零基础也能用！Fun-ASR WebUI新手入门保姆级教程

零基础也能用！Fun-ASR WebUI新手入门保姆级教程

你是不是也遇到过这些情况：
会议录音堆在文件夹里，想查某句话得反复拖进度条；
客服电话录了上百条，领导突然问“客户提过几次价格问题”，你只能干瞪眼；
讲课视频转文字要花半天，还总漏掉关键公式和术语……

别再手动听了。今天带你从零开始，不用装环境、不写代码、不配GPU，10分钟内跑通 Fun-ASR WebUI——钉钉联合通义推出的语音识别大模型系统，由科哥亲手构建，专为普通人设计的语音转文字工具。

它不是实验室里的Demo，而是一个开箱即用的完整Web界面：上传音频就出字幕，对着麦克风说话实时变文字，批量处理几十个文件不卡顿，连识别过的每一条结果都自动存好、能搜能导出。真正做到了——听得到，找得着，用得上。

下面这份教程，我全程用你家电脑就能操作，连“bash”命令都给你写好了复制粘贴；所有按钮在哪、参数怎么选、哪里容易踩坑，我都截图标清楚；连你可能不好意思问的问题（比如“麦克风点不动怎么办”“为什么识别出来全是错字”），全放在最后的常见问题里，一条一条给你拆解。

准备好了吗？我们这就出发。

1. 第一步：启动你的语音识别工作站

Fun-ASR WebUI 不需要你懂 Docker、不折腾 Python 环境、不编译模型。它已经打包成一个“即插即用”的镜像，你只需要两步：

1.1 启动应用（3秒完成）

打开终端（Windows 用 PowerShell 或 CMD，Mac/Linux 用 Terminal），进入 Fun-ASR 的安装目录，执行这一行命令：

bash start_app.sh

你会看到类似这样的输出：

INFO: Starting Fun-ASR WebUI... INFO: Model loaded successfully on cuda:0 INFO: WebUI server running at http://localhost:7860

如果提示command not found: bash，说明你没在正确目录下。请先用cd /path/to/funasr-webui切换到镜像解压后的根目录（里面能看到start_app.sh文件）。

1.2 打开网页（1秒完成）

复制上面日志里的地址：http://localhost:7860，粘贴进 Chrome、Edge 或 Firefox 浏览器地址栏，回车。

页面加载后，你会看到一个清爽的蓝色主界面，顶部是功能导航栏，中间是操作区——这就是你的语音识别控制台。

小贴士：如果你是在服务器上运行（比如阿里云ECS），把localhost换成你的服务器公网IP，例如http://123.56.78.90:7860，同样能远程访问。记得提前在安全组放行 7860 端口。

2. 六大功能全景图：先看懂“它能干什么”

刚打开界面，你可能会被顶部的六个标签搞晕：语音识别、实时流式识别、批量处理、识别历史、VAD检测、系统设置。别急，我们用一张表说清本质——它们不是技术名词，而是你每天会用到的六种工作方式：

关键认知：你不需要学会全部功能，就像你不会每天用微波炉的“解冻+烧烤+发酵”所有模式一样。从最痛的那个场景开始，用熟一个，再解锁下一个。

3. 首战告捷：用“语音识别”功能，5分钟搞定一段录音

这是你和 Fun-ASR 的第一次握手。我们选一个最典型的场景：你刚录完一段10分钟的团队周会，保存为weekly_meeting.mp3，现在想快速整理出会议纪要。

3.1 上传音频（2种方式，任选其一）

• 方式一（推荐）：上传本地文件
  点击界面上方的“上传音频文件”按钮 → 在弹窗中找到你的weekly_meeting.mp3→ 点击“打开”。
  界面中央会出现文件名和进度条，几秒后显示“上传成功”。

• 方式二：直接录音（适合临时记录）
  点击界面右上角的🎤 麦克风图标→ 浏览器会请求权限 → 点击“允许” → 对着电脑说话 → 再点一次麦克风停止录音 → 自动上传。

支持格式：WAV、MP3、M4A、FLAC（日常手机录音基本全兼容）
不支持：视频文件（如MP4）、压缩包（如ZIP）、文档（如PDF）

3.2 配置参数（3个选项，新手只调1个就够了）

上传完成后，别急着点“开始识别”。先看下方这三项，绝大多数情况下，你只需确认“目标语言”是否正确：

• 热词列表（可选）：
  如果会议里反复出现专业词，比如“Fun-ASR”、“科哥”、“钉钉API”，就把它们每行一个写进去。这样识别时更不容易念错。
  新手建议：第一次先空着，等发现识别不准时再加。

• 目标语言（必看！）：
  下拉菜单选“中文”（默认就是它）。如果你要识别英文播客或日文访谈，再切换。
  新手重点：千万别误点成“英文”，否则中文录音会识别成一堆乱码。

• 启用文本规整（ITN）（推荐开启）：
  开关保持“开启”状态（默认就是）。它会把“二零二五年三月十二号”自动变成“2025年3月12日”，把“一千二百三十四”变成“1234”，让文字更像人写的。

3.3 开始识别 & 查看结果（见证时刻）

点击巨大的绿色按钮：“开始识别”。

界面会显示“识别中…”，进度条走完后，立刻出现两栏结果：

• 识别结果：原始转写文字（可能带口语词：“呃…”、“这个…”、“然后呢…”）
• 规整后文本：ITN处理后的干净版本（已去掉填充词，数字/日期已标准化）

真实案例对比（来自一段真实会议录音）：
识别结果：
“呃我们下周三也就是二零二五年三月十二号下午三点要上线 fun asr 的新版本然后科哥会来演示”

规整后文本：
“我们下周三也就是2025年3月12日下午3点要上线Fun-ASR的新版本，然后科哥会来演示。”

看到没？规整后文本，就是你能直接复制进会议纪要的成品。

4. 进阶技巧：让识别更准、更快、更省心

你已经会用了，但想让它更好用？这3个技巧，能解决90%的新手困惑：

4.1 热词不是“玄学”，是精准提效的开关

很多人以为热词要写很长的句子，其实恰恰相反：越短、越专、越常用，效果越好。

错误示范（无效）：

我们要在2025年3月12日上线Fun-ASR新版本

正确写法（高效）：

Fun-ASR 科哥 钉钉API 2025年3月12日

原理很简单：模型会优先匹配这些词的发音，而不是去猜。尤其对人名、产品名、日期这种易错词，加3个热词，准确率提升肉眼可见。

4.2 实时流式识别：不是真“流式”，但很实用

Fun-ASR 的“实时流式识别”功能，本质是“VAD分段 + 快速识别”的组合技。它会先检测你哪几段在说话，再分段识别——所以它不是像Siri那样边说边出字，而是说完一段，立刻出结果。

适合场景：

• 个人笔记：对着麦克风口述待办事项，“明天上午10点约客户，谈合同违约金”，说完点停止，文字就出来了。
• 快速校对：录完一段话，立刻检查有没有识别错误，当场重录。

注意事项：

• 首次使用务必允许浏览器麦克风权限（Chrome 最可靠）；
• 说话时尽量靠近麦克风，避免环境噪音（关掉空调、风扇）；
• 单次录音建议不超过2分钟，太长会影响分段精度。

4.3 批量处理：一次搞定50个文件的秘诀

当你有大量音频要处理（比如客服部门的每日录音），批量功能就是效率核弹。

操作流程和单文件几乎一样，唯一区别是：

• 上传时：按住Ctrl（Windows）或Cmd（Mac）键，多选多个文件；或直接把整个文件夹拖进上传区。
• 配置时：所有参数（语言、ITN、热词）将统一应用到全部文件。
• 查看时：进度条显示“已完成 3/25”，点击“查看详情”可逐个看每份结果。
• 导出时：处理完后，点击右上角“导出结果”→ 选择 CSV（适合Excel分析）或 JSON（适合程序员二次开发）→ 一键下载。

新手避坑：

• 不要一次传100个文件。建议每批30–50个，既快又稳；
• 大文件（>100MB）先转成MP3。Fun-ASR 对长音频优化很好，但超大文件会拖慢整体队列；
• 处理中别关浏览器。它依赖前端连接，关闭等于中断任务。

5. 你不知道的“隐形管家”：识别历史功能详解

Fun-ASR 最被低估的功能，不是识别多快，而是它默默帮你建了一个语音档案馆。每次识别完，它自动存档，且永久保留——这才是真正让你“放心用”的底气。

5.1 它存了什么？比你想的还全

点击顶部导航栏的“识别历史”，你会看到一个表格，包含：

• ID：每条记录的唯一编号（比如 #1024）
• 时间：精确到秒的识别时间（2025-03-12 14:22:35）
• 文件名：你上传的原始文件名（weekly_meeting.mp3）
• 识别结果：原始文字（可点击展开全文）
• 规整后文本：标准化文字（可点击展开全文）
• 语言：当时选的“中文”
• ITN：显示“是”或“否”
• 热词：当时填了哪些词（如果没填，显示“无”）

深度价值：
三个月后，你突然需要复盘某次决策依据。只要记得大概时间或文件名，输入关键词“Q3预算”，系统瞬间定位那条记录——你不用再翻硬盘找文件，它已经替你记住了上下文。

5.2 搜索：3秒找到你要的那句话

在“识别历史”页面顶部，有个搜索框。别小看它，这是生产力倍增器。

• 输入任意词，比如“违约金”、“退款政策”、“服务器宕机”；
• 系统同时搜索文件名和识别结果全文；
• 结果实时刷新，高亮显示匹配位置（虽然当前版本不标黄，但文字就在眼前）。

场景实测：
输入“科哥”，返回3条记录：

• #1024weekly_meeting.mp3→ “科哥会来演示”
• #987tech_talk.wav→ “科哥分享了Fun-ASR的架构设计”
• #852bug_report.m4a→ “科哥确认这是已知问题”
  3秒，锁定全部相关对话。

5.3 导出：让文字走出网页，进入你的工作流

点击某条记录右侧的“导出”按钮，你会获得两个选择：

• CSV格式：用 Excel 打开，一目了然。字段包括ID、时间、文件名、规整后文本、语言等，中文显示完美，适合汇报、归档、人工审阅。
• JSON格式：结构化数据，含全部原始字段（包括热词、ITN设置），适合导入数据库、喂给其他AI模型做情感分析、或写脚本自动汇总。

举个真实用例：
客服主管每周五下午，用 Fun-ASR 批量处理当周50通客户来电 → 在“识别历史”中搜索“投诉”、“不满意”、“退款” → 导出所有匹配记录为 CSV → 拖进 Excel，用数据透视表统计高频问题 → 生成《本周服务质量简报》。整个过程，20分钟搞定。

6. 稳定运行的幕后功臣：系统设置与排障指南

Fun-ASR 默认配置已针对大多数场景优化，但遇到问题时，这几个设置就是你的“急救包”。

6.1 让它跑得更快：计算设备选择

在“系统设置” → “计算设备”中，你会看到三个选项：

• 自动检测（推荐新手）：系统自己选，90%情况最优。
• CUDA (GPU)：如果你有 NVIDIA 显卡（RTX 3060 及以上），选它！识别速度比CPU快2–3倍。
• CPU：没有独显的笔记本或老电脑，选它也能用，只是稍慢（10分钟录音约需3–4分钟识别）。

如何确认是否用上了GPU？
启动时终端日志里出现Model loaded successfully on cuda:0，就说明GPU已生效。

6.2 内存不够用？两个按钮立刻释放

如果识别中途卡住，或页面变灰无响应，大概率是显存满了。别重启，点两下：

• 清理 GPU 缓存：立刻释放显存，适合临时救急；
• 卸载模型：把模型从显存中完全移除，适合长时间不用时节省资源。

注意：卸载模型后，下次识别会重新加载，稍有延迟（10–20秒），但不影响数据。

6.3 常见问题速查（附解决方案）

终极方案：如果以上都无效，直接在终端按Ctrl+C停止服务，再执行bash start_app.sh重启。Fun-ASR 启动极快，30秒内恢复。

7. 总结：你已经掌握了语音智能工作流的核心能力

回顾一下，你刚刚完成了什么：

• 启动并访问了 Fun-ASR WebUI，无需任何技术背景；
• 独立完成了一次语音识别，从上传、配置到获取规整文本；
• 解锁了三大核心能力：单文件精准识别、批量高效处理、历史智能管理；
• 掌握了四个关键技巧：热词提效、实时录音、搜索定位、一键导出；
• 学会了自主排障，遇到问题不再抓瞎，而是有清晰路径可循。

这不是一个“玩具模型”，而是科哥基于真实业务反馈打磨出的生产级工具。它的设计哲学很朴素：不炫技，只解决问题；不堆功能，只留刚需；不设门槛，只铺路标。

你现在可以做的，远不止于整理会议记录——
试着用它把课程录音变成复习笔记，
把客户访谈变成需求文档，
把产品演示变成知识库条目，
甚至把家庭聚会录音，转成一份温暖的文字纪念。

声音终会消散，但文字可以沉淀。而 Fun-ASR，就是帮你把转瞬即逝的声音，变成可搜索、可复用、可传承的知识资产。

下一步，不妨就从你手机里那段还没听的录音开始吧。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。