VoiceStudio — FunASR (SenseVoice) 引擎¶

FunASR 通过 FSMN-VAD 驱动 Alibaba 的 SenseVoiceSmall，是一个一体化多语言流水线：支持带标点和逆文本规范化的转录，覆盖 50+ 种语言，并可通过 cam++ 说话人模型实现可选的 内联说话人分离。它是 WhisperX 之外需显式选择启用的替代方案（#182）；WhisperX 仍然是跨平台默认引擎。

选择它¶

• 将其安装到应用 venv 中：uv pip install funasr。
• 然后打开 Model Catalogue，在 ASR 选项卡中点击 FunASR 行上的 Use，或设置 OMNIVOICE_ASR_BACKEND=funasr。

自动检测永远不会选用它；它需要显式选择启用。

擅长¶

• 无需任何 HuggingFace token 即可完成多说话人转录。 这是唯一内置说话人分离的 ASR 引擎：cam++ 在同一次处理中为每个句子标注（Speaker 1、Speaker 2……）——不涉及受限的 pyannote 模型，也无需点击接受许可证。有关 pyannote/WhisperX 路线及其各自优点，请对比说话人分离。
• 广泛的语言覆盖，范围超出 Whisper 的最强语言，且包含标点。

不适合¶

• 口型同步配音——FunASR 返回句子级时间戳，而非单词级时间戳。当单词级时间信息很重要时，请使用 whisperx / mlx-whisper。

平台支持¶

在 macOS、Windows 和 Linux 上支持 CUDA 或 CPU。

模型选择¶

权重在首次加载时下载（通过 FunASR 自身的模型中心）——参见下载模型。

注意事项¶

• 启用说话人模型后，长录音会在一次调用内完成转录，并由 FunASR 内部 VAD 切分——cam++ 按每次调用分配说话人聚类 ID，因此这样才能让“Speaker 1”在整个文件中始终代表同一个人。
• 引擎以 spk_mode="vad_segment" 运行：FunASR 1.3.1 的默认模式（punc_segment）需要单独的标点模型；如果 SenseVoice 在没有该模型的情况下加载，则会崩溃。
• SenseVoice 的 rich-token 标记（文本周围的语言/情感/事件标签）会从输出中自动移除。
• 语种检测是自动的（language: auto）；每个文件都会报告检测到的语言。