FunASR

FunASR 是面向离线、流式与边缘部署的工业级语音识别工具箱，覆盖 ASR、VAD、标点恢复、说话人标注、情感与音频事件等多类模型。本页说明如何在 Ascend NPU 上快速上手。

快速开始

在单卡昇腾 NPU 上跑通 FunASR 的核心能力：

语音识别生产级 pipeline（asr-pipeline）：paraformer-zh + FSMN-VAD + 标点恢复 + 说话人嵌入，一次 AutoModel 同时产出转写文本、时间戳与匿名说话人编号；
多语识别 + 情感 + 事件（sensevoice）：SenseVoiceSmall 一个模型同时输出语种、情感标签与事件标签；
流式识别（streaming）：paraformer-zh-streaming 逐块喂音频，增量产出文本；
情感识别（emotion）：emotion2vec_plus_large 独立情感分类；
命令行工具（cli）：funasr 一键转写、输出 JSON / 字幕。

前置条件

硬件

Atlas 900 A2 / A3 训练系列产品（Ascend 910B4 / 910B 等），并按需完成物理机或容器内的设备挂载。

基础软件

在跑本文档之前，你的机器上需要已经装好并可用：

可用的 Python 环境
可用的 CANN（参考快速安装昇腾环境）
与上面 CANN 匹配的 torch + torch_npu + torchaudio，且 torch 能正常 import 并 torch.npu.is_available() == True（参考 Ascend PyTorch 安装文档，按 torch ↔ torch_npu ↔ CANN 三方兼容矩阵选择版本）

本文档示例使用的版本

配套机器：

机器类型：Atlas 900 A2 PODc（Ascend 910B4，64 GB × 1）
操作系统：Ubuntu 22.04

配套镜像：

swr.cn-south-1.myhuaweicloud.com/ascendhub/cann:9.1.0-910b-ubuntu22.04-py3.12

软件版本：

组件	版本
Python	3.12
CANN	9.1.0
torch	2.9.0+cpu
torch_npu	2.9.0.post2
torchaudio	2.9.0
funasr	最新 release 版本
模型	paraformer-zh / SenseVoiceSmall / emotion2vec_plus_large 等，默认从 ModelScope 下载

前置安装

确认能看到 NPU 设备：

npu-smi info

输出如下类似结果：

+------------------------------------------------------------------------------------------------+
| npu-smi 25.5.2                   Version: 25.5.2                                               |
+---------------------------+---------------+----------------------------------------------------+
| NPU   Name                | Health        | Power(W)    Temp(C)           Hugepages-Usage(page)|
| Chip                      | Bus-Id        | AICore(%)   Memory-Usage(MB)  HBM-Usage(MB)        |
+===========================+===============+====================================================+
| 0     910B4               | OK            | 89.9        39                0    / 0             |
| 0                         | 0000:41:00.0  | 0           0    / 0          2922 / 32768         |
+===========================+===============+====================================================+

检查 Python 版本：

python --version

输出结果如下：

Python 3.12...

安装 torch / torch_npu / torchaudio：

uv pip install -f https://mirrors.aliyun.com/pytorch-wheels/cpu torch==2.9.0
uv pip install -f https://mirrors.aliyun.com/pytorch-wheels/cpu torchaudio==2.9.0
uv pip install --extra-index-url https://repo.huaweicloud.com/ascend/repos/pypi torch_npu==2.9.0.post2

检查 torch / torch_npu / torchaudio 是否装好且 NPU 设备可用（下面代码用 python 运行）：

import torch, torch_npu, torchaudio
print('torch=', torch.__version__)
print('torch_npu=', torch_npu.__version__)
print('torchaudio=', torchaudio.__version__)
print('is_available:', torch.npu.is_available())
print('count:', torch.npu.device_count())

输出结果如下：

torch= 2.9.0+cpu
torch_npu= 2.9.0.post2
torchaudio= 2.9.0
is_available: True
count: 1

Note

如果 import torch_npu 失败，回到 Ascend PyTorch 安装文档检查 torch / torch_npu / CANN 三方兼容矩阵。

安装 FunASR

从源码安装（可选）

克隆上游仓库并 checkout 到最新 release tag，安装并且验证。

git clone --depth 1 --branch <ref> https://github.com/modelscope/FunASR.git
cd FunASR
uv pip install -e .

Note

<ref> 为安装的最新的 release tag。

使用 pip 进行安装

uv pip install funasr
python -c "import funasr; print('funasr', funasr.__version__)"

输出结果类似如下：

Notice: ffmpeg is not installed. torchaudio is used to load audio
...
funasr ...

Note

funasr ... 表示最新的版本号。

CLI 自检：`funasr --version`

funasr 是 FunASR 自带的命令行转写工具，装好后就能用：

funasr --version

输出结果类似如下：

Notice: ffmpeg is not installed. torchaudio is used to load audio
...
funasr ...

Note

funasr ... 是最新的release的版本号。

语音识别生产级 pipeline（ASR + VAD + 标点 + 说话人）

这是 FunASR 最典型的生产装配：一个 AutoModel 同时挂上 vad_model（语音活性检测）/ punc_model（标点恢复）/ spk_model（说话人嵌入），一次 generate 产出转写文本、字级时间戳和匿名说话人编号。模型默认从 ModelScope 拉取，device="npu:0" 让 ASR / VAD / 标点 / 说话人四个子模型都放到 NPU 上跑（下面代码用 python 运行）：

import torch, torch_npu
from funasr import AutoModel

model = AutoModel(
    model="paraformer-zh",
    vad_model="fsmn-vad",
    punc_model="ct-punc",
    spk_model="cam++",
    device="npu:0",
    disable_update=True,
)
result = model.generate(
    input="https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/asr_example_zh.wav",
)
r = result[0]
print('device:', next(model.model.parameters()).device)
print('text:', r['text'])
print('sentence_info_keys:', sorted(r['sentence_info'][0].keys()))

输出结果类似如下：

...
device: npu:0
text: 欢迎大家来体验达摩院推出的语音识别模型。
sentence_info_keys: ['end', 'spk', 'start', 'text', 'timestamp']

Note

device: npu:0 说明 ASR 模型权重确实落在昇腾设备。
sentence_info 由 VAD 分段 + 标点恢复 + 说话人聚类共同产出，每个分段含 text / start / end（时间戳）与 spk（录音内匿名说话人编号）。

多语识别 + 情感 + 事件（SenseVoiceSmall）

import torch, torch_npu
from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess

model = AutoModel(
    model="iic/SenseVoiceSmall",
    device="npu:0",
    disable_update=True,
)
result = model.generate(
    input="https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/asr_example_zh.wav",
)
r = result[0]
print('device:', next(model.model.parameters()).device)
print('raw_text:', r['text'])
print('clean_text:', rich_transcription_postprocess(r['text']))

输出结果类似如下：

...
device: npu:0
raw_text: ...
clean_text: 欢迎大家来体验达摩院推出的语音识别模型

Note

raw_text 一栏能看到 |zh|（语种）、|NEUTRAL|（情感）、|Speech|（事件）三类标签拼接在转写文本两侧——这是 SenseVoice 的多任务输出合同。
clean_text 是剥离标签后的纯文本。

流式识别（paraformer-zh-streaming）

流式场景按固定时长（chunk_size）逐块喂音频，cache 在会话内维护上下文状态，每块增量返回文本。先下载官方示例音频到本地：

curl -sL -o /tmp/funasr_sample.wav https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/asr_example_zh.wav

把整段音频切成 600ms 一块依次喂给流式模型（下面代码用 python 运行）：

import torch, torch_npu
import soundfile as sf
from funasr import AutoModel

model = AutoModel(
    model="paraformer-zh-streaming",
    device="npu:0",
    disable_update=True,
)
audio, sr = sf.read('/tmp/funasr_sample.wav', dtype='float32')
chunk_size = [0, 10, 5]          # 每块 600ms
chunk_stride = chunk_size[1] * 960
cache = {}
parts = []
n_chunks = (len(audio) - 1) // chunk_stride + 1
for i in range(n_chunks):
    chunk = audio[i * chunk_stride:(i + 1) * chunk_stride]
    res = model.generate(
        input=chunk, cache=cache, is_final=(i == n_chunks - 1),
        chunk_size=chunk_size, encoder_chunk_look_back=4, decoder_chunk_look_back=1,
    )
    if res[0].get('text'):
        parts.append(res[0]['text'])
print('device:', next(model.model.parameters()).device)
print('streamed_text:', ''.join(parts))

输出结果类似如下：

...
device: npu:0
streamed_text: 欢迎大家来体验达摩院推出的语音识别模型

streamed_text 是所有块增量返回文本拼接后的完整转写；生产里把每块非空 text 直接推给下游即可实现实时上屏。

情感识别（emotion2vec_plus_large）

独立的情感识别模型，granularity="utterance" 返回整句的情感标签分布（下面代码用 python 运行）：

import torch, torch_npu
from funasr import AutoModel

model = AutoModel(
    model="iic/emotion2vec_plus_large",
    device="npu:0",
    disable_update=True,
)
result = model.generate(
    input="https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test_audio/asr_example_zh.wav",
    granularity="utterance",
)
r = result[0]
labels, scores = r['labels'], r['scores']
top = max(zip(labels, scores), key=lambda kv: kv[1])
print('device:', next(model.model.parameters()).device)
print('n_labels:', len(labels))
print('top_emotion:', top[0])

输出结果类似如下：

...
device: npu:0
n_labels: 9
top_emotion: 中立/neutral

labels 覆盖 8 种情感（生气/厌恶/恐惧/开心/中立/其他/难过/吃惊）+ 1 个 other/<unk> 兜底标签，top_emotion 是概率最高的那一个。

命令行工具

funasr 一条命令即可转写（默认 sensevoice 模型），支持 -f json 结构化输出与字幕生成。下面把之前下载的音频转成 JSON，并从中抽取关键字段做校验（sed 从首个 { 开始截取，把 FunASR 的 Notice/版本提示行挡在 JSON 之外）：

funasr /tmp/funasr_sample.wav --device npu:0 -f json 2>/dev/null | sed -n '/^{/,$p' | python3 -c "import sys, json; d = json.load(sys.stdin); print('model:', d['model']); print('has_text:', bool(d.get('text')))"

输出结果如下：

model: sensevoice
has_text: True

其他常用 CLI 形态：funasr audio.wav -f srt -o ./subs 生成字幕、funasr audio.wav --spk --timestamps 带说话人与时间戳、funasr audio.wav --model paraformer --language zh 指定模型与语言。

外部链接

GitHub：modelscope/FunASR
文档中心：FunASR Docs

FunASR

快速开始

前置条件

硬件

基础软件

本文档示例使用的版本

前置安装

安装 FunASR

从源码安装（可选）

使用 pip 进行安装

CLI 自检：funasr --version

语音识别生产级 pipeline（ASR + VAD + 标点 + 说话人）

多语识别 + 情感 + 事件（SenseVoiceSmall）

流式识别（paraformer-zh-streaming）

情感识别（emotion2vec_plus_large）

命令行工具

外部链接

CLI 自检：`funasr --version`