FunASR与豆包ASR对比及免费性、性能分析

导出时间：2026/5/31 22:02:37

来源地址：https://www.doubao.com/chat/38428534519290114

消息数量：6

它这个能不能使用 llama 点 cpp 去运行啊？意思就是说它的这个模型是不是我还是需要去，就是 GGUF 这个格式要自己去转换。模型有多大？需要多大的显存呢？
搜索 3 个关键词，参考 17 篇资料
先给你最关键结论：

1. FunASR 能不能用 llama.cpp 跑？

不能原生用 llama.cpp 跑。 原因：
  • llama.cpp 只支持大语言模型（LLM）：Llama、Mistral、Qwen 这类文本生成模型，格式是 GGUF。
  • FunASR 是语音识别（ASR）模型：输入是音频，不是文本，结构是 Paraformer / SenseVoice，不是 LLM 结构。
  • 两者网络结构完全不一样：一个处理语音时序，一个处理文本 token，不能互相直接跑。
网上有少数人把 Fun-ASR-Nano 转成 GGUF 塞进自家推理框架（不是标准 llama.cpp），属于魔改、非官方、不稳定，不推荐日常用。

2. 模型格式：要不要自己转 GGUF？

正常用 FunASR：不需要 GGUF，也不能用 GGUF。
  • 官方原生格式：PyTorch（.bin/.pt）、ONNX
  • 你直接 pip install funasr，它会自动下载官方模型，不用你转格式。
  • 如果你硬要 GGUF：
    • 没有官方转换脚本
    • 只能用第三方小工具转（实验性质）
    • 转完不能用原版 llama.cpp 加载
结论：想正经用 FunASR，别碰 GGUF。

3. 模型有多大？显存要多少？

下面是最常用几个官方模型（2026-05 最新）：

（1）SenseVoiceSmall（推荐个人 / 低配）

  • 大小：~80MB（参数），下载文件～200MB
  • GPU 显存：FP16 ≈ 1.5GB；INT8 量化 ≈ 0.8GB
  • 特点：最快、中文准、支持多语言 / 方言，4GB 显存显卡随便跑

（2）Paraformer-Large（高精度）

  • 大小：~500MB，下载～1GB
  • GPU 显存：FP16 ≈ 5.8GB；INT8 ≈ 3GB
  • 特点：中文最准、远场 / 噪声强，6GB 显存起步

（3）Fun-ASR-Nano-2512（轻量全能）

  • 大小：251MB
  • GPU 显存：FP16 ≈ 4GB
  • 特点：31 语言、带 VAD / 标点，RTX 3060/4050 无压力

（4）CPU 情况

  • SenseVoiceSmall：内存 ≈ 1.2GB，速度 RTF ≈ 0.1（10 秒音频 1 秒多）
  • Paraformer-Large：内存 ≈ 3GB，慢很多

4. 你实际怎么跑最省事？

直接用官方 Python 包，不用转格式、不用 GGUF、不用 llama.cpp：
bash
运行
pip install funasr
python
运行
from funasr import AutoModel

# 轻量推荐：SenseVoiceSmall
model=AutoModel(model="iic/SenseVoiceSmall", device="cuda")  # GPU
# model=AutoModel(model="iic/SenseVoiceSmall", device="cpu")   # CPU

res=model.generate(input="test.wav")
print(res[0]["text"])
  • 自动下载模型，一行代码推理
  • 4GB 显存就能流畅跑最好用的小模型

5. 一句话总结

  • FunASR ≠ LLM：不能用 llama.cpp 跑，不需要 GGUF。
  • 格式：官方 PyTorch/ONNX，自动下载，开箱即用。
  • 大小 / 显存：
    • 轻量：80MB / 1.5GB 显存
    • 高精度：500MB / 5.8GB 显存
  • 推荐：个人用 SenseVoiceSmall，4GB 显存足够，中文速度 / 准确率都很强。
如果你愿意，我可以给你写一个一键安装 + 测试脚本，直接复制就能跑，帮你避开所有坑。你要吗？
这个输入格式 MP3 行不行？还是说我要 FFmpeg 这个转成 WAV 格式才行啊？它输出是什么样的格式呢？有没有断句啊？标点这些
搜索 2 个关键词，参考 12 篇资料
直接说重点：MP3 可以直接用，不用手动转 WAV；输出默认可带断句和标点。下面拆开讲。

一、输入：MP3 行不行？要不要自己转 WAV？

✅ MP3 直接支持，不用你手动转。
  • FunASR 从 2.0 开始内置 FFmpeg
  • 你传：.mp3/.m4a/.flac/.wav 都能直接识别
  • 内部会自动解码、重采样到 16kHz 单声道，不用你管
推荐：
  • 日常：MP3 直接用（微信 / 手机录音都是 MP3）
  • 追求最高准确率：用 WAV 16kHz 16bit 单声道
一句话： 只要装了 ffmpeg（apt install ffmpeg 或 brew install ffmpeg），MP3 直接丢进去就能跑。

二、输出格式、断句、标点

1）输出格式（三种）

  • 纯文本：今天天气不错我们去公园散步
  • 带标点文本（推荐）：今天天气不错，我们去公园散步。
  • JSON / SRT（带时间戳）：可做字幕、剪辑

2）有没有断句和标点？

✅ 有，而且是自动语义断句 + 标点恢复。
  • 内置 PUNC 标点模型
  • 自动加：， 。 ？ ！ 、
  • 按语义停顿断句，不是机械切
示例：
  • 关标点：你好我是张三今天我们来开会
  • 开标点：你好，我是张三。今天我们来开会。

3）怎么开启标点？

python
运行
model=AutoModel(
    model="iic/SenseVoiceSmall",
    device="cuda",
    punc_model=True  # 开启标点
)

三、FFmpeg 要不要装？

  • Windows /macOS/ Linux 都建议装
  • 不装：只能读 WAV
  • 装了：MP3/M4A/FLAC 全支持
安装：
bash
运行
# Ubuntu/Debian
sudo apt install ffmpeg

# macOS
brew install ffmpeg

# Windows
choco install ffmpeg

四、给你一个可直接跑的 MP3 示例

python
运行
from funasr import AutoModel

# 加载模型并开启标点
model=AutoModel(
    model="iic/SenseVoiceSmall",
    device="cuda",  # 有GPU就用cuda，没有就改"cpu"
    punc_model=True
)

# 直接读 mp3
res=model.generate(input="你的录音.mp3")

# 输出带标点结果
print(res[0]["text"])

小结

  • MP3：直接支持，不用转 WAV（前提装 ffmpeg）
  • 输出：默认可带断句 + 标点，很自然
  • 显存：SenseVoiceSmall ≈ 1.5GB，4GB 卡随便跑
要不要我给你一段自动检测音频格式、自动补标点、导出 SRT 字幕的完整脚本？
我听说阿里巴巴新推出了一款 ASR 模型，据说比 Whisper 还要强很多倍。好像是叫 FUNASR 还是什么东西。反正相当的快，相当的好。我想了解一下，看它和这个豆包，就是火山引擎上面的这个语音识别到底相比怎么样？它是否是免费的？性能如何？
搜索 3 个关键词，参考 17 篇资料
先把结论说清楚：
  • FunASR（阿里）：本地部署完全免费、开源；中文速度 / 准确率强于 Whisper，方言和远场噪声尤其好。
  • 豆包 ASR（火山 / 字节）：云端 API 有免费额度、企业付费；综合体验强、稳定、售后好，但不能本地离线部署。
  • 中文日常 / 本地隐私场景：选 FunASR；企业线上高可用 / 要售后：选豆包。

一、FunASR 是什么？

FunASR（Fundamental End-to-End Speech Recognition Toolkit），阿里达摩院 / 通义实验室开源的工业级语音识别工具包，最新版 FunASR 1.5（2026-05）。
  • 核心：Paraformer/SenseVoice 非自回归模型，中文深度优化。
  • 开源地址：GitHub，Apache 2.0 可商用。

二、是否免费？

  • ✅ 本地部署：完全免费（模型、代码、无调用限制）。
  • ✅ 个人 / 小团队：免费商用。
  • ☁️ 阿里云 API：收费，0.00066 元 / 秒，无免费额度。

三、性能（vs Whisper）

中文场景（普通话 + 方言 + 噪声）：
表格
指标FunASR-zhWhisper-Large-v3
中文 CER（字错率）5.1%8.2%
实时率（1 秒音频）≈0.006 秒（170 倍）慢 10–15 倍
显存占用2.4GB5.8GB
方言（粤 / 川等）优秀一般
远场 / 嘈杂环境强一般
  • 一句话：中文比 Whisper 快十几倍、更准、更小、方言更强。

四、FunASR vs 豆包（火山引擎 ASR）

1. 部署与费用

  • FunASR：本地离线部署，永久免费、隐私可控；云端 API 收费。
  • 豆包 ASR：纯云端 API，不能本地部署；个人有免费额度（注册认证即可用），企业按量付费。

2. 准确率与速度（中文）

  • FunASR：中文 CER 5% 左右，方言 / 远场更强；本地最快、延迟最低（≈100ms）。
  • 豆包 ASR：中文 CER 5%–6%，整体一流；云端稳定、并发强、售后好。

3. 功能差异

  • FunASR：
    • ✅ 本地离线、自定义热词、说话人分离、情绪识别。
    • ✅ 支持 50 + 语言、七大方言、古诗词识别。
  • 豆包 ASR：
    • ✅ 双向流式、长音频（≤5 小时）、自动标点、数字规整。
    • ✅ 多语种混合、垂直领域（医疗 / 教育 / 科技）优化。

五、怎么选？

  • 👉 中文为主、本地离线、隐私优先、预算低：选 FunASR（免费、快、准、方言强）。
  • 👉 企业线上、高并发、需售后、不想运维：选 豆包 ASR（稳定、免费额度、售后好）。
  • 👉 多语种混合（英文为主）：Whisper 仍有优势。

六、快速上手（FunASR）

bash
运行
pip install funasr
python
运行
from funasr import AutoModel
model=AutoModel(model="paraformer-zh")  # 中文模型
res=model.generate(input="audio.wav")     # 音频文件
print(res[0]["text"])
5 行代码即可本地转写，CPU 也能跑，GPU 更快。
要不要我给你一份 FunASR 本地部署 + 测试的极简脚本（含 CPU/GPU 版本和中文 / 方言模型一键下载）？