FunASR 音频转录

适用问题

当原始资料是会议录音、访谈 MP3、视频音轨，需要得到带标点的文字稿时，FunASR 音频转录把音频或视频中的语音转成文本。它面向的是“已有声音文件，缺少可检索文字”的场景，而不是实时字幕或视频内容理解。

工作方式

技能基于 FunASR 提供可配置的转录流程。可直接处理 WAV、MP3、M4A、FLAC 等音频格式；视频文件需要先通过 FFmpeg 抽取音频。默认使用 --model=sensevoice，对应 SenseVoiceSmall，约 234M 参数，适合中文、粤语、英文、日文、韩文，并支持情绪与事件检测。若追求更多语言和更高准确率，可切换 --model=nano，对应 Fun-ASR-Nano-2512，约 800M 参数，支持 31 种语言和方言。VAD 与标点模型会按需自动加载：fsmn-vad 做语音活动检测，ct-punc 恢复中英文标点。

使用边界

它主要解决语音转文字，不做画面描述、章节摘要或翻译输出。选择模型时要看语言覆盖、参数规模和准确率需求；若音频背景噪声复杂或语种不在列表中，需要先确认模型支持情况，再决定使用 SenseVoice 还是 Nano。