Fun-ASR-Nano 使用指南：800M 端到端语音识别大模型，支持中英日与中文方言/口音

FunASR 技术博客 · 2026-07-15 更新 · 主力模型

Fun-ASR-Nano 是 FunAudioLLM 团队推出的端到端语音识别大模型，基于「Audio Encoder + Adaptor + LLM(Qwen)」架构，参数量约 800M，在数千万小时真实语音上训练而成。它是我们当前重点推荐的旗舰 ASR 模型。

核心亮点：

时间戳边界：发布的 model.pt checkpoint 不含已训练的 CTC 对齐权重，因此不提供可靠的原生字级时间戳。离线服务可通过 VAD 返回可靠的片段级起止时间；需要准确字级时间戳时请使用 Paraformer。详情见 issue #106。

需要覆盖 31 种语言时，请使用独立的 Fun-ASR-MLT-Nano-2512 checkpoint；不要把 MLT-Nano 的语言范围套用到本页的旗舰 Nano。

1. 安装

pip install -U funasr torch torchaudio

2. 基础推理（含热词）

下面是已实测可运行的最小示例（自动下载模型）：

from funasr import AutoModel

model = AutoModel(
    model="FunAudioLLM/Fun-ASR-Nano-2512",
    trust_remote_code=True,
    remote_code="./model.py",
    device="cuda:0",
    hub="hf",          # 国内可用 hub="ms" 走 ModelScope
)
wav = f"{model.model_path}/example/zh.mp3"   # 模型自带示例音频
res = model.generate(
    input=[wav], cache={}, batch_size=1,
    hotwords=["开放时间"],   # 热词，提升专有名词召回
    language="中文",
    itn=True,               # 逆文本归一化（数字/日期规整）
)
print(res[0]["text"])

实测输出：开放时间早上九点至下午五点。——热词「开放时间」被准确识别。

3. 长音频：加 VAD 分段

model = AutoModel(
    model="FunAudioLLM/Fun-ASR-Nano-2512",
    trust_remote_code=True, remote_code="./model.py",
    vad_model="fsmn-vad",
    vad_kwargs={"max_single_segment_time": 30000},
    device="cuda:0", hub="hf",
)
res = model.generate(input=[wav], cache={}, batch_size=1, language="中文")

4. 说话人分离（谁在什么时候说了什么）

说话人分离并非 Nano checkpoint 原生输出；下面由 FunASR pipeline 组合 VAD + 声纹（cam++）+ 标点，得到带说话人标签的逐句结果：

model = AutoModel(
    model="FunAudioLLM/Fun-ASR-Nano-2512",
    trust_remote_code=True, remote_code="./model.py",
    vad_model="fsmn-vad", vad_kwargs={"max_single_segment_time": 30000},
    spk_model="cam++", punc_model="ct-punc",
    device="cuda:0", hub="hf",
)
res = model.generate(input=[wav], cache={}, batch_size=1, language="中文")
for sent in res[0]["sentence_info"]:
    print(sent["spk"], sent["text"])

说话人分离需要从源码安装 FunASR：pip install git+https://github.com/modelscope/FunASR.git。

5. 高吞吐 / 流式部署

场景推荐方式
大规模离线批量转写AutoModelVLLM（vLLM 后端，高吞吐）
实时低延迟流式FunASRNanoStreamingVLLM（chunk 流式）
单机 / 快速试用上面的 AutoModel 即可

vLLM 路径对版本较敏感，建议 vLLM 0.12.0 + torch 2.9.0；完整示例见 Fun-ASR 仓库。

开始使用 Fun-ASR-Nano

主力旗舰模型，支持中英日 + 中文方言/口音。需要 31 语种请选 MLT-Nano。觉得有用就到 GitHub 点个 Star ⭐

Fun-ASR GitHub ★

延伸阅读：SenseVoice 部署指南 · 对比 Whisper · 快速上手

相关文章