FunASR Hugging Face 预训练模型仓库（Model Zoo）完整指南：许可证边界、模型清单与接入方式

FunASR Hugging Face 预训练模型仓库（Model Zoo）完整指南：许可证边界、模型清单与接入方式

【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

FunASR 是一个开源的语音识别工具包，其 Hugging Face 模型仓库（Model Zoo）集中收录了语音识别（ASR）、语音活动检测（VAD）、标点恢复、说话人相关任务以及第三方统一转写/说话人日志（Diarization）等方向的预训练模型与对应接口约定。本文以 model_zoo/huggingface_models.md 为核心，结合仓库源码逐项说明许可证边界、模型清单（含参数规模、语言覆盖、离线/在线属性）、别名解析机制与原生 Transformers 接入方式，帮助你按任务快速选型并在服务化部署前厘清各 checkpoints 的差异。

一、许可证边界：软件许可证 ≠ 模型权重许可证

FunASR 工具包本体采用 MIT 软件许可证，但模型权重遵循单独的条款。使用或再分发任何 checkpoint 前，必须逐一核对对应模型卡（model card）、随附许可证文件（license file）以及所选 revision：

• FunASR 模型开源协议（版本 1.1）仅适用于其发布条款明确采纳该协议的模型，并非本目录中所有条目的默认许可；
• 第三方模型（例如 OpenMOSS 发布的 MOSS-Transcribe-Diarize）保留其原始作者身份与模型专属许可证（Apache-2.0），FunASR 团队不代为声明其许可条款；
• 再分发模型或派生制品时需保留上游署名。

选型与部署边界方面，官方建议先阅读 Model Zoo 总览 与 MOSS 集成指南。模型 Zoo 总览中还有一句重要提醒：一个模型被列入清单，不代表它被每一个服务端或导出后端自动支持——模型、checkpoint 格式、运行时要分开选择。

二、模型清单总览（Hugging Face 收录条目）

以下清单对应 model_zoo/huggingface_models.md 中实际收录的 HF 条目。清单还包含部分历史变体，正式使用前务必核对每个模型卡。

2.1 Fun-ASR-Nano 系列：按接口选择 checkpoint

Fun-ASR-Nano 是 FunASR 的旗舰模型（SenseVoice 编码器 + Qwen3 解码器的 LLM 路径），覆盖中文、英文、日文及中文方言/口音。关键在于：同一模型名存在多个互不通用（not interchangeable）的 checkpoint 产物，需按加载接口区分：

注意：MLT（多语言）checkpoint 是独立模型，不能把其 31 语言覆盖能力归因到基础 Nano 模型上。基础 checkpoint 与 vLLM 转换后的 checkpoint 也是不同的 artifact。

Fun-ASR-Nano 的入门路径有三条：原生 Transformers 指南、在线 Space 演示、以及批量示例与 Notebook；若需要服务化，则按 部署矩阵 选择路径。

2.2 Paraformer 模型

Paraformer 是非自回归（NAT）离线 ASR 模型，中文语音识别的主流选择，支持字符级时间戳与热词：

该模型的原始工具包版本以paraformer-zh别名在 HF 与 funasr/models/seaco_paraformer（paraformer-zh别名在 ModelScope 端实际解析到 SeACo checkpoint）。

2.3 语音活动检测（VAD）

FSMN-VAD 通过fsmn-vad别名接入，源码实现位于 funasr/models/fsmn_vad_streaming，可配合 ASR 组成"VAD → 识别"流水线。

2.4 标点恢复（Punctuation Restoration）

CT-Transformer 通过ct-punc别名接入，实现见 funasr/models/ct_transformer（离线版）与 funasr/models/ct_transformer_streaming（在线版）。需要注意：标点模型不生成声学时间戳。

2.5 第三方统一转写与说话人日志（Third-party）

MOSS 与 FunASR 生态的对接细节（backend="hf"/"vllm"/"sglang"三种后端、sentence_info返回契约、部署容器等）见 MOSS 部署指南。从源码结构看，其适配器在 funasr/models/moss_transcribe_diarize 中实现，保留上游 tagged 生成于raw_text，并把解析出的start/end/spk/text归一化为统一的sentence_info字段。

2.6 未列入 HF 目录的历史模型家族

原目录中还存在 UniASR（流式离线统一模型）、Conformer、RNN-T、多说话人识别 MFCCA、语言模型、说话人验证（Xvector）、说话人日志（SOND）、时间戳预测（TP-Aligner）等家族的表格，但它们在 HF 清单中均以注释形式保留（仅提供 ModelScope 链接）。按照 Model Zoo 总览 的说明，这些属于"历史变体清单"，完整 ModelScope 清单可查 modelscope_models.md。在新的服务中使用某个 checkpoint 之前，务必逐一核对模型卡。

三、如何在 FunASR 中接入 Hugging Face 模型：hub 映射与下载流程

清单中的 HF 模型可通过 FunASR 工具包直接加载。核心机制是别名映射表 funasr/download/name_maps_from_hub.py：SDK 别名（如paraformer-zh、paraformer-en、fsmn-vad、ct-punc、fa-zh、cam++）被解析为具体的 HF 仓库 ID：

name_maps_hf = { "paraformer": "funasr/paraformer-zh", "paraformer-zh": "funasr/paraformer-zh", "paraformer-en": "funasr/paraformer-en", "paraformer-zh-streaming": "funasr/paraformer-zh-streaming", "fsmn-vad": "funasr/fsmn-vad", "ct-punc": "funasr/ct-punc", "fa-zh": "funasr/fa-zh", "cam++": "funasr/campplus", ... }

别名解析与下载在 funasr/download/download_model_from_hub.py 中完成：download_model(**kwargs)根据hub参数（"ms"/"modelscope"走 ModelScope，"hf"/"huggingface"走huggingface_hub.snapshot_download，"openai"走 Whisper 兼容路径）分发，随后读取本地configuration.json或config.yaml、tokens.txt、am.mvn、bpe.model等文件，组装完整的模型初始化参数。别名只是便捷写法，并非不可变的模型 revision——生产环境建议记录解析后的具体 checkpoint/revision。

典型用法（显式指定 hub）：

from funasr import AutoModel model = AutoModel(model="paraformer-zh", hub="hf", device="cpu") result = model.generate(input="meeting.wav") print(result[0]["text"])

替换meeting.wav为真实录音即可运行。注意：下载耗时、预热（warmup）与推理耗时是三个独立的测量项；验证时间戳、说话人标签或模型专属标签时，应保留原始返回结果。

仓库还提供了别名契约的测试用例：tests/test_hf_model_aliases.py 断言name_maps_hf["paraformer-en"] == "funasr/paraformer-en"，保证英文别名指向英文 checkpoint。

四、原生 Transformers 路径：Fun-ASR-Nano-2512-hf

如果你不引入 FunASR 工具包，而希望直接用 Hugging Face 生态的标准接口，应选择Fun-ASR-Nano-2512-hf这个原生导出。官方 原生 Transformers 指南 提供了完整说明，核心要点如下：

• Transformers 5.17.0 是已发布的正式包，原生支持 Fun-ASR-Nano，无需源码检出、无需 FunASR 工具包、无需模型自带的远程 Python 代码；
• 需要匹配的torch/torchaudio（原生特征提取器使用torchaudio.compliance.kaldi.fbank）；
• 该 zh/en/ja 导出只返回文本，不含词级时间戳与说话人身份（原生导出省略了 CTC 时间戳分支）；
• 原生类位于transformers.models.fun_asr_nano。

最小推理示例（CPU、float32）：

import torch from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor torch.set_num_threads(4) model_id = "FunAudioLLM/Fun-ASR-Nano-2512-hf" revision = "d93b302ee7fd505e1b3576120fc142fc6f7820e1" processor = AutoProcessor.from_pretrained(model_id, revision=revision, trust_remote_code=False) model = AutoModelForSpeechSeq2Seq.from_pretrained( model_id, revision=revision, trust_remote_code=False, dtype=torch.float32, ).to("cpu").eval() inputs = processor.apply_transcription_request( audio="your.wav", language="zh", processor_kwargs={ "return_tensors": "pt", "audio_kwargs": {"sampling_rate": 16000}, "text_kwargs": {"padding": True}, }, ) with torch.inference_mode(): generated = model.generate(**inputs, max_new_tokens=128, do_sample=False) new_tokens = generated[:, inputs.input_ids.shape[1]:] # 去除 prompt 部分 print(processor.batch_decode(new_tokens, skip_special_tokens=True)[0])

要点：

• apply_transcription_request接受波形（必须标注真实采样率，不能把 48 kHz 样本标成 16 kHz）、本地路径或受支持的 URL；language取"zh"/"en"/"ja"；
• 批量场景传入音频列表 + 等长语言列表 +text_kwargs={"padding": True}，解码时保持输入顺序；
• keywords（词汇提示）与prompt（上下文）不是强制词表，也不是工具包的hotword参数——例如中文样例中加开放时间并未纠正开饭时间的输出，需用代表性录音与人审评估质量；
• max_new_tokens=128只是示例上限，缺失 EOS 可能意味着截断，增加上限并不证明长录音被完整覆盖；
• 官方还提供了不加载权重的预处理自检脚本（合成静音经 processor 检查输出张量形状），但预处理成功不代表识别准确率或容量达标。

五、选型、部署边界与可复现性

5.1 四个 checkpoint 不是同一个模型 ID

从 部署矩阵 与 原生 Transformers 指南 中的对照表可以归纳出四条相互独立的路径：

原生 Transformers 支持不附带HTTP 服务、队列、流式协议、词级时间戳或说话人身份。选择模型时，模型、checkpoint 格式、接口与运行环境要一起决定，再在目标硬件上验证 GPU dtype、注意力后端、显存、并发与质量。

5.2 公开资料与可复现性

• 原生 public revision 为d93b302ee7fd505e1b3576120fc142fc6f7820e1，解析为FunAsrNanoForConditionalGeneration（trust_remote_code=False）；model.safetensors大小 1,659,773,320 字节；
• 官方验证记录（2026-09-09）基于实际发布的 5.17.0 wheel、Python 3.12.3、匹配的 torch/torchaudio 2.10.0+cpu、float32 与 4 线程，样本均返回非空文本且在 128 token 内到达 EOS；这些短样本不构成CER/WER、GPU 兼容性或服务容量的结论；
• 若加载失败，先检查解释器、transformers.__version__（5.16.1 及更早版本不含该模型）、-hf模型 ID 与 revision。

六、总结与下一步

FunASR 的 Hugging Face Model Zoo 是一份"按任务 → 按接口"组织的预训练模型清单：从 LLM 路径的 Fun-ASR-Nano 系列、非自回归的 Paraformer-large，到轻量的 FSMN-VAD、CT-Transformer 与第三方 MOSS-Transcribe-Diarize。使用前牢记三点：许可证按权重单独核对、checkpoint 按接口区分、别名不等于固定 revision。进一步深入可参考：

• 任务选型：模型选择指南；
• SDK 参数与返回值契约：Python API 指南；
• 说话人与情感标签：speaker_emotion.md、关键词唤醒：keyword_spotting.md；
• 训练/微调：training.md、自定义模型注册：model_registration.md；
• 质量与耗时分开度量：RTF 可复现性。

【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