如何为 FunASR 的 Paraformer 输出时间戳：带时间戳语音识别指南

如何为 FunASR 的 Paraformer 输出时间戳：带时间戳语音识别指南

【免费下载链接】FunASROpen-source speech recognition toolkit for training, inference, streaming ASR, VAD, punctuation, speaker diarization pipelines, and OpenAI-compatible/MCP serving.项目地址: https://gitcode.com/GitHub_Trending/fun/FunASR

你正在做一个会议转写工具，需要精确知道每个词出现在录音的哪一秒。FunASR 的 Paraformer 时间戳功能正好解决这件事：large-vad-punc 版本的 Paraformer 在识别文本的同时，输出每个字的起止时间（毫秒级），你拿它做自动字幕、在剪辑时间线上定位语句都很顺手。

📦 功能速览：识别、VAD、标点一次出

所谓 "large-vad-punc" 版本，其实是三个模型打包在一起：Paraformer large 负责识别；VAD 模型（FSMN VAD，用来把长音频切成有语音的片段）负责切段；punc 模型（CT-Transformer，把标点补回文本）负责恢复标点。推理时框架会对识别结果做字级对齐，文本和时间信息因此天然一一对应。

一次generate()调用返回一个字典，关键长这样（简化为 5 行）：

{ "key": "meeting.wav", "text": "今天下午三点，我们开会讨论新版本发布计划。", "timestamp": [[0, 120], [120, 340], ...], # 每个字的 [起始ms, 结束ms] "sentence_info": [{"text": "今天下午三点，", "start": 0, "end": 1240}] }

也就是说，你不需要任何额外后处理，文本和时间区间一次拿全。

🚀 最小可用示例：10 行跑出带时间戳的结果

下面这段代码初始化三件套并对一个 wav 跑识别，sentence_timestamp=True表示额外要句子级时间戳：

from funasr import AutoModel model = AutoModel( model="speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-pytorch", vad_model="speech_fsmn_vad_zh-cn-16k-common-pytorch", punc_model="punc_ct-transformer_zh-cn-common-vocab272727-pytorch", ) res = model.generate(input="meeting.wav", sentence_timestamp=True)[0] print(res["text"]) print(res["sentence_info"])

预期看到带标点的整段文本，以及每句的 start/end 毫秒数；每句的时间点就是字幕轨道的时间点，稍作格式化即可语音识别生成字幕（SRT 文件）。

读懂返回结果：字段对照表

两个容易踩的点：时间单位统一是毫秒，要秒就除以 1000；timestamp列表与text中非标点字一一对应，zip 起来就是逐字对齐结果。

参数速查：timestamp 相关开关

这些开关不需要重新初始化模型，每次调用时传入即可。

⚠️ 避坑与调优

• 现象：timestamp为空或缺失。原因：只配了 ASR 主模型、没带 vad/punc。字级时间戳是在 VAD 分段 + 标点模型处理这条链路上组装的。处理：按示例三件套一起初始化；如果日志里出现 "punc_model is required" 提示，说明缺标点模型。
• 现象：时间戳不准、对不上。原因多在输入侧：采样率不是 16 kHz、非单声道，或环境噪声大。处理：先把音频重采样成 16k 单声道再识别；如果只是字幕、剪辑定位这种按句级精度的需求，直接读sentence_info的 start/end，比逐字累加更稳。
• 现象：长音频内存高、速度慢。原因：逐字timestamp列表与文本等长，数小时的录音会产生大对象；且 VAD 后还要逐段推理。处理：用batch_size_s限制单批时长；只要字幕轨道就取sentence_info，丢弃字级列表。

字级对齐的具体实现在 funasr/utils/timestamp_tools.py，想弄清某段时间戳怎么算出来的，可以从这个文件入手。

FunASR 的 Paraformer 时间戳最适合中文、16 kHz 场景下的字幕生成与会议转写校对；如果你还需要区分"谁在说话"，下一步是再加一个说话人模型，让每句带上 spk 字段。

【免费下载链接】FunASROpen-source speech recognition toolkit for training, inference, streaming ASR, VAD, punctuation, speaker diarization pipelines, and OpenAI-compatible/MCP serving.项目地址: https://gitcode.com/GitHub_Trending/fun/FunASR