企业官网建设流程全解析

FunASR Paraformer 时间戳：5分钟拿到每个字的毫秒级位置

【免费下载链接】FunASROpen-source speech recognition toolkit for training, inference, streaming ASR, VAD, punctuation, speaker diarization pipelines, and OpenAI-compatible/MCP serving.项目地址: https://gitcode.com/GitHub_Trending/fun/FunASR

FunASR 的 Paraformer 时间戳功能让语音识别结果自带逐字毫秒级位置。看完这篇，你能用不到 10 行代码把音频里每个字钉在时间轴上，直接喂给字幕生成或关键词定位。

字幕生成时，你得知道"这个字在第几秒"

做字幕、会议转录、语音搜索，都绕不开同一个问题：识别出"今天天气真好"只是第一步，你还得知道"今天"出现在 0.12s、"真好"出现在 0.92s。几十分钟的录音手动标时间？根本干不完。Paraformer 时间戳功能就是解决这个的——每个字对应一对[start_ms, end_ms]，直接给。

先看看输出长什么样

跑通之后，generate()返回的结果大致如下：

text: "今天天气真好" timestamp: [[120, 380], [380, 650], [650, 920], [920, 1180]]

四个时间对，对应四个汉字。单位是毫秒。如果同时开了句子级时间戳，还会多一个sentence_info字段，按句切分并附带每句的起止时间。

三行代码跑通 Paraformer 时间戳

初始化 Paraformer 模型并调用generate()，关键参数在注释里标了"为什么需要它"：

from funasr import AutoModel model = AutoModel(model="paraformer-zh", vad_model="fsmn-vad", punc_model="ct-punc") result = model.generate( input="audio.wav", output_timestamp=True, # 没有它，timestamp 字段不会出现 sentence_timestamp=True, # 输出句子级时间戳，写入 sentence_info return_time_stamps=True, # 启用时间戳后处理与对齐 ) print(result[0]["text"]) print(result[0]["timestamp"])

paraformer-zh是 ModelScope 上的短名，等价于speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-pytorch。fsmn-vad负责长音频切段，ct-punc负责标点恢复，三者配合就是生产级中文 ASR 链路。

返回字段逐个拆解

踩过的坑，一个个说

结果里没有timestamp字段？原因：output_timestamp是generate()的运行参数，不是AutoModel的初始化参数。解法：每次调用generate()时显式传output_timestamp=True。

时间戳和文字对不上、错位？原因：Paraformer 按 16kHz 单声道设计，44.1kHz 的 MP3 直接塞进去，时间轴会漂。解法：先ffmpeg -i in.mp3 -ar 16000 -ac 1 out.wav转格式再喂给模型。

长音频后段的时间戳乱了？原因：VAD 切段后每段的时间戳是段内相对值。解法：fsmn-vad会自动做偏移补偿；如果你自己切段，记得手动加上段起始偏移。

想要句子级而不是字级时间戳？原因：默认timestamp是逐字的，字幕场景通常按句。解法：加sentence_timestamp=True，然后读sentence_info字段，每句自带start、end和该句所有字的时间戳。

下一步

• 接字幕生成：仓库里有现成脚本 generate_subtitle.py，把timestamp直接转成 SRT / VTT 格式，支持说话人标注。
• 长音频调优：vad_kwargs={"max_single_segment_time": 30000}控制 VAD 最大分段时长（毫秒），避免单段过长导致时间戳累积漂移。模型源码在 funasr/models/paraformer/，时间戳对齐逻辑在model.py里可以看到。

【免费下载链接】FunASROpen-source speech recognition toolkit for training, inference, streaming ASR, VAD, punctuation, speaker diarization pipelines, and OpenAI-compatible/MCP serving.项目地址: https://gitcode.com/GitHub_Trending/fun/FunASR