guiji2025/fun-asr

guiji2025/fun-asr 镜像使用指南

一、镜像概述与核心定位

guiji2025/fun-asr 是基于阿里达摩院开源语音识别工具包 FunASR 的容器化部署镜像，核心作用是快速提供工业级语音识别（ASR）服务。FunASR 是面向学术与工业场景的开源语音识别工具包，集成了达摩院语音实验室的核心能力（如高精度 ASR 模型、语音端点检测 VAD、标点恢复 PUNC），而该镜像通过 Docker 封装，跳过复杂的环境配置（如依赖安装、模型下载、硬件适配），让开发者通过拉取镜像即可快速启动语音识别服务。

核心价值

• 全链路语音识别：集成 VAD（语音端点检测）+ ASR（语音识别）+ PUNC（标点恢复）完整流程，实现「音频输入 → 带标点文字输出」
• 即开即用：预装 FunASR 核心模块与 Paraformer-large 等高精度模型，无需手动配置环境
• 多场景适配：支持离线批量转写、实时流式识别、高并发处理，适配 CPU/GPU 硬件
• 生产级质量：基于达摩院工业级技术，识别准确率高，支持长音频、多格式输入

二、核心功能与特性

2.1 完整语音识别链路

语音端点检测（VAD）

自动识别音频中的「有效语音段」与「静音段」，过滤无效噪声，提升识别准确性与处理效率。

优势：有效分离语音与静音，减少无效音频的识别开销。

语音识别（ASR）

基于 Paraformer-large 等高精度模型，支持中文/英文语音转文字，识别准确率适配日常对话、会议录音等场景。

模型特性：

• 中文识别：支持普通话、多种方言
• 英文识别：针对英文语音优化
• 准确率高：基于达摩院先进算法

标点恢复（PUNC）

自动为识别结果添加逗号、句号等标点，提升文本可读性，避免「纯文字无断句」的阅读障碍。

优势：输出即用的格式化文本，无需人工后期处理。

2.2 多场景语音处理能力

离线批量转写

支持处理几十小时的长音频/视频文件，支持通过 wav.scp 列表批量输入多文件。

支持的格式：

• 音频：.wav、.pcm、.mp3、.flac、.m4a
• 视频：.mp4、.avi、.mov

典型场景：

• 会议录音批量转写
• 视频字幕自动生成
• 音频内容归档检索

实时流式识别

针对低延迟优化，支持实时语音交互场景。

典型应用：

• 智能客服语音输入
• 实时字幕显示
• 语音输入法
• 语音助手

高并发支撑

支持上百路请求同时转写，满足企业级多用户并发使用需求。

技术特性：

• 动态批处理（GPU 版本）
• 请求队列管理
• 资源优化调度

2.3 硬件与格式兼容性

三、镜像版本与选择建议

根据 FunASR 的部署需求，该镜像提供多版本细分，适配不同场景：

版本选择建议

1. 普通服务器、预算有限：选择 CPU 版本
2. 需要高性能、有 GPU 资源：选择 GPU 版本
3. 主要是英文识别：选择英文版本
4. 需要实时交互：选择实时服务版

四、前置准备

4.1 硬件与软件要求

4.2 GPU 环境准备（如使用 GPU 版本）

bash
# 安装 NVIDIA Container Runtime
# Ubuntu/Debian
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg
curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \
  sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
  sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit
sudo systemctl restart docker

# 验证 GPU 支持
docker run --rm --gpus all docker.xuanyuan.run/nvidia/cuda:12.0.0-base-ubuntu22.04 nvidia-smi

五、镜像拉取与启动

5.1 拉取镜像

bash
# 拉取最新版本
docker pull docker.xuanyuan.run/r/guiji2025/fun-asr:latest

# 拉取 GPU 版本
docker pull docker.xuanyuan.run/r/guiji2025/fun-asr:gpu

# 拉取英文版本
docker pull docker.xuanyuan.run/r/guiji2025/fun-asr:en-cpu

5.2 基础启动命令

CPU 版本启动

bash
docker run -d \
  --name fun-asr \
  -p 10095:10095 \
  -v /宿主机/模型路径:/root/funasr-runtime-resources \
  docker.xuanyuan.run/r/guiji2025/fun-asr:latest

GPU 版本启动

bash
docker run -d \
  --name fun-asr-gpu \
  --runtime=nvidia \
  --privileged=true \
  -p 10095:10095 \
  -v /宿主机/模型路径:/root/funasr-runtime-resources \
  -w /workspace/FunASR/runtime \
  docker.xuanyuan.run/r/guiji2025/fun-asr:gpu \
  sh /run.sh

完整 docker-compose 配置示例

参考 HeyGem AI 数字人项目的实际应用：

yaml
version: '3.8'

services:
  heygem-asr:
    image: docker.xuanyuan.run/guiji2025/fun-asr
    container_name: heygem-asr
    restart: always
    runtime: nvidia  # 启用 GPU 加速
    privileged: true
    working_dir: /workspace/FunASR/runtime
    ports:
      - '10095:10095'  # 服务端口
    volumes:
      - ./models:/root/funasr-runtime-resources  # 模型目录挂载
    command: sh /run.sh  # 启动服务脚本

5.3 参数说明

六、API 使用示例

6.1 单音频文件识别

bash
curl -X POST "http://localhost:10095/asr" \
  -H "Content-Type: application/json" \
  -d '{
    "audio": "base64_encoded_audio_data",
    "format": "wav",
    "language": "zh"
  }'

6.2 批量文件识别（使用 wav.scp）

创建 wav.scp 文件：

audio001 /path/to/audio001.wav
audio002 /path/to/audio002.wav
audio003 /path/to/audio003.wav

容器内执行：

bash
docker exec -it fun-asr bash
cd /workspace/FunASR/runtime
./run.sh --wav.scp /path/to/wav.scp --output-dir /path/to/output

6.3 Python SDK 调用示例

python
import requests
import base64

# 读取音频文件
with open("audio.wav", "rb") as f:
    audio_data = base64.b64encode(f.read()).decode('utf-8')

# 调用 ASR API
url = "http://localhost:10095/asr"
payload = {
    "audio": audio_data,
    "format": "wav",
    "language": "zh"  # zh: 中文, en: 英文
}

response = requests.post(url, json=payload)
result = response.json()
print(f"识别结果: {result.get('text', '')}")

6.4 实时流式识别

python
import websocket
import json

# WebSocket 连接到实时服务
ws = websocket.WebSocket()
ws.connect("ws://localhost:10095/asr-stream")

# 发送音频数据流
# ... (音频流处理逻辑)

# 接收识别结果
result = ws.recv()
print(f"实时识别: {result}")

ws.close()

七、模型配置与替换

7.1 默认模型路径

容器内模型与资源目录：

bash
/root/funasr-runtime-resources

7.2 使用自定义微调模型

如需替换为自定义模型，将模型文件挂载到容器：

bash
docker run -d \
  --name fun-asr-custom \
  -p 10095:10095 \
  -v /宿主机/自定义模型:/root/funasr-runtime-resources \
  docker.xuanyuan.run/r/guiji2025/fun-asr:latest

7.3 模型来源

• 官方模型：镜像内置的 ASR 模型（如 Paraformer-large）来自 ModelScope 社区
• 自定义模型：支持替换为自定义微调模型
• 模型格式：支持 FunASR 兼容的模型格式

八、测试与验证

8.1 容器状态检查

bash
# 查看容器运行状态
docker ps | grep fun-asr

# 查看日志
docker logs -f fun-asr

# 进入容器调试
docker exec -it fun-asr bash

8.2 使用 samples 工具测试

进入容器后，使用 FunASR 内置的 samples 工具测试识别效果：

bash
docker exec -it fun-asr bash
cd /root/funasr-runtime-resources/samples

# 运行测试脚本
./test.sh

8.3 测试 API 连接

bash
# 检查服务健康状态
curl http://localhost:10095/health

# 发送测试请求
curl -X POST "http://localhost:10095/asr" \
  -H "Content-Type: application/json" \
  -d '{"test": "ping"}'

九、典型应用场景

9.1 AI 数字人语音服务

在 AI 数字人项目中集成 ASR 能力，实现语音交互：

yaml
# docker-compose.yml 配置
digital-human:
  services:
    # AI 数字人交互模块
    interaction:
      image: docker.xuanyuan.run/digital-human-core
      depends_on:
        - asr-service
    
    # ASR 语音识别服务
    asr-service:
      image: docker.xuanyuan.run/guiji2025/fun-asr
      ports:
        - '10095:10095'

9.2 会议录音批量转写

处理大量会议录音，实现自动化转写：

bash
# 批量转写脚本示例
docker exec -it fun-asr bash

for audio in /data/meetings/*.wav; do
    ./run.sh --audio "$audio" --output "/data/transcripts/$(basename $audio).txt"
done

9.3 智能客服语音输入

集成到智能客服系统，支持实时语音输入：

python
# 客服系统集成示例
from docker.xuanyuan.run/funasr import ASR

# 初始化 ASR 客户端
asr_client = ASR(api_url="http://fun-asr:10095")

# 处理客服语音输入
def process_customer_voice(audio_stream):
    text = asr_client.transcribe(audio_stream)
    return handle_customer_query(text)

9.4 视频字幕自动生成

为视频内容自动生成字幕文件：

bash
# 视频转字幕流程
# 1. 提取音频
docker exec -it fun-asr ffmpeg -i video.mp4 audio.wav

# 2. 识别转文字
docker exec -it fun-asr ./run.sh --audio audio.wav --output subtitle.srt

十、性能优化建议

10.1 内存优化

bash
# 限制容器内存使用
docker run -d \
  --name fun-asr \
  --memory="4g" \
  --memory-swap="4g" \
  -p 10095:10095 \
  docker.xuanyuan.run/r/guiji2025/fun-asr:latest

10.2 CPU 核心限制

bash
# 限制 CPU 使用核心数
docker run -d \
  --name fun-asr \
  --cpus="4" \
  -p 10095:10095 \
  docker.xuanyuan.run/r/guiji2025/fun-asr:latest

10.3 批量处理优化

对于大批量文件，建议使用 GPU 版本并调整批处理参数：

bash
# GPU 版本 + 动态批处理
docker run -d \
  --name fun-asr-gpu \
  --runtime=nvidia \
  -p 10095:10095 \
  -e BATCH_SIZE=32 \
  -e MAX_CONCURRENT_REQUESTS=100 \
  docker.xuanyuan.run/r/guiji2025/fun-asr:gpu

十一、常见问题与解决方案（FAQ）

十二、进阶配置

12.1 自定义配置

挂载自定义配置文件：

bash
docker run -d \
  --name fun-asr-custom \
  -p 10095:10095 \
  -v /宿主机/config:/root/funasr-runtime-resources/config \
  docker.xuanyuan.run/r/guiji2025/fun-asr:latest

12.2 日志管理

挂载日志目录到宿主机：

bash
docker run -d \
  --name fun-asr \
  -p 10095:10095 \
  -v /宿主机/logs:/workspace/FunASR/runtime/logs \
  docker.xuanyuan.run/r/guiji2025/fun-asr:latest

12.3 多语言切换

bash
# 设置识别语言
docker run -d \
  --name fun-asr-multilang \
  -p 10095:10095 \
  -e LANGUAGE=zh  # zh: 中文, en: 英文
docker run -d \
  --name fun-asr-multilang \
  -p 10095:10095 \
  -e LANGUAGE=zh  # zh: 中文, en: 英文
  docker.xuanyuan.run/r/guiji2025/fun-asr:latest

十三、参考资源

• FunASR 官方网站：https://github.com/alibaba-damo-academy/FunASR
• ModelScope 模型社区：https://modelscope.cn/models?page=1&tasks=auto-speech-recognition
• FunASR 官方文档：https://funasr.readthedocs.io/
• 阿里达摩院语音实验室：<[***]>
• HeyGem AI 数字人项目：（如有公开链接）

---

注意：本镜像基于阿里达摩院 FunASR 开源工具包构建，建议根据实际场景选择合适的版本（CPU/GPU、中文/英文）。首次使用建议从 CPU 版本开始测试，确保环境配置正确后再部署生产环境。