README_ja.md

July 29, 2026 · View on GitHub

(English|简体中文|日本語|한국어)

FunASR

オフライン、ストリーミング、エッジ展開に対応する産業グレードの音声認識ツールキット。
ASR · VAD · 句読点 · 話者パイプライン · 感情/音声イベントモデル · OpenAI互換配信

PyPI Stars Downloads Docs

modelscope%2FFunASR | Trendshift

クイックスタート · Colab · モデル選択 · ベンチマーク · Migration guide · Use cases · Deployment matrix · モデル一覧 · Agent連携 · ドキュメント

クイックスタート

pip install funasr

from funasr import AutoModel

model = AutoModel(model="iic/SenseVoiceSmall", vad_model="fsmn-vad", spk_model="cam++", device="cuda")
result = model.generate(input="meeting.wav")

出力 — 話者ラベル・タイムスタンプ・句読点付きの構造化テキスト：

[00:00.4 → 00:03.8] 話者0: Q3の計画について話し合いましょう。
[00:04.2 → 00:07.1] 話者1: いいですね。3つのポイントがあります。
[00:07.5 → 00:12.3] 話者0: どうぞ。あと30分あります。

これは1回の AutoModel パイプライン呼び出しですが、SenseVoiceSmall、 FSMN-VAD、CAM++という独立したモデルを組み合わせています。話者分離は SenseVoiceSmall自体ではなく、CAM++によって提供されます。

初めて使う場合は Colab クイックスタート から試せます。どのモデルを選ぶか迷う場合は モデル選択ガイド を参照してください。

APIサーバーとしてデプロイ： funasr-server --device cuda → localhost:8000でOpenAI互換エンドポイント

AIエージェント連携： MCPサーバー Claude/Cursor対応 · OpenAI API LangChain/Dify/AutoGen対応

なぜFunASRを選ぶのか？

Whisper は単一モデルですが、FunASR はツールキットです——用途に応じて Fun-ASR-Nano（中・英・日と中国語方言・地域アクセント、GPU）、 Fun-ASR-MLT-Nano（31言語）、SenseVoiceSmall（5言語ASRと感情・ 音声イベント）、Paraformer（低遅延ストリーミング）を選べます。 下の表はツールキット全体の機能と、それを提供するモデルまたはパイプラインを示します：

FunASR（ツールキット）WhisperクラウドAPI
最高速度340倍リアルタイム（Fun-ASR-Nano + vLLM）13倍リアルタイム〜1倍リアルタイム
話者認識✅ VAD + CAM++パイプライン❌ pyannoteが必要✅ 追加料金
感情認識✅ SenseVoice による❌❌
言語数チェックポイントごとに異なる（例：Qwen3-ASR 52、MLT-Nano 31、Nano 中/英/日）57サービスにより異なる
ストリーミング✅ WebSocket（Paraformer）❌✅
CPU対応✅ 17倍リアルタイム（SenseVoice）❌ 遅すぎる該当なし
セルフホスト✅ 対応（ツールキット: MIT、モデルごとに異なる）✅ MITライセンス❌ クラウドのみ
コスト無料無料$0.006/分〜

ベンチマーク

184件の長時間音声（計192分）。詳細レポート →

モデル中国語 CER ↓GPU速度CPU速度Whisper-large-v3比
Fun-ASR-Nano（vLLM）8.20%340倍リアルタイム—🚀 26倍高速
SenseVoice-Small7.81%170倍リアルタイム17倍リアルタイム🚀 13倍高速
Paraformer-Large10.18%120倍リアルタイム15倍リアルタイム🚀 9倍高速
Whisper-large-v3-turbo21.71%46倍リアルタイム❌3.4倍高速
Whisper-large-v320.02%13倍リアルタイム❌ベースライン

ポイント： FunASRのCPU速度は、WhisperのGPU速度より速い。

最新情報

  • 2026/07/31：v1.4.0 を PyPI に公開 — AutoModel はモデルのダウンロード前に、よくある vda_model のスペルミスを拒否し、正しい vad_model を案内します。これにより、VAD に依存する分割、話者処理、sentence_info が気付かないまま無効になることを防ぎます。GitHub のソースリリースでは legacy WebSocket ファイルランタイムも更新され、クライアントは明示的な入力終了応答を待ち、サーバーは保留中の offline、online、2pass 音声を処理してから完了またはエラーを返します。Python パッケージのインストール：python -m pip install -U "funasr==1.4.0"。Release →
  • 2026/07/27：v1.3.30 を PyPI に公開 — WAV、MP3、FLAC、OGG、MP4/M4A、WebM などのコンテナ形式の音声バイト列を raw PCM と誤認せず、対応するコーデックでデコードするようになりました。OpenAI 互換レスポンスは話者ラベルを保持し、句読点が一致しない場合も VAD 区間時刻を保持します。信頼済みブラウザクライアント向け CORS と、vLLM の 30 秒 VAD 上限にも対応しました。GitHub Release には、デスクトップ／サーバー向け 9 ターゲットの最新 llama.cpp ビルドも同梱しています。インストール：python -m pip install -U "funasr==1.3.30"。Release →
  • 2026/07/24：v1.3.29 hotfix が PyPI に公開 — SenseVoice の長時間音声推論で word timestamp と句読点モデルがない場合でも、各 VAD 音声区間を sentence_info で返すようになりました。字幕クライアントは、ゼロ長またはメディア全体を覆う一つの cue ではなく、認識テキストと実際のミリ秒単位の開始・終了時刻を取得できます。インストール：python -m pip install -U "funasr==1.3.29"。Release →
  • 2026/07/24：v1.3.28 hotfix が PyPI に公開 — VAD で確定した realtime WebSocket の最終結果が短い接頭辞、反復 hallucination、または decode 例外へ退化した場合、現在の音声区間を連続して完全に覆う clean partial を保持します。短い STOP tail、VAD finalize、話者処理も同じ信頼できる完了経路に統一しました。SenseVoice 字幕は rich tag、句読点、word/BPE timestamp を正しく整列し、中国語を一つの cue に潰さず、英語表記も保持します。インストール：python -m pip install -U "funasr==1.3.28"。Release →
  • 2026/07/24：v1.3.27 が PyPI に公開 — OpenAI 互換サーバーが verbose_json で SenseVoice の検出言語を返し、vLLM fallback 後はキャッシュ済み Fun-ASR-Nano AutoModel を再利用します。vLLM/VAD 初期化と fallback の両方が失敗した場合は、半初期化状態を残さず、後続リクエストで再試行できます。インストール：python -m pip install -U "funasr==1.3.27"。Release →
  • 2026/07/23：v1.3.26 が PyPI に公開 — funasr-server --model fun-asr-nano --hub ms は ModelScope hub 指定を vLLM 経路と AutoModel fallback の両方で尊重します。インストール：python -m pip install -U "funasr==1.3.26"。Release →
  • 2026/07/23：llama.cpp runtime v0.1.9 — Windows Vulkan 向け funasr-llamacpp-windows-x64-vulkan.zip を追加。現在の AMD、Intel、NVIDIA Vulkan ドライバーで SenseVoiceSmall を単独実行できます。Linux Vulkan、Windows CUDA、CPU/AVX2、Linux arm64、macOS arm64 も引き続き提供します。Release →
  • 2026/07/22：llama.cpp runtime v0.1.8 — Linux Vulkan tarball と Windows CUDA zip を含む CPU/エッジ向け GGUF ランタイム。ダウンロードと手順：funasr.com/llama-cpp · Release →
  • 2026/05/24：v1.3.3 — funasr-server CLI、OpenAI互換API、MCPサーバー。pip install --upgrade funasr
  • 2026/05/20：Qwen3-ASR (0.6B/1.7B) 追加 — 52言語対応。
  • 2026/05/20：GLM-ASR-Nano (1.5B) 追加 — 17言語、方言対応。
  • 2026/05/19：Fun-ASR-NanoとSenseVoiceは、VADおよびCAM++と組み合わせて話者分離パイプラインを構成できます。
  • 2025/12/15：Fun-ASR-Nano-2512 — 中・英・日と中国語方言に対応。

インストール

pip install funasr

要件：Python ≥ 3.8、PyTorch ≥ 1.13、torchaudio

モデル一覧

モデルタスク言語パラメータリンク
Fun-ASR-Nano認識中/英/日 + 中国語方言800M⭐ 🤗 GGUF
Fun-ASR-MLT-Nano認識31言語800M⭐ 🤗
SenseVoiceSmall認識 + 感情 + イベント中/英/日/韓/粤234M⭐ 🤗 GGUF
Paraformer-zh認識 + タイムスタンプ中/英220M⭐ 🤗
Qwen3-ASR認識、52言語多言語1.7B使用法
GLM-ASR-Nano認識、17言語多言語1.5B使用法
Whisper-large-v3-turbo認識 + 翻訳多言語809M使用法

デプロイ

# OpenAI互換API（推奨）
pip install funasr fastapi uvicorn python-multipart
funasr-server --device cuda

# Dockerストリーミングサービス
docker pull registry.cn-hangzhou.aliyuncs.com/funasr_repo/funasr:funasr-runtime-sdk-online-cpu-0.1.12

CPU/エッジで Python なしのオフライン ASR が必要な場合は、llama.cpp / GGUF ランタイムを使えます：funasr.com/llama-cpp · Fun-ASR-Nano-GGUF · SenseVoiceSmall-GGUF。

Colab quickstart → · OpenAI API example → · Client recipes → · Workflow recipes → · Postman collection → · OpenAPI spec → · Security guide → · Deployment matrix → · デプロイドキュメント → · Agent連携 →

コミュニティ

📖 ドキュメント🐛 Issues
💬 Discussions🤗 HuggingFace

ライセンス

  • このリポジトリの FunASR ツールキットのソースコード: MIT License。
  • 事前学習済みモデルの重みは個別にライセンスされます。各モデルカードに記載されたライセンスを確認してください。モデルカードがこのリポジトリの FunASR Model Open Source License Agreement を参照している場合、その条件が適用されます。