中国語・英語・日本語の文字起こしには Transformers 5.17.0 ガイド（英語） と公式 FunAudioLLM/Fun-ASR-Nano-2512-hf checkpoint を使えます。CPU サンプルがあり、toolkit とサービスの経路は別です。ネイティブ出力はテキストで、タイムスタンプ・話者・HTTP サーバーを追加しません。
初めて FunASR を試すとき、Whisper やクラウド ASR から移行するとき、または OpenAI 互換 API で公開するモデル alias を決めるときに使ってください。
まずは SenseVoice-Small から始めるのがおすすめです。
from funasr import AutoModel
model = AutoModel(
model="iic/SenseVoiceSmall",
vad_model="fsmn-vad",
spk_model="cam++",
device="cuda", # 手元の smoke test では "cpu" でも可
)
result = model.generate(input="meeting.wav")デモ、プライベート API、多言語文字起こし、Agent 音声入力の評価をここから始められます。上の会議録の例では、SenseVoice の ASR・感情/イベントタグとは別に、fsmn-vad で音声区間を検出し、cam++ の話者埋め込みをクラスタリングします。話者ラベルは録音内の匿名番号で、登録済み人物の識別や録音間で固定された ID ではありません。対象言語と実際の音声でモデルを比較してください。
Fun-ASR-Nano-2512 は中国語・英語・日本語と中国語方言/地域アクセントの評価候補です。Fun-ASR-MLT-Nano は別の checkpoint です。必要な言語の対応を各モデルカードで確認し、Nano の対応範囲と混同しないでください。
| やりたいこと | 最初に試すもの | 理由 | 次に読むもの |
|---|---|---|---|
| 高速な多言語プライベート文字起こし | SenseVoice-Small | ASR、感情タグ、音声イベントタグ、CPU/GPU の扱いやすさがそろった標準ルート。 | README quick start |
| 中国語中心の本番 ASR | Paraformer-Large | VAD と句読点復元を組み合わせた成熟した中国語 ASR ルート。 | Tutorial |
| OpenAI API 例の英語ルート | paraformer-en alias |
OpenAI-style client で互換性を確認しやすい軽量な英語ルート。 | OpenAI API example |
| LLM-based ASR や中英日 + 中国語方言・地域アクセントの評価 | Fun-ASR-Nano | Python で評価してから、checkpoint と interface に合わせて vLLM の経路を選びます。 | vLLM の経路 |
| オフライン長時間 ASR と匿名話者ラベル | MOSS-Transcribe-Diarize | 1 回のオフライン request で文字起こし、timestamps、録音内の匿名話者ラベルを返します。既知人物の識別ではなく、外部 VAD / speaker model も不要です。 | MOSS deployment guide |
| ライブ字幕やコールセンターストリーム | Runtime WebSocket service | 長時間接続、部分結果、エンドポイント検出に向いたランタイム。 | Runtime service docs |
| Whisper / cloud ASR からの移行 | SenseVoice-Small で baseline を作り、必要に応じて比較 | まず強い標準ルートで評価してから、用途別に詰めるのが安全です。 | Migration guide |
examples/openai_api server は短い alias を提供します。アプリケーション側はモデル repository ID を知らなくても利用できます。
sensevoice:iic/SenseVoiceSmallによる CPU/GPU での多言語 HTTP 文字起こしです。返却テキストからリッチタグは除去されます。paraformer:paraformer-zhに VAD と句読点復元を組み合わせた中国語向けの経路です。paraformer-en:paraformer-enと VAD を使う、OpenAI-style client 向けの英語文字起こしです。fun-asr-nano:FunAudioLLM/Fun-ASR-Nano-2512による中英日・中国語方言/地域アクセントの評価経路です。vLLM acceleration を試す場合は互換性のある runtime を選んでください。moss-transcribe-diarize: 第三者のOpenMOSS-Team/MOSS-Transcribe-Diarizeによるオフライン文字起こしと録音内の匿名話者ラベルです。MOSS guide（英語）で専用の依存関係と remote code を確認し、構造化 segment にはverbose_jsonを指定します。外部 VAD / speaker model は不要で、既知人物の識別ではありません。
ここでの alias は AutoModel を読み込むサンプル serverのものです。
native vLLM や AutoModelVLLM を自動選択する設定ではありません。
パッケージの funasr-server は別の loader / backend 選択を持つため、
サービス間で alias や性能結果をそのまま流用しないでください。
この HTTP サンプルはトップレベルの text と verbose_json の各 segment の
text を整形するため、形式を変えても感情/イベントタグは復元されません。
元のタグが必要なら Python SDK を使い、表示用の後処理より前に返却された text
を保存してください。元のタグを保存するレシピ（英語）を参照してください。
接続前にサービスを確認します。
curl http://localhost:8000/v1/models
python examples/openai_api/smoke_test.py --base-url http://localhost:8000 --model sensevoiceSDK、JavaScript、workflow、Postman、OpenAPI、Docker、Kubernetes は OpenAI API example から始めてください。
| 経路 | checkpoint と interface | 次の資料 |
|---|---|---|
| FunASR split-engine | 基本の FunAudioLLM/Fun-ASR-Nano-2512 を AutoModelVLLM で読み込み、音声側は FunASR、decoder は vLLM が処理します。 |
Split-engine（英語） |
| 公式 native vLLM | 変換済み FunAudioLLM/Fun-ASR-Nano-2512-vllm を vLLM の native 実装で読み込み、/v1/audio/transcriptions を利用します。AutoModelVLLM ではありません。 |
公式機能検証（英語） |
| 過去の community native vLLM | allendou/Fun-ASR-Nano-2512-vllm、2026-08-13 の検証です。時間計測は当時の checkpoint と環境に限定されます。 |
過去の community 記録 |
公式記録は固定 revision と既存環境での機能検証であり、新規インストール手順、
持続負荷の benchmark、/v1/realtime の streaming 検証ではありません。
過去の community 計測を公式モデルに付け替えないでください。
MOSS は専用ガイドに従ってください。Nano の checkpoint と検証は MOSS の互換性を証明しません。
きれいな demo 音声 1 つだけでモデルを決めないでください。まず小さな代表セットで確認します。
- 短いクリップ、長い会議、無音、ノイズ、話者重なり、専門用語、対象言語を含む 20-50 ファイルを用意します。
- model name、model revision、FunASR version、device、CPU/GPU、CUDA/PyTorch、runtime path、batch size、download/warmup の扱いを記録します。
- 読みやすさだけでなく、通常使う WER/CER または人手レビューで品質を見ます。
- latency、throughput、memory、failure、upload size limit をまとめて比較します。
- 困ったときは model、device、command、logs、audio duration、runtime path を添えて Deployment Help issue を開いてください。