FunClip

O nástroji

FunASR je open-source řešení pro rozpoznávání řeči, které kromě přepisu audia nabízí i detekci řečové aktivity (VAD), obnovu interpunkce, rozdělení mluvčích, detekci emocí a rozpoznávání zvukových událostí – vše přes jednotné Python rozhraní. Podporuje více než 50 jazyků, u čínštiny navíc 7 hlavních dialektů a 26 regionálních přízvuků s automatickou detekcí jazyka. Nástroj lze nasadit i v soukromé infrastruktuře (on-premise) a je připraven pro produkční nasazení. Instalace probíhá přes pip (torch, torchaudio, funasr, vllm, fastapi, uvicorn) a vyžaduje Python 3.8+ a GPU s alespoň 8 GB paměti. API je kompatibilní s OpenAI rozhraním (/v1/audio/transcriptions), takže jej lze bez úprav napojit na frameworky jako LangChain, AutoGen, Dify nebo Coze. Kromě dávkového přepisu souborů podporuje i real-time streamování přes WebSocket pro živé titulky nebo hlasové asistenty. Podle testů na 184 souborech (11 541 sekund audia) dosahuje model Fun-ASR-Nano chybovosti (CER) 8,06 % v základní PyTorch verzi, přičemž akcelerace pomocí vLLM zrychluje zpracování 16–340× při zachování téměř stejné přesnosti (rozdíl CER pod 0,2 %). Dokumentace a rozhraní webu jsou primárně v čínštině, informace o ceně nejsou v dostupném obsahu uvedeny.

Kategorie