---
name: kb-funasr
description: 本地语音识别，支持音视频转文字（基于阿里 FunASR）
---

# KB FunASR Skill

**kb-funasr** - 本地语音识别，使用阿里 FunASR 将音视频文件转换为文本和 JSON 格式输出。

## 什么时候使用

当用户需要：
- 将视频/音频文件转换为文字
- 获取带时间戳的详细识别结果
- 需要中文优化的语音识别（Paraformer 模型）

## 环境变量

在使用之前，必须检查环境变量是否已经设置。

| 变量名 | 用途 | 示例 |
|--------|------|------|
| `FUNASR_CACHE_DIR` | FunASR 模型缓存目录 | `~/.cache/modelscope/hub` |

## 使用方法

```bash
# 基本用法（使用 Paraformer 模型）
python funasr.py --input video.mp4

# 指定模型
python funasr.py --input video.mp4 --model paraformer-zh

# 指定输出目录
python funasr.py --input video.mp4 --output ./output

# 异步执行（推荐）
python funasr.py --input video.mp4 --background
```

## 命令参数

| 参数 | 说明 | 默认值 |
|------|------|--------|
| `--input` | 输入音视频文件路径 | 必需 |
| `--model` | FunASR 模型类型 | `paraformer-zh` |
| `--output` | 输出目录 | 文件所在目录 |
| `--background` | 后台异步执行 | False |

## 模型选项

- `paraformer-zh` - Paraformer 中文模型（轻量，中文优化，推荐）
- `paraformer` - Paraformer 多语言模型
- `sensevoice` - SenseVoice 多语言模型

## 输出文件

对于输入 `video.mp4`，将生成：

- `video.json` - 详细结果（包含时间戳、分段信息）
- `video.txt` - 纯文本内容

## 输出格式示例

### JSON 格式

```json
{
  "success": true,
  "input_file": "video.mp4",
  "model": "paraformer-zh",
  "output_files": {
    "json": "video.json",
    "txt": "video.txt"
  },
  "duration_seconds": 120.5,
  "segments": [
    {
      "id": 0,
      "start": 0.0,
      "end": 3.2,
      "text": "这是第一段识别结果"
    }
  ]
}
```

## Workflow 中的使用

```bash
# 步骤4之后：如果已有音频但无字幕，可以使用 FunASR
python funasr.py --input ${video_path} --model paraformer-zh --background
```

## 安装

```bash
# 1. 安装依赖
pip install funasr modelscope

# 2. 首次运行时会自动下载模型到缓存目录
python funasr.py --input test.mp4

# 3. 复制技能到 skills 目录
cp -r kb-funasr/ ~/skills/
```

## 注意事项

- **异步执行**: 使用 `--background` 参数时，命令会在后台运行，不阻塞主代理
- **模型选择**: paraformer-zh 模型适合中文语音识别，速度较快，精度较高
- **文件格式**: 支持 MP3、MP4、WAV、FLAC、OGG、M4A 等常见格式
- **首次运行**: 首次运行时会自动下载模型文件，需要稳定的网络连接