/ Модель

Характеристики

Размер весов
2 ГБ
Лицензия
Apache 2.0
Библиотека
funasr
Опубликована
15 дек 2025

Fun-ASR-Nano-2512

Распознавание речиАудио → текст6 профессий

Fun-ASR-Nano-2512 — компактная многоязычная модель Tongyi Lab для потокового распознавания речи, включая диалекты, акценты и речь на фоне музыки.

2 469скачиваний за 30 дней237лайковвеса обновлены20 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Fun-ASR-Nano-2512 — компактная модель распознавания речи от Tongyi Lab, входящая в экосистему FunASR. По карточке модели, она содержит 800 млн параметров и обучена на десятках миллионов часов реальной речи. Модель предназначена для преобразования речи в текст, включая потоковую транскрипцию с низкой задержкой.

Она распознаёт китайский, английский и японский языки; для китайского заявлена поддержка семи диалектов и 26 региональных акцентов. Также карточка описывает распознавание пения и рэпа, работу с фоновой музыкой, дальним звуком и шумными условиями, а метаданные указывают многоязычную поддержку. Репозиторий использует FunASR и формат PyTorch. Лицензия — Apache 2.0.

В карточке упомянута точность до 93% для дальнего звука и шумной среды, но методика и условия этого показателя в доступном тексте не раскрыты. Возврат временных меток и диаризация говорящих перечислены как TODO, поэтому эти возможности не следует считать поддерживаемыми этой версией.

Сценарии применения

  • потоковая транскрипция речи с низкой задержкой
  • распознавание китайской речи с диалектами и региональными акцентами
  • распознавание английской и японской речи
  • транскрипция записей из шумных помещений и с дальнего микрофона
  • распознавание слов в песнях и рэпе

Ограничения

Диаризация говорящих и возврат временных меток указаны в README как TODO. Заявление о точности до 93% для шумных условий не сопровождается в доступном тексте описанием методики и условий измерения.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

⭐ Powered by FunASR — please give us a GitHub Star!

This model is part of the FunASR ecosystem — one industrial-grade open-source toolkit for ASR · VAD · punctuation · speaker diarization · emotion / event · LLM-ASR. A Star really helps the project (and keeps you updated):

🌟 FunASR · 🌟 SenseVoice · 🌟 Fun-ASR · 🌟 FunClip

⚡ CPU / edge — no GPU, no Python: run Fun-ASR-Nano as a single self-contained binary via llama.cpp / GGUF (like whisper.cpp), with built-in VAD. Prebuilt binaries + one-command model download → Fun-ASR-Nano-GGUF · runtime · guide

Fun-ASR

「简体中文」|「English」

Fun-ASR is an end-to-end speech recognition large model launched by Tongyi Lab. It is trained on tens of millions of hours of real speech data, possessing powerful contextual understanding capabilities and industry adaptability. It supports low-latency real-time transcription and covers 31 languages. It excels in vertical domains such as education and finance, accurately recognizing professional terminology and industry expressions, effectively addressing challenges like "hallucination" generation and language confusion, achieving "clear hearing, understanding meaning, and accurate writing."

Model Repository: modelscope, huggingface

Online Experience: ModelScope Community Space, huggingface space

Model NameTask DetailsTraining DataParameters
Fun-ASR-Nano (⭐ 🤗)Speech recognition supports Chinese, English, and Japanese. Chinese includes support for 7 dialects (Wu, Cantonese, Min, Hakka, Gan, Xiang, Jin) and 26 regional accents (Henan, Shanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi and more than 20 other regions). English and Japanese cover multiple regional accents. Additional features include lyric recognition and rap speech recognition.Tens of millions of hours800M
Fun-ASR-MLT-Nano (⭐ 🤗)Speech recognition supports Chinese, English, Cantonese, Japanese, Korean, Vietnamese, Indonesian, Thai, Malay, Filipino, Arabic, Hindi, Bulgarian, Croatian, Czech, Danish, Dutch, Estonian, Finnish, Greek, Hungarian, Irish, Latvian, Lithuanian, Maltese, Polish, Portuguese, Romanian, Slovak, Slovenian, Swedish, and 31 languages in total.Hundreds of thousands of hours800M

What's New 🔥

  • 2025/12: Fun-ASR-Nano-2512 is an end-to-end speech recognition large model trained on tens of millions of hours real speech data. It supports low-latency real-time transcription and covers 31 languages.
  • 2024/7: FunASR is a fundamental speech recognition toolkit that offers a variety of features, including speech recognition (ASR), Voice Activity Detection (VAD), Punctuation Restoration, Language Models, Speaker Verification, Speaker Diarization and multi-talker ASR.

Core Features 🎯

Fun-ASR focuses on high-precision speech recognition, multi-language support, and industry customization capabilities

  • Far-field High-noise Recognition: Deeply optimized for far-distance sound pickup and high-noise scenarios (such as conference rooms, in-vehicle environments, industrial sites, etc.), improving recognition accuracy to 93%.
  • Chinese Dialects and Regional Accents:
    • Supports 7 major dialects: Wu, Cantonese, Min, Hakka, Gan, Xiang, Jin
    • Covers 26 regional accents: including Henan, Shaanxi, Hubei, Sichuan, Chongqing, Yunnan, Guizhou, Guangdong, Guangxi and more than 20 other regions
  • Multi-language Free Speech: Supports recognition of 31 languages, with focused optimization on East and Southeast Asian languages, supporting free language switching and mixed recognition.
  • Music Background Lyric Recognition: Enhanced speech recognition performance under music background interference, supporting accurate recognition of lyric content in songs.

Environment Setup 🐍

git clone https://github.com/FunAudioLLM/Fun-ASR.git
cd Fun-ASR
pip install -r requirements.txt

TODO

  • Support returning timestamps
  • Support speaker diarization
  • Support model training

Usage 🛠️

Inference

Using funasr for inference

from funasr import AutoModel


def main():
    model_dir = "FunAudioLLM/Fun-ASR-Nano-2512"
    model = AutoModel(
        model=model_dir,
        hub="hf",
        trust_remote_code=True,
        device="cuda:0",
    )

    wav_path = f"{model.model_path}/example/zh.mp3"
    res = model.generate(
        input=[wav_path],
        cache={},
        batch_size=1,
        hotwords=["开放时间"],
        # 中文、英文、日文 for Fun-ASR-Nano-2512
        # 中文、英文、粤语、日文、韩文、越南语、印尼语、泰语、马来语、菲律宾语、阿拉伯语、
        # 印地语、保加利亚语、克罗地亚语、捷克语、丹麦语、荷兰语、爱沙尼亚语、芬兰语、希腊语、
        # 匈牙利语、爱尔兰语、拉脱维亚语、立陶宛语、马耳他语、波兰语、葡萄牙语、罗马尼亚语、
        # 斯洛伐克语、斯洛文尼亚语、瑞典语 for Fun-ASR-MLT-Nano-2512
        language="中文",
        itn=True, # or False
    )
    text = res[0]["text"]
    print(text)

    model = AutoModel(
        model=model_dir,
        hub="hf",
        trust_remote_code=True,
        vad_model="funasr/fsmn-vad",
        vad_kwargs={"max_single_segment_time": 30000},
        device="cuda:0",
    )
    res = model.generate(input=[wav_path], cache={}, batch_size=1)
    text = res[0]["text"]
    print(text)


if __name__ == "__main__":
    main()

Direct Inference

from model import FunASRNano


def main():
    model_dir = "FunAudioLLM/Fun-ASR-Nano-2512"
    m, kwargs = FunASRNano.from_pretrained(model=model_dir, device="cuda:0")
    m.eval()

    wav_path = f"{kwargs['model_path']}/example/zh.mp3"
    res = m.inference(data_in=[wav_path], **kwargs)
    text = res[0][0]["text"]
    print(text)


if __name__ == "__main__":
    main()
  • model_dir: Model name or local disk model path.
  • trust_remote_code: Whether to trust remote code for loading custom model implementations.
  • remote_code: Specify the location of specific model code (e.g., model.py in the current directory), supporting both absolute and relative paths.
  • device: Specify the device to use, such as "cuda:0" or "cpu".

Performance 📝

We evaluated Fun-ASR against other state-of-the-art models on open-source benchmarks, Chinese dialect datasets, and industry-specific test sets. The results demonstrate that Fun-ASR achieves superior performance across various scenarios.

1. Open-Source Dataset Performance (WER %)

Test setGLM-ASR-nanoGLM-ASR-nano*Whisper-large-v3Seed-ASRSeed-ASR*Kimi-AudioStep-Audio2FireRed-ASRFun-ASR-nanoFun-ASR
Model Size1.5B1.5B1.6B----1.1B0.8B7.7B
OpenSource✅✅✅❌❌✅✅✅✅❌
AIShell11.812.174.720.681.630.710.630.541.801.22
AIShell2-3.474.682.272.762.862.102.582.752.39
Fleurs-zh-3.655.183.433.233.112.684.812.562.53
Fleurs-en5.786.956.239.399.396.993.0310.795.964.74
Librispeech-clean2.002.171.861.582.81.321.171.841.761.51
Librispeech-other4.194.433.432.845.692.632.424.524.333.03
WenetSpeech Meeting6.738.2118.395.697.076.244.754.956.606.17
WenetSpeech Net-6.3311.894.664.846.454.674.946.015.46

Note: Seed-ASR* results are evaluated using the official API on volcengine; GLM-ASR-nano* results are evaluated using the open-source checkpoint.

2. Industry Dataset Performance (WER %)

Test setGLM-ASR-NanoWhisper-large-v3Seed-ASRFireRed-ASRKimi-AudioParaformer v2Fun-ASR-nanoFun-ASR
Model Size1.5B1.6B-1.1B8B0.2B0.8B7.7B
OpenSource✅✅❌✅✅✅✅❌
Nearfield16.9516.587.2010.109.028.117.796.31
Farfield9.4422.214.597.4910.959.555.794.34
Complex Background23.7932.5712.9015.5615.5615.1914.5911.45
English General16.4718.5615.6521.6218.1219.4815.2813.73
Opensource4.677.053.835.313.796.234.223.38
Dialect54.2166.1429.4552.8271.9441.1628.1815.21
Accent19.7836.0310.2314.0527.2017.8012.9010.31
Lyrics46.5654.8230.2642.8765.1850.1430.8521.00
Hiphop43.3246.5629.4633.8857.2543.7930.8728.58
Average26.1333.3915.9522.6331.0023.4916.7212.70

Citations

@article{an2025fun,
  title={Fun-ASR Technical Report},
  author={An, Keyu and Chen, Yanni and Deng, Chong and Gao, Changfeng and Gao, Zhifu and Gong, Bo and Li, Xiangang and Li, Yabin and Lv, Xiang and Ji, Yunjie and others},
  journal={arXiv preprint arXiv:2509.12508},
  year={2025}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · funasr

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
272c57b

0 моделей