Python 语音转文字:用 FunASR 本地、免费地把音频转成文本

FunASR 技术博客 · 2026-06-18 · 教程

在 Python 里把音频转成文字,不一定要用云 API 或庞大的 Whisper。FunASR 几行代码就能在本地、免费地转写,还自带时间戳、说话人分离和批量处理。中文尤其强,同时支持 50+ 语言。下面每段代码都已实测。

安装

pip install -U torch torchaudio
pip install -U funasr

最简单:几行转写一个文件

from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess

model = AutoModel(model="iic/SenseVoiceSmall", vad_model="fsmn-vad", device="cuda")
result = model.generate(input="audio.wav")
print(rich_transcription_postprocess(result[0]["text"]))
# -> 欢迎大家来体验达摩院推出的语音识别模型

默认用 SenseVoice(非自回归、极快)。rich_transcription_postprocess 用来清掉 SenseVoice 的 <|zh|> 等标签,得到干净文本——别漏掉这一步。

直接从 URL 转写

result = model.generate(
    input="https://example.com/audio.wav"   # 也支持本地路径、numpy、bytes
)

要时间戳和说话人

结果里的 sentence_info 每段都带 start/end(毫秒)、spk(说话人)、sentence:

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

for seg in result[0]["sentence_info"]:
    start = seg["start"] / 1000
    text = rich_transcription_postprocess(seg["sentence"])
    print("[%.1fs] Speaker %s: %s" % (start, seg["spk"], text))
# -> [0.6s] Speaker 0: 欢迎大家来体验达摩院推出的语音识别模型

批量转写多个文件

把文件列表传给 input,一次返回每个文件的结果:

results = model.generate(input=["a.wav", "b.wav", "c.wav"])
for r in results:
    print(rich_transcription_postprocess(r["text"]))

选哪个模型

model=适合
iic/SenseVoiceSmall默认,极快,50+ 语言,带情感/事件
paraformer-zh经典中文生产级,稳
FunAudioLLM/Fun-ASR-Nano-2512LLM 解码,精度最高,31 语言含方言

换模型只改 model= 即可,其余代码不变。

为什么用 FunASR

FunASR 是通义实验室开源的工业级语音识别工具包。

在 GitHub 上 Star FunASR ★

相关文章