funasr-transcribelisted
Install: claude install-skill zc790-hub/funasr-transcribe
# FunASR 语音转文字 Skill
本地跑的中文语音转写,基于 FunASR + SenseVoiceSmall。**首次使用必须先跑一遍
`setup.sh`** 安装环境;模型在第一次转写时自动下载(约 1.2G),之后离线可用。
## 0. 首次安装(每台机器一次)
```bash
bash <skill目录>/setup.sh
```
它会在 skill 目录下建 `venv/` 并装好 funasr/torch 等依赖。需要 Python 3.9–3.11。
跨平台:macOS(Apple Silicon 走 MPS)、Linux(有 CUDA 走 GPU,否则 CPU)均可。
装完用自带示例自检(会触发首次模型下载,正常):
```bash
source <skill目录>/venv/bin/activate
python <skill目录>/scripts/transcribe.py <skill目录>/examples/asr_example.wav
# 期望输出:每一天都要快乐。
```
## 1. 转写(核心功能)
```bash
source <skill目录>/venv/bin/activate
python <skill目录>/scripts/transcribe.py 录音.m4a --out 结果.txt
```
`transcribe.py` 已经把以下都处理好了,无需手动操作:
- **任意格式自动转码**:非 16k WAV 会用 ffmpeg(找不到则 macOS afconvert)转码
- **设备自动选择**:MPS → CUDA → CPU
- **模型缓存自适应**:默认放 skill 目录的 `.modelscope/`,可用 `FUNASR_CACHE` 覆盖
- **标点恢复**:默认开启(`--no-punc` 关闭,更快)
- **去语气词**:默认去掉「嗯/啊/呃…」(`--keep-fillers` 保留)
模型组合:`SenseVoiceSmall`(主 ASR,50+ 语言)+ `fsmn-vad`(切分长音频)
+ `punc_ct-transformer`(标点)。
### 说话人分离(`--spk`)
多人对话(会议、访谈、对谈)加 `--spk`,会多加载 cam++ 声纹模型,
把不同说话人按音色聚类,输出带标注:
```bash
python <skill目录>/scripts/transcribe.py 会议.m4a --out 会议.txt --spk
```
```
[说话人1] 下午三点开会。
[说话人2] 好,那我们先讨论第一个议题。
```
- 说话人编号(1/2/3…)由音色自动聚类,对应谁按内容对号入座
- 首次运行会多下载一个声纹模型
- 与 `--out` 可同时用,写入文件同样带标注
## 2. 整理成会议记录(可选,用对话模型自身能力做)
转写出的原始文本可以让当前对话模型润色成结构化记录,标准:
- **保留原始叙事结构**:不改话题顺序和逻辑关系
- **去口语碎句**:合并重复、消除"说一半重说"
- **保留细节**:人名、数字、时间地点不省略
- **按上下文纠错**:修正 ASR 同音误识与被 VAD 切断的术语
(例:把识别错的英文缩写、专有名词按上下文还原)
- **加结构**:开头 `## 摘要`(时长/字数/核心议题)→ `## 目录` → `### 1.1` 层级小标题
## 速