使用Dify快速搭建FireRedASR-AED-L语音识别AI应用

你是不是觉得，把那些听起来很厉害的AI模型，比如语音识别模型，变成一个普通人也能用的应用，是一件特别复杂、需要写很多代码的事情？我以前也这么想，总觉得这背后得有庞大的工程团队。但最近我发现，事情完全不是这样。现在有一些工具，能让这个过程变得像搭积木一样简单。

今天，我就来带你亲手搭一个。我们用FireRedASR-AED-L这个开源的语音识别模型，它能准确地把音频转成文字。然后，我们借助一个叫Dify的平台，不用写复杂的后端代码，也不用头疼怎么设计界面，就能把它变成一个可以分享给朋友、同事使用的Web应用或者API接口。

整个过程，你只需要点点鼠标，配置几个参数，半小时内就能看到成果。听起来是不是有点意思？那我们开始吧。

1. 准备工作：模型与平台

在开始“搭积木”之前，我们得先把“积木块”准备好。这里主要需要两块：一个是能听懂话的模型，另一个是让我们搭应用的平台。

1.1 理解我们的核心“积木”：FireRedASR-AED-L

FireRedASR-AED-L是一个专注于中文语音识别的开源模型。你可以把它想象成一个听力特别好、还专门练过中文听写的“助手”。它的特点是：

• 针对中文优化：对中文语音的识别准确率比较高，能很好地处理我们的日常用语。
• 流式识别：支持一边听一边转文字，适合做实时语音转写的场景，比如会议记录。
• 易于部署：社区提供了标准的API接口，方便我们调用。

为了让这个“助手”能工作，我们需要先把它“启动”起来，也就是部署在一个有GPU的服务器上，并提供一个可以通过网络访问的API地址。这一步通常涉及一些服务器操作，不过现在很多云平台都提供了一键部署的镜像服务。假设我们已经拿到了这个模型的API地址，比如 https://your-model-server/v1/audio/transcriptions，以及必要的API密钥。这是我们后续所有操作的基石。

1.2 认识我们的“搭建平台”：Dify

Dify是什么？你可以把它看作一个可视化、低代码的AI应用工厂。它把AI应用开发中那些繁琐的步骤，比如调用模型API、处理前后端逻辑、设计用户界面，都变成了图形化的操作。

它的核心是“工作流”。你可以通过拖拽不同的“节点”（比如“用户输入”、“调用模型”、“文本处理”），像画流程图一样，把整个AI应用的处理逻辑串起来。对于我们要做的语音识别应用，思路就非常清晰：

1. 用户上传一段音频。
2. 我们把音频发送给FireRedASR-AED-L模型。
3. 模型返回识别出的文字。
4. 我们把文字整理好，展示给用户。

整个过程，我们几乎不需要写传统的业务代码，只需要在Dify里配置好每个环节。接下来，我们就进入实战环节。

2. 第一步：在Dify中创建并配置应用

首先，你需要一个Dify环境。你可以去Dify的官网使用他们的云服务，或者在自己的服务器上部署一套。登录后，我们开始创建应用。

1. 创建新应用：在Dify控制台，点击“创建应用”，给它起个名字，比如“我的语音识别助手”。应用类型选择“工作流”，因为我们要自定义整个处理流程。
2. 进入工作流画布：创建成功后，你会进入一个空白的画布，这就是我们搭建逻辑的地方。

现在画布是空的，我们需要把第一个“积木”放上去：让用户能上传音频。

3. 添加用户输入节点：在画布左侧的节点库中，找到“输入”分类，将“文件上传”节点拖到画布上。这个节点代表用户上传的文件。
4. 配置输入节点：点击这个节点，在右侧面板进行设置。我们需要：
   • 变量名：填一个容易记的名字，比如 audio_file。后续其他节点要引用这个上传的文件，就靠这个名字。
   • 文件类型限制：为了更好的体验，可以勾选“音频”，比如 .mp3, .wav, .m4a 等格式。
   • 描述：可以写“请上传需要识别的音频文件”，给用户一个提示。

好了，应用的“入口”我们就做好了。接下来，我们要把用户上传的音频，交给真正的“听力助手”去处理。

3. 第二步：连接并调用语音识别模型

这是最核心的一步，我们要在Dify里告诉它：“去调用我们部署好的那个FireRedASR-AED-L模型API”。

1. 添加模型调用节点：在节点库的“工具”或“LLM”分类里，找到“HTTP请求”节点（也可能叫“自定义API”），把它拖到画布上，并放在“文件上传”节点的下方。
2. 连接节点：用鼠标从“文件上传”节点的输出点（通常在下边缘），拖一条线连接到“HTTP请求”节点的输入点。这表示把上传的文件数据，传递给下一个处理环节。
3. 关键配置：填写模型API信息：点击“HTTP请求”节点，开始详细配置。
   • URL：这里填入你准备好的模型API地址，例如 https://your-model-server/v1/audio/transcriptions。
   • 方法：选择 POST。
   • 认证：根据你的模型API要求，可能需要添加认证信息。常见的是在“Headers”里添加一个 Authorization 头，值可能是 Bearer your-api-key。
   • 请求体：这是配置的重点。我们需要以 multipart/form-data 的形式上传文件。
     • 添加一个字段，名称（Name）根据模型API文档来，常见的是 file 或 audio。
     • 值（Value）的类型选择“变量”，然后选择我们上一步定义的 audio_file。这样，用户上传的文件就会自动填充到这里。
   • 超时时间：语音识别可能耗时稍长，可以设置得大一点，比如30秒。

配置完成后，这个节点就代表：“把用户上传的音频文件，通过HTTP请求发送到指定的模型服务器，并等待返回识别结果”。

模型处理完后，会返回一段JSON格式的数据。我们需要从中提取出我们想要的文字。

4. 第三步：处理结果并设计输出

模型返回的数据可能包含很多信息，但我们最关心的是识别出的文本。

1. 添加文本处理节点：从节点库的“工具”分类中，拖一个“文本提取”或“变量赋值”节点到画布，连接到“HTTP请求”节点之后。
2. 解析API响应：点击这个文本处理节点进行配置。
   • 输入来源：选择上一个“HTTP请求”节点的输出。
   • 提取文本：你需要查看模型API的返回示例。假设返回的JSON是 {"text": "识别出的文字内容"}，那么你就可以用类似 {{#context.response.body.text}} 的模板语法（具体语法根据Dify版本可能略有不同）来提取出 text 字段的值。
   • 赋值给新变量：把这个提取出的文本，保存到一个新变量里，比如叫 recognized_text。

现在，识别出的文字已经在我们手里了。最后一步，就是把它漂亮地展示给用户。

3. 添加回复节点：从节点库的“输出”分类里，拖一个“回复”节点到画布末尾，并连接到文本处理节点。
4. 设计回复内容：点击回复节点，在内容编辑框里，你可以自由设计最终展示给用户的格式。比如：

   识别完成！以下是音频内容转写的文字：
   
   **{{recognized_text}}**
   
   ---
   *转写服务由 FireRedASR-AED-L 模型提供支持。*
   

   这里，{{recognized_text}} 就是我们上一步保存的变量，它会被自动替换成实际的识别结果。

至此，一个最核心的语音识别工作流就搭建完成了。你的画布上应该有一条清晰的链路：文件上传 -> HTTP请求（调用模型）-> 文本提取 -> 回复。

5. 第四步：测试、发布与分享

搭建好了，当然要试试看灵不灵。

1. 运行测试：在画布右上角，点击“运行”或“测试”按钮。Dify会在右侧打开一个测试面板。
2. 上传测试音频：在测试面板中，你应该能看到我们之前设置的“文件上传”组件。选择一个短的音频文件（比如一段自己说的话的录音）上传。
3. 查看结果：点击运行，工作流会一步步执行。如果一切配置正确，你会在最后看到模型返回的识别文字。如果出错，Dify会提示哪个环节有问题，方便你排查（比如API地址错了、密钥无效等）。

测试通过后，这个应用就可以发布了。

4. 发布应用：在应用概览页面，找到发布选项。Dify通常提供两种方式：
   • Web应用：生成一个独立的、带有友好界面的网页链接。你可以把这个链接分享给任何人，他们打开网页就能直接上传音频进行识别，完全不需要知道背后的技术。
   • API接口：生成一个标准的API端点。其他软件或你的代码可以直接通过HTTP请求调用这个接口，实现语音识别的能力集成。Dify会为你处理好鉴权、限流等琐事。

6. 更进一步：让应用更实用

基础功能跑通后，你可以像装修房子一样，继续完善这个应用，让它更强大、更好用。

• 音频预处理：在调用模型前，可以增加一个“代码执行”节点，用简单的Python脚本检查音频格式、时长，甚至进行降噪、切割等预处理（如果需要的话）。
• 结果后处理：在得到文本后，可以再接一个“文本处理”节点，自动为文本添加标点符号、分段，或者过滤掉一些无意义的语气词。
• 多任务串联：你还可以玩出更多花样。比如，识别出文字后，自动调用另一个文本总结模型，生成一份会议纪要摘要；或者把文字翻译成英文。这一切，都只需要在画布上再拖拽几个节点就能实现。
• 美化界面：在发布为Web应用时，Dify允许你自定义应用的图标、名称和简介，让它看起来更专业。

7. 写在最后

走完这一趟，你会发现，借助像Dify这样的平台，构建一个AI应用的门槛被极大地降低了。我们不再需要从零开始搭建Web服务器、设计数据库、编写复杂的调用逻辑，而是可以把精力完全聚焦在业务逻辑的组装和用户体验的优化上。

FireRedASR-AED-L提供了专业的语音识别能力，而Dify则提供了将这种能力产品化的最短路径。这种“专业模型+低代码平台”的模式，正在让AI技术变得更易用、更普及。你不妨就用今天搭好的这个应用作为起点，试试处理一段会议录音，或者整理一段访谈音频，亲身体验一下这种效率的提升。或许，下一个解决你实际工作痛点的AI小工具，就会在你自己的手中诞生。

---

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。