Python 主流语音转文字（STT）库选型与实战

如下图所示，load_model 时，可选参数为：

3 FunASR

FunASR 是阿里云通义实验室开源的语音识别框架，主打中文及方言识别，在 30 + 中文方言、低音质音频场景下表现领先，是中文专属 STT 场景的最优选择。

3.1 安装步骤

conda create -n funasr python=3.10
conda activate funasr
pip3 install -U funasr
pip3 install -U modelscope huggingface_hub
pip install torch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 --index-url https://download.pytorch.org/whl/cu118

3.2 测试代码

from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess

model_dir = "iic/SenseVoiceSmall"
model = AutoModel(
    model=model_dir,
    vad_model="fsmn-vad",
    vad_kwargs={"max_single_segment_time": 30000},
    device="cuda:0",
)
res = model.generate(input=f"test.mp3", cache={}, language="auto",
                     use_itn=True, batch_size_s=60, merge_vad=True,
                     merge_length_s=15,)
text = rich_transcription_postprocess(res[0]["text"])
print(text)

3.3 遇到的错误

• Loading remote code failed: model, No module named 'model' ... OSError: Error no file named pytorch_model.bin, model.safetensors, tf_model.h5, model.ckpt.index or flax_model.msgpack found in directory xxx 报错原因： FunAudioLLM/Fun-ASR-Nano-251 模型适配性较差，远程代码加载失败或权重文件下载不完整。 解决办法： 替换为 FunASR 官方稳定支持的模型（如 iic/SenseVoiceSmall、paraformer-large），避免使用适配性不足的 Nano 系列模型。

• AssertionError: FunASRNano is not registered 报错原因： FunASR 版本过低，未注册 FunASRNano 模型类，常见于使用 Fun-ASR-Nano 系列模型时。 解决办法： 手动导入模型类

  from funasr.models.fun_asr_nano.model import FunASRNano
  

• UnboundLocalError: local variable 'AutoTokenizer' referenced before assignment 报错原因： transformers 库版本过低或未安装，导致模型加载时无法找到 AutoTokenizer 类。 解决办法： 升级 transformers 库

  pip install -U transformers
  

总结

本文盘点了 Python 生态中三大主流 STT 库：PaddleSpeech 适配飞桨生态，适合企业级中文通用场景；Whisper 主打多语言识别，易用性拉满，适配个人开发；FunASR 在中文方言识别领域优势显著，适合中文专属场景。实际开发中，个人 / 多语言场景优先选 Whisper，中文方言 / 企业级场景优先选 FunASR，飞桨生态项目可选用 PaddleSpeech。开发时需注意版本适配与依赖管理，遇到问题可优先通过升级库或替换模型解决，确保识别效果与稳定性。