核心用法
funasr-transcribe 是一款基于阿里巴巴 FunASR 开源模型的本地语音识别工具，专为中文场景优化。用户通过两条命令即可完成环境部署与音频转录：先执行 install.sh 创建虚拟环境并安装依赖，再使用 transcribe.sh <音频路径> 生成带标点的文本文件。支持 .wav、.ogg、.mp3、.flac、.m4a 等主流格式，输出为同目录下的 .txt 文件。
显著优点
1. 完全本地运行：无需调用云端 API，杜绝网络延迟与数据外传风险，敏感会议内容可离线处理。
2. 零使用成本：无按量计费或订阅费用，仅需承担一次性硬件资源消耗。
3. 中文优化领先：采用 Paraformer-large、FSMN-VAD、CT-Transformer 三模型级联架构，在普通话及方言场景下准确率优于 Whisper。
4. 硬件门槛低：CPU 推理 RTF 仅 0.05-0.2，普通办公电脑即可流畅运行；支持 GPU 加速（需手动修改配置）。
5. 语言覆盖广：支持中文、英文及中英混合识别，自动恢复标点符号。
潜在缺点与局限性
- 首次启动成本高：需 5-10 分钟安装环境，首次转录下载 1-2GB 模型文件，对网络与磁盘空间（约 4GB）有要求。
- 配置灵活性受限：GPU 加速需手动编辑 Python 脚本，非技术用户门槛较高。
- 生态依赖：核心模型托管于 ModelScope，若阿里云服务波动可能影响模型下载。
- 长音频处理：虽内置 VAD 切分，但极长文件（数小时）可能面临内存峰值压力，需分段处理。
适合人群
- 频繁进行中文会议记录、访谈整理的办公用户
- 注重数据隐私、需离线处理敏感音频的企业法务/医疗/金融从业者
- 预算有限、希望替代 Whisper API 或讯飞等付费方案的个人开发者
- 有基础命令行操作能力的技术爱好者
常规风险
- 环境隔离：脚本自动创建虚拟环境，但与其他 Python 项目共用系统 Python 时可能存在依赖冲突（建议容器化部署）。
- 模型热更新：FunASR 模型版本迭代可能导致行为变化，需关注官方更新日志。
- 识别偏差：专业术语、极快语速或强背景噪音场景下准确率下降，建议人工校对关键内容。