FunASR 是一款工业级语音识别工具包，覆盖离线、流式与边缘部署。它以“任务—模型检查点—运行时分别选择”为设计思路，核心能力包括语音识别（ASR）、语音活动检测（VAD）、标点恢复、说话人分离流水线，并集成了情感与音频事件模型。项目还提供 OpenAI 兼容的 API 服务以及 MCP 服务器，便于接入 Claude、Cursor、LangChain、Dify、AutoGen 等 AI 智能体与语音智能体。
主要能力方面：ASR 支持 Fun-ASR-Nano（覆盖中文、英文、日文以及中文方言与地方口音）、Fun-ASR-MLT-Nano-2512（31 语言检查点，与 Nano 属不同模型选择）、SenseVoiceSmall（CPU 优先的五语言 ASR，并带情感与音频事件标签）、Paraformer 与 paraformer-en 等。VAD 使用 FSMN-VAD，说话人处理使用 CAM++ 提取声纹嵌入（spk_embedding），再由 AutoModel 聚类并给 VAD 分段分配匿名说话人索引；这些索引仅限单次录音内，并非已知身份识别。标点与说话人模型均可在推理调用中显式指定设备位置。
使用方式上，要求 Python ≥ 3.8，先按 pytorch.org 安装匹配 NVIDIA 驱动的 PyTorch 和 torchaudio，再执行 pip install funasr。官方提供 Colab 快速开始，无需本地环境即可在浏览器中转录公开样例或上传音频。命令行（Agent 友好）可用模型包括 sensevoice（默认）、paraformer、paraformer-en、fun-asr-nano。服务化方面：本地 SenseVoice CPU 配方、Nano GPU 服务与固定版本 vLLM 拆分引擎指南；做大吞吐批处理时可用 vLLM 加速 Fun-ASR-Nano。原生 Transformers 路径方面，Transformers 5.17.0 在 CPU 上支持 Fun-ASR-Nano 官方 -hf 检查点，无需 FunASR 工具包或远程 Python 代码，并附 CPU 示例与 Notebook。GPU 示例中只有确认 torch.cuda.is_available() 为 True 后再使用 device="cuda"。
边缘与无 Python 部署方面，可通过 llama.cpp/GGUF 将 SenseVoice、Paraformer、Fun-ASR-Nano 作为单个自包含二进制在 CPU 与边缘设备上运行，内置 FSMN-VAD，运行时无需 Python。发布资产包含 Linux Vulkan tarball、Windows Vulkan ZIP、Windows CUDA ZIP（架构 86）以及面向 RTX 50/Blackwell 的 windows-x64-cuda-blackwell（sm_120），CUDA 包自带所需 cuBLAS DLL 并使用静态 MSVC 运行时。官方称其相较 whisper.cpp 在中文上 CER 约低 3 倍。另外还有 MOSS-Transcribe-Diarize 适配器，提供长音频 ASR、时间戳和匿名说话人标签，可部署到 FunASR 服务、Docker、Kubernetes、vLLM/SGLang 工作流与 FunClip；其权重由 OpenMOSS 发布，FunASR 仅提供适配器。
适用场景涵盖：本地或浏览器快速试用；从 Whisper 或云端 ASR 迁移（官方提供迁移指南与基准示例）；自托管语音转写与语音通话；以及面向智能体的 MCP/OpenAI API 集成。
限制与注意事项：模型许可证与工具包的 MIT 许可证相互独立，需查看各模型卡；第三方模型权重不归 FunASR 所有；语言覆盖取决于具体检查点；匿名说话人索引不是真实身份识别且不支持实时；未加认证的服务应保持在回环地址，暴露前需参考安全指南；性能基准需在自有音频与硬件上验证，离线吞吐量不等于流式延迟。本资料未提供具体价格信息。
版本方面，FunASR 1.4.16 保留跨推理调用中 VAD、标点与说话人模型的设备放置，并新增经过测试的原生 Transformers 采用指南；完整变更日志与可下载资产见 GitHub Releases。
