使用指南

1. 快速开始与访问方式

1.1 服务启动与访问地址

在成功部署 FunASR 语音识别 WebUI 后，系统将自动启动基于 Gradio 的可视化界面。用户可通过以下地址访问：

http://localhost:7860

若需从远程设备访问，请替换 localhost 为服务器的实际 IP 地址：

http://<服务器IP>:7860

该 WebUI 基于 Paraformer-Large 和 SenseVoice-Small 模型构建，支持中文、英文、粤语、日语、韩语等多种语言识别，并集成了标点恢复、语音活动检测（VAD）和时间戳输出等实用功能。

---

2. 界面功能详解

2.1 头部信息区域

页面顶部展示核心标识信息： - 应用名称：FunASR 语音识别 WebUI - 功能描述：基于 FunASR 的中文语音识别系统 - 版权信息：webUI二次开发 by 科哥 | 微信：312088415

此部分为固定展示内容，便于用户确认当前运行环境来源。

2.2 控制面板功能说明

左侧控制面板包含模型配置与操作控制模块，是实现精准识别的关键设置区。

模型选择

提供两种主流 ASR 模型供切换： - Paraformer-Large：大参数量模型，识别精度高，适合对准确率要求高的场景 - SenseVoice-Small：轻量化模型，响应速度快，适合实时交互或资源受限环境（默认）

设备运行模式

• CUDA：启用 GPU 加速推理（推荐有 NVIDIA 显卡时使用）
• CPU：纯 CPU 推理模式，兼容无独立显卡设备

系统会根据硬件自动推荐最优选项，用户也可手动调整。

功能开关配置

• 启用标点恢复 (PUNC)：开启后自动为识别文本添加句号、逗号等标点符号
• 启用语音活动检测 (VAD)：自动分割静音段落，提升长音频处理效率
• 输出时间戳：生成每句话或词的时间区间，适用于字幕制作与音频剪辑定位

模型状态显示

实时反馈当前模型加载情况： - ✓ 模型已成功加载 - ✗ 模型未加载或加载失败

操作按钮

• 加载模型：手动触发模型初始化或重新加载以更新配置
• 刷新：刷新当前状态信息，排查异常问题

---

3. 使用流程详解

3.1 方式一：上传音频文件进行识别

步骤 1：准备支持格式的音频文件

系统支持多种常见音频格式输入，包括： - WAV (.wav) - MP3 (.mp3) - M4A (.m4a) - FLAC (.flac) - OGG (.ogg) - PCM (.pcm)

建议采样率为 16kHz，确保最佳识别效果。单个文件最大支持长度由“批量大小”参数决定，默认最长可处理 300 秒（5 分钟）音频。

步骤 2：上传音频文件

进入主界面的 “ASR 语音识别” 区域，点击 "上传音频" 按钮，选择本地文件并等待上传完成。上传成功后，波形图将自动预览。

步骤 3：配置识别参数

参数项	可选值	推荐设置
批量大小（秒）	60 - 600	默认 300
识别语言	auto, zh, en, yue, ja, ko	中文推荐 zh 或 auto

提示：对于多语种混合内容，建议选择 auto 实现自动语言检测；若明确为单一语言，则指定对应语言可提高识别准确率。

步骤 4：启动识别任务

点击 "开始识别" 按钮，系统将调用选定模型进行语音转写。处理时间取决于音频长度、模型类型及运行设备性能。

步骤 5：查看识别结果

识别完成后，结果将以三个标签页形式呈现：

文本结果

显示最终生成的纯文本内容，支持一键复制到剪贴板。

详细信息

返回完整的 JSON 结构数据，包含： - 识别文本 - 各片段置信度得分 - 时间戳范围（起始/结束时间） - 分词边界信息

时间戳

以 [序号] 开始时间 - 结束时间 (时长) 格式列出每个语义单元的时间位置，便于后期编辑定位。

---

3.2 方式二：浏览器端实时录音识别

步骤 1：授权麦克风权限

点击 "麦克风录音" 按钮后，浏览器将弹出权限请求框。请务必点击 "允许"，否则无法采集声音信号。

步骤 2：录制语音输入

允许权限后，即可开始说话。录音过程中会有视觉反馈指示音量强度。点击 "停止录音" 结束录制。

步骤 3：执行在线识别

录音结束后，无需额外上传，直接点击 "开始识别" 即可启动转写流程。

步骤 4：获取实时识别结果

结果展示方式与上传文件一致，支持文本、JSON 和时间戳三种视图，满足不同用途需求。

优势说明：该功能完全在客户端完成录音，不依赖第三方插件，保障用户隐私安全。

---

4. 结果导出与文件管理

4.1 多格式结果下载

识别完成后，可通过下方按钮下载不同格式的结果文件：

下载按钮	输出格式	典型应用场景
下载文本	.txt	内容整理、文档归档
下载 JSON	.json	程序解析、二次开发
下载 SRT	.srt	视频字幕嵌入、剪辑同步

所有输出均保留原始时间信息，SRT 文件符合标准字幕规范，可直接导入 Premiere、Final Cut Pro 等视频编辑软件。

4.2 输出目录结构

每次识别任务都会创建一个独立的时间戳命名文件夹，路径如下：

outputs/outputs_YYYYMMDDHHMMSS/

示例目录结构：

outputs/outputs_20260104123456/
├── audio_001.wav          # 原始音频副本
├── result_001.json        # 完整识别结果（JSON）
├── text_001.txt           # 纯文本结果
└── subtitle_001.srt       # SRT 字幕文件

设计优点：按时间隔离输出，避免文件覆盖，方便追溯历史记录。

---

5. 高级功能配置指南

5.1 批量大小调节策略

“批量大小”参数决定了模型一次处理的最大音频时长（单位：秒），其设置直接影响内存占用与处理效率。

设置建议	适用场景
60-120 秒	显存较小的 GPU 或低配 CPU 设备
300 秒（默认）	平衡性能与资源消耗的通用设置
600 秒	高性能 GPU 上处理长录音（如会议、讲座）

注意：过大的批量可能导致 OOM（内存溢出），建议根据设备能力逐步测试调整。

5.2 语言识别优化建议

正确设置语言选项能显著提升识别准确率：

语言类型	推荐设置
普通话	zh
英文演讲	en
粤语对话	yue
日语访谈	ja
中英混杂	auto

当使用 auto 模式时，系统会自动判断主要语言并切换模型分支，适合不确定语种或混合语言场景。

5.3 时间戳输出应用场景

启用“输出时间戳”功能后，系统将在结果中附加精确到毫秒的时间信息，典型用途包括： - 自动生成视频字幕（SRT） - 音频剪辑中的关键节点标记 - 讲话人分离前的数据预处理 - 教学材料的重点段落索引

---

6. 常见问题与解决方案

6.1 识别结果不准确

可能原因分析： - 音频背景噪音较大 - 发音模糊或语速过快 - 语言设置错误 - 音频编码异常

解决方法： 1. 使用降噪工具（如 Audacity）预处理音频 2. 调整发音清晰度，保持适中语速 3. 明确选择目标语言而非依赖自动检测 4. 将音频转换为标准 WAV 或 MP3 格式再上传

---

6.2 识别速度慢

性能瓶颈排查： - 是否运行在 CPU 模式？建议优先使用 CUDA - 音频是否过长？建议分段处理超过 10 分钟的内容 - 当前模型是否为 Paraformer-Large？可尝试切换至 SenseVoice-Small 提升速度

优化建议： - 在高性能 GPU 上运行 Paraformer-Large 以兼顾精度与速度 - 对实时性要求高的场景，选用 SenseVoice-Small 模型

---

6.3 无法上传音频文件

检查清单： - 文件格式是否在支持列表内（WAV/MP3/M4A/FLAC/OGG/PCM） - 文件体积是否过大（建议小于 100MB） - 浏览器是否存在兼容性问题（推荐 Chrome/Firefox 最新版）

---

6.4 录音无声或无法启动

故障排查步骤： 1. 确认浏览器已授予麦克风权限 2. 检查操作系统麦克风是否被其他程序占用 3. 测试系统录音功能是否正常（可用系统自带录音机验证） 4. 调整麦克风输入增益，避免音量过低

---

6.5 输出文本出现乱码

处理方案： - 确保选择正确的语言模型（如中文应选 zh） - 检查音频是否包含非语音内容（如音乐、噪声） - 尝试重新导出为 UTF-8 编码的 TXT 文件

---

6.6 提升识别准确率的最佳实践

实践建议	说明
使用 16kHz 采样率音频	匹配模型训练数据分布
减少环境噪音	提高信噪比，降低误识别
清晰发音，避免吞音	有助于声学模型捕捉特征
合理选择语言模式	特别是方言或小语种内容

---

7. 服务管理与退出方式

7.1 停止 WebUI 服务

在终端中按下快捷键：

Ctrl + C

或通过命令强制终止进程：

pkill -f "python.*app.main"

提醒：关闭服务后，Web 页面将无法访问，需重新启动方可使用。

---

8. 快捷键与技术支持

8.1 常用快捷键汇总

操作	快捷键
终止服务	Ctrl + C
刷新页面	F5 或 Ctrl + R
复制文本	Ctrl + C

---

8.2 技术支持渠道

• 开发者：科哥
• 联系方式：微信：312088415
• 反馈要求：请提供具体操作步骤、错误截图及日志信息，以便快速定位问题

---

9. 更新日志与未来展望

9.1 当前版本特性（v1.0.0 - 2026-01-04）

• ✅ 首次公开发布
• ✅ 支持中文语音识别（Paraformer & SenseVoice）
• ✅ 支持多格式音频上传（WAV/MP3/M4A/FLAC/OGG/PCM）
• ✅ 实现浏览器端实时录音功能
• ✅ 提供 TXT/JSON/SRT 三类结果导出
• ✅ 采用紫蓝渐变主题 UI，提升用户体验

9.2 后续迭代方向

• 支持热词自定义注入
• 增加说话人分离功能
• 集成 ITN（Inverse Text Normalization）数字规范化
• 提供 RESTful API 接口供外部调用

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。