modelscope/FunASR

これは何？

主な機能

• 01SenseVoiceSmall、Paraformer、Fun-ASR-Nanoなどのモデルを使ったオフライン文字起こし。
• 02ライブ音声向けのチャンク単位のストリーミング認識。
• 03パイプラインに組み込めるVAD、句読点の復元、話者ラベル付け。
• 04OpenAI互換の文字起こしサーバーと、AIエージェント向けのMCPサーバー。
• 05JSONまたはSRT字幕を出力するコマンドラインインターフェース。
• 06Python不要でCPUやエッジデバイス上で動作するllama.cpp/GGUFビルド。

ユースケース

• 話者情報やタイムスタンプ付きで、中国語の会議やインタビューを文字起こしする。
• 動画や音声ファイルからSRT字幕を一括生成する。
• ストリーミングASRを使ったライブ字幕や音声アシスタントを構築する。
• WhisperやクラウドASR APIを、セルフホスト可能なOpenAI互換エンドポイントに置き換える。

クイックスタート

1. 1

   PyTorch と torchaudio をインストールする（デフォルトでは CPU 用 wheel）

   pip install torch torchaudio
2. 2

   PyPI から FunASR をインストールする

   pip install funasr
3. 3

   AutoModel を使った Python のサンプルを実行する（Fun-ASR-Nano。GPU が確認できた場合に限り device="cuda" を使用）

使う前に知っておきたいこと

• !Fun-ASR-Nano の GPU サンプルを実行するには、NVIDIA GPU が確認済みで、対応する PyTorch CUDA wheel が必要です。
• !モデルの重みには MIT ライセンスのツールキットとは別のライセンスが適用され、一部のモデルはサードパーティ製です。

トピック

よくある質問

FunASR とは？

VAD、句読点付与、話者ラベル、OpenAI互換のサーバー機能を備えた、オフライン・ストリーミングASR向けのオープンソース音声認識ツールキット。 FunASRは、音声をテキストに変換するためのModelScope製Pythonツールキットです。SenseVoiceSmall、Paraformer、Fun-ASR-Nanoなどの事前学習済みASRモデルに加え、音声区間検出（FSMN-VAD、Silero VAD）、句読点の復元（ct-punc）、話者埋め込み（CAM++）の各コンポーネントを備えており、AutoModelインターフェースで連結してひとつのパイプラインとして利用できます。

FunASR は無料で使えますか？ライセンスは？

FunASR は MIT ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。

FunASR は今もメンテナンスされていますか？

活発にメンテナンス中。FunASR の最終コミットは 2026年10月18日 です。

FunASR は何に使えますか？

話者情報やタイムスタンプ付きで、中国語の会議やインタビューを文字起こしする。 動画や音声ファイルからSRT字幕を一括生成する。 ストリーミングASRを使ったライブ字幕や音声アシスタントを構築する。 WhisperやクラウドASR APIを、セルフホスト可能なOpenAI互換エンドポイントに置き換える。

FunASR のインストール方法は？

PyTorch と torchaudio をインストールする（デフォルトでは CPU 用 wheel）: pip install torch torchaudio PyPI から FunASR をインストールする: pip install funasr AutoModel を使った Python のサンプルを実行する（Fun-ASR-Nano。GPU が確認できた場合に限り device="cuda" を使用）

FunASR はどこで入手できますか？

ソースコードとインストール手順は GitHub にあります：https://github.com/modelscope/FunASR