手把手教你用FunASR：Docker拉取、WebUI启动、语音识别全步骤详解

1. 环境准备与Docker部署

1.1 系统要求

在开始之前，请确保您的系统满足以下最低配置：

• 操作系统：Windows 10/11、Linux或macOS
• CPU：Intel i5或同等性能处理器
• 内存：至少8GB
• 存储空间：10GB可用空间
• 软件依赖：已安装Docker Desktop并正常运行

如果您计划使用GPU加速，还需要：

• NVIDIA显卡（GTX 1060或更高）
• 已安装CUDA驱动和nvidia-docker支持

1.2 Docker镜像拉取

打开终端或命令提示符，执行以下命令拉取FunASR镜像：

docker pull registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr:funasr-runtime-sdk-online-cpu-0.1.9

这个镜像已经集成了中文N-gram语言模型，相比官方版本在中文识别准确率上有显著提升。

1.3 创建本地存储目录

建议创建一个本地目录用于持久化存储模型和识别结果：

mkdir -p /path/to/FunASR/model

例如在Windows系统：

mkdir D:\FunASR\model

1.4 启动Docker容器

使用以下命令启动容器：

docker run -p 7860:7860 -it --privileged=true \
  -v /path/to/FunASR/model:/workspace/models \
  registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr:funasr-runtime-sdk-online-cpu-0.1.9

参数说明：

• -p 7860:7860：将容器内的WebUI服务端口映射到主机
• -v：挂载本地目录到容器内
• --privileged=true：赋予容器更高权限

2. WebUI服务启动与访问

2.1 启动WebUI服务

进入容器终端后，执行以下命令启动WebUI：

cd /workspace/FunASR/runtime/webui && python app.main.py

服务启动后，您将看到类似以下输出：

Running on local URL:  http://0.0.0.0:7860

2.2 访问Web界面

在浏览器中打开：

http://localhost:7860

如果您是在远程服务器上部署，使用服务器IP替换localhost：

http://<服务器IP>:7860

首次加载可能需要1-2分钟初始化模型，请耐心等待直到页面显示"模型已加载"状态。

3. WebUI界面功能详解

3.1 界面布局概览

WebUI界面分为以下几个主要区域：

1. 头部信息区：显示应用标题、描述和版权信息
2. 左侧控制面板：模型选择、设备设置和功能开关
3. 右侧主工作区：文件上传、录音控制和结果展示

3.2 模型选择与配置

3.2.1 模型类型

• Paraformer-Large：大模型，识别精度高但资源消耗大
• SenseVoice-Small：小模型，响应速度快，适合实时场景

3.2.2 设备选择

• CUDA：使用GPU加速（推荐有NVIDIA显卡的用户）
• CPU：仅使用CPU进行计算

3.2.3 功能开关

• 启用标点恢复(PUNC)：自动添加标点符号
• 启用语音活动检测(VAD)：自动检测语音段落
• 输出时间戳：在结果中显示时间信息

建议全部开启以获得最佳体验。

4. 语音识别实战操作

4.1 上传音频文件识别

4.1.1 准备音频文件

支持格式：

• WAV (.wav)
• MP3 (.mp3)
• M4A (.m4a)
• FLAC (.flac)
• OGG (.ogg)
• PCM (.pcm)

推荐使用16kHz采样率的单声道音频文件。

4.1.2 上传与识别步骤

1. 点击"上传音频"按钮选择文件
2. 设置识别参数：
   • 批量大小：处理时长（秒），默认300秒
   • 识别语言：auto（自动检测）、zh（中文）、en（英文）等
3. 点击"开始识别"按钮
4. 等待处理完成，查看结果

4.2 实时录音识别

4.2.1 录音操作步骤

1. 点击"麦克风录音"按钮
2. 允许浏览器访问麦克风
3. 对着麦克风说话
4. 点击"停止录音"结束
5. 点击"开始识别"处理录音

4.2.2 录音质量建议

• 保持环境安静
• 麦克风距离嘴部20-30厘米
• 避免喷麦和呼吸声
• 语速适中，发音清晰

5. 结果查看与导出

5.1 结果展示格式

识别完成后，结果以三种形式展示：

1. 文本结果：纯文本格式，可直接复制
2. 详细信息：JSON格式完整数据
3. 时间戳：每个词/句的时间信息

5.2 结果导出选项

• 下载文本：保存为.txt文件
• 下载JSON：保存完整JSON数据
• 下载SRT：生成字幕文件

5.3 输出文件存储

所有输出文件保存在挂载目录的outputs子目录下，按时间戳组织：

outputs/outputs_20260104123456/
├── audio_001.wav
├── result_001.json
├── text_001.txt
└── subtitle_001.srt

6. 常见问题解决

6.1 识别准确率问题

问题表现：结果中出现较多错误

解决方案：

1. 检查音频质量，确保清晰无噪音
2. 选择正确的识别语言（中文内容选zh）
3. 尝试使用Paraformer-Large模型
4. 启用标点恢复和VAD功能

6.2 识别速度慢

问题表现：处理时间过长

优化建议：

1. 确保使用CUDA模式（有GPU时）
2. 缩短音频长度或分段处理
3. 使用SenseVoice-Small模型

6.3 麦克风无法使用

排查步骤：

1. 检查浏览器麦克风权限设置
2. 确保没有其他程序占用麦克风
3. 测试系统麦克风是否正常工作
4. 尝试更换浏览器（推荐Chrome）

7. 总结与进阶建议

通过本文的详细指导，您已经完成了FunASR语音识别系统的完整部署和使用流程。这套方案具有以下优势：

1. 开箱即用：无需复杂配置，Docker一键部署
2. 中文优化：集成N-gram语言模型，提升中文识别准确率
3. 多场景适用：支持文件上传和实时录音两种模式
4. 丰富输出：提供文本、JSON、字幕等多种结果格式

进阶使用建议：

1. 对于生产环境，建议使用GPU服务器提升处理能力
2. 可以开发REST API接口供其他系统调用
3. 结合热词功能提升特定领域术语识别率
4. 定期更新镜像获取性能改进和新功能

---

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。