Kit de herramientas de reconocimiento de voz industrial para ASR, VAD y modelos de emoción.
Kit de herramientas de reconocimiento de voz industrial con despliegue sin conexión, en streaming y en el borde.
FunASR es un kit de herramientas de reconocimiento de voz de código abierto de nivel industrial que admite entrenamiento, inferencia, ASR en streaming, VAD, puntuación y diarización de hablantes. Es adecuado para desarrolladores e investigadores que necesitan transcripción de audio local de alto rendimiento.
El kit de herramientas ofrece modelos como SenseVoice y Paraformer para transcripción multilingüe, detección de actividad de voz, reconocimiento de emociones y clasificación de eventos de audio. Es compatible con integración en Python, una CLI para agentes y binarios GGUF a través de llama.cpp para CPU y dispositivos en el borde sin Python.
Es ideal para desarrolladores que crean aplicaciones de voz localizadas o investigadores que necesitan canalizaciones de voz en chino y multilingües precisas. No es adecuado para usuarios finales que busquen una aplicación de dictado con interfaz gráfica de escritorio que no requiera el uso de la línea de comandos.
Ejecuta puntos de conexión locales que coinciden con las API de transcripción de audio de OpenAI para una fácil integración.
Alimenta audio fragmento a fragmento para generar transcripciones en directo con tamaños de fragmento personalizados.
Analiza archivos de audio utilizando modelos emotion2vec para la detección de emociones a nivel de enunciado.
Ejecuta modelos como un único binario autocontenido a través de llama.cpp sin necesidad de Python.
Gratis bajo su licencia MIT, sin opciones de pago alojadas mencionadas en el repositorio. El único coste es ejecutarlo por cuenta propia en tu propio hardware.
873 puestos remotos abiertos de entrenamiento de IA, actualizados el 15 de noviembre de 2026; la mayoría paga $20–$170 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
Sí, puedes utilizar los binarios GGUF precompilados de llama.cpp para ejecutar modelos como SenseVoice como un único binario autocontenido en la CPU o en dispositivos en el borde.
Sí, puedes alimentar audio fragmento a fragmento en la configuración del modelo de streaming para obtener resultados de texto en tiempo real.
Ve Zekai primero en Google