Docker 部署 FunASR 语音转文字服务完整指南

在数字化时代，语音转文字技术在会议记录、音频处理等场景中发挥着重要作用。本文将详细介绍如何使用 Docker 部署 FunASR 语音转文字服务，这是一个功能强大且识别准确率高的开源语音识别工具包。无论您是需要处理会议录音还是通话记录，FunASR 都能为您提供可靠的解决方案。

项目背景

在日常工作中，我们经常需要处理各种音频内容，如会议记录、通话录音等。手动转录不仅耗时耗力，而且容易出错。为了解决这个问题，我在 NodeSeek 论坛坛友的建议下发现了 FunASR 这个优秀的项目。

经过实际使用测试，FunASR 的识别准确率表现优异，完全能够满足日常的语音转文字需求，而且可以与 GPT 等 AI 工具配合进行后续的内容总结和处理。

FunASR 简介

FunASR 是一个功能丰富的基础语音识别工具包，提供了多种强大的功能：

• 🎤 语音识别（ASR）：支持多种音频格式的语音转文字
• 🔍 语音端点检测（VAD）：自动检测语音的开始和结束
• ✏️ 标点恢复：为转录文本自动添加标点符号
• 🧠 语言模型：提升识别准确率
• 👥 说话人验证与分离：支持多人对话场景
• 📝 多人对话语音识别：适用于会议等多人场景

FunASR 提供了便捷的脚本和教程，支持预训练模型的推理与微调，目前支持 Docker 部署（CPU 版本），同时支持实时转换和离线转换两种模式。

官方在线服务

如果您只是偶尔使用语音转文字功能，可以直接使用官方提供的在线服务，无需自建服务器：

官方 H5 页面

访问官方 H5 页面：FunASR 在线服务

官方页面截图

虽然页面相对简洁，但包含了所有必要的功能。

服务器地址说明

官方提供了两个不同的服务地址，支持不同的音频格式：

服务地址	功能	支持格式
wss://www.funasr.com:10096/	实时语音识别	PCM、WAV 格式
wss://www.funasr.com:10095/	离线语音识别	MP3、M4A 等格式

实时识别服务（10096端口）不支持 MP3、M4A 等压缩格式，请选择合适的服务地址。

自建 ASR 服务器

如果您有大量的音频处理需求，或者对数据隐私有特殊要求，建议自建 FunASR 服务。

Docker Compose 配置

为了同时部署实时和离线两个服务，我们使用 Docker Compose 进行部署：

version: '3'
services:
  funasr:
    image: registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr:funasr-runtime-sdk-cpu-0.4.5
    container_name: funasr
    ports:
      - "10095:10095"
    privileged: true
    volumes:
      - /home/docker/funasr/models:/workspace/models
      - /home/docker/funasr/samples:/samples
      - /home/docker/funasr/mp3:/mp3
    command: tail -f /dev/null
    
  funasr-online:
    image: registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr:funasr-runtime-sdk-online-cpu-0.1.10
    container_name: funasr-online
    ports:
      - "10096:10095"
    privileged: true
    volumes:
      - /home/docker/funasr/models:/workspace/models
      - /home/docker/funasr/samples:/samples
      - /home/docker/funasr/mp3:/mp3
    command: tail -f /dev/null
YAML

目录映射说明

容器路径	宿主机路径	说明
/workspace/models	/home/docker/funasr/models	必需：模型文件存储目录
/samples	/home/docker/funasr/samples	可选：测试样本目录
/mp3	/home/docker/funasr/mp3	可选：音频文件测试目录

只有模型目录的映射是必需的，其他目录映射是为了方便测试和调试。

服务启动配置

启动离线语音识别服务

# 进入容器
docker exec -it funasr bash

# 进入服务目录
cd /workspace/FunASR/runtime

# 启动离线识别服务
nohup bash run_server_2pass.sh \
  --model-thread-num 8 \
  --download-model-dir /workspace/models \
  --vad-dir damo/speech_fsmn_vad_zh-cn-16k-common-onnx \
  --model-dir damo/speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-onnx \
  --online-model-dir damo/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-online-onnx \
  --punc-dir damo/punc_ct-transformer_zh-cn-common-vad_realtime-vocab272727-onnx \
  --itn-dir thuduj12/fst_itn_zh \
  --hotword /workspace/models/hotwords.txt > log.txt 2>&1 &
BASH

启动实时语音识别服务

# 进入容器
docker exec -it funasr-online bash

# 进入服务目录
cd /workspace/FunASR/runtime

# 启动实时识别服务
nohup bash run_server.sh \
  --model-thread-num 8 \
  --download-model-dir /workspace/models \
  --vad-dir damo/speech_fsmn_vad_zh-cn-16k-common-onnx \
  --model-dir damo/speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-onnx \
  --punc-dir damo/punc_ct-transformer_cn-en-common-vocab471067-large-onnx \
  --lm-dir damo/speech_ngram_lm_zh-cn-ai-wesp-fst \
  --itn-dir thuduj12/fst_itn_zh \
  --hotword /workspace/models/hotwords.txt > log.txt 2>&1 &
BASH

高级配置选项

关闭 SSL

如果您不需要 SSL 加密，可以添加参数：

--certfile 0
BASH

模型选择

根据需求可以选择不同的模型：

模型类型	模型路径	功能特点
时间戳模型	damo/speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-onnx	提供精确的时间戳信息
NN热词模型	damo/speech_paraformer-large-contextual_asr_nat-zh-cn-16k-common-vocab8404-onnx	支持神经网络热词识别

热词配置

在宿主机文件 /home/docker/funasr/models/hotwords.txt 中配置热词：

阿里巴巴 20
人工智能 15
机器学习 10
TEXT

格式：热词 权重（每行一个）

首次启动时需要等待模型下载完成，可以通过查看 log.txt 文件监控下载进度。

服务测试与使用

监控服务状态

# 查看服务日志
tail -f log.txt

# 检查端口占用
netstat -tlnp | grep 1009
BASH

使用自建服务

服务启动完成后，您可以：

1. 使用官方 H5 页面：将 ASR 服务器地址替换为您的服务器地址
2. 下载官方测试包：获取完整的测试示例和 H5 页面
3. 自定义开发：通过 WebSocket 接口集成到您的应用中

效果展示

经过优化的界面显示效果：

自建服务效果图

相比官方页面，自定义界面在时间显示等方面更加清晰明了。

常见问题与解决方案

1. 模型下载缓慢

解决方案：

• 使用国内镜像源
• 手动下载模型文件到指定目录
• 配置代理服务器

2. 内存不足

解决方案：

• 减少 --model-thread-num 参数值
• 增加服务器内存
• 使用更小的模型

3. 识别准确率不高

解决方案：

• 确保音频质量清晰
• 配置适当的热词
• 选择合适的模型类型

性能优化建议

硬件要求

• CPU：建议 4 核心以上
• 内存：建议 8GB 以上
• 存储：SSD 硬盘，至少 20GB 可用空间

配置优化

• 根据 CPU 核心数调整 --model-thread-num
• 定期清理日志文件
• 监控资源使用情况

总结

FunASR 作为一个强大的开源语音识别工具包，为我们提供了高质量的语音转文字解决方案。通过 Docker 部署，我们可以轻松搭建自己的语音识别服务，既保证了数据隐私，又能获得出色的识别效果。

主要优势

• ✅ 识别准确率高：经过大量数据训练的预训练模型
• ✅ 部署简单：Docker 一键部署，环境配置简单
• ✅ 功能丰富：支持多种识别模式和高级功能
• ✅ 开源免费：完全开源，可自由使用和修改
• ✅ 扩展性强：支持热词、时间戳等高级功能

适用场景

• 📝 会议录音转录
• 📞 客服通话记录处理
• 🎥 视频字幕生成
• 📚 教育培训内容转录
• 🔊 播客节目文字化

建议在生产环境中，结合负载均衡和监控系统，构建更加稳定可靠的语音识别服务。同时，定期更新模型版本，以获得更好的识别效果。

相关资源

• FunASR 官方文档
• Docker 官方文档
• 语音识别技术原理