模型能跑起来，只是项目的起点
FunASR 这类开源语音识别工具，真正吸引工程团队的地方不只是一张评测表。它把模型、数据处理和推理接口放在了一个可以继续调整的技术栈里，团队能够根据业务需要选择流式或非流式识别，也可以把标点恢复、时间戳、语音活动检测等环节接进自己的系统。
但从代码仓库启动一个示例，到让它稳定处理企业每天产生的录音，中间还有一段很长的路。生产环境里的问题往往不在模型论文里：音频格式五花八门，客户端会重复发送片段，网络断开后需要续传，长录音会占满内存，热词表更新后还要确认新词是否真的生效。模型只负责其中一部分，剩下的工作决定了系统能不能交付。
本文只讨论 FunASR 及同类 ASR 组件的通用工程问题。具体项目采用什么模型、是否进行参数微调，应以实际部署方案和许可范围为准。
先把音频入口管住
会议软件可能送来 48 kHz 双声道 PCM，电话系统则常见 8 kHz 单声道音频，上传的历史文件还会混入 MP3、AAC 或采样率标记不完整的文件。如果入口层没有统一处理，后面的模型会表现出一种很难排查的不稳定：同一批录音有的正常，有的延迟很高，还有的直接没有结果。
比较稳妥的做法，是在接入层先完成格式检查和转码，把采样率、位深、声道数、编码方式记录到任务元数据中。实时流不要简单地按固定秒数切割，还要结合 VAD 判断说话段落。切得太短，句子会被截断；切得太长，首字延迟和显存占用会同时上升。对于电话录音，双讲和背景音乐还会让 VAD 产生误判，需要在切片策略中留下重叠区，并在后处理阶段去重。
这一层还要负责幂等。客户端因为网络抖动重发同一个片段时，服务端应当能够识别任务编号和片段序号，避免结果被重复拼接。长音频任务则要保存已完成的分片，进程重启后从断点继续，而不是从头再跑。
推理服务不是把接口包一层
FunASR 的示例接口适合验证模型，却不等于生产服务。企业系统通常要同时处理实时会话和历史文件，两种任务对资源的要求不一样。实时会话关心首字延迟和连接稳定性，批量转写关心单位时间处理量和失败重试。如果两类请求共用一条没有优先级的队列，批量任务很容易把实时请求堵住。
调度层至少要知道当前设备的可用资源、每个请求预计占用的显存，以及任务属于实时还是离线。动态批处理可以减少设备空转，但批次等待时间不能无限增加。实际系统通常会设置一个很短的聚合窗口，超过窗口就立即发车；遇到长音频或高峰流量，则通过队列长度和处理耗时触发限流。
量化、算子替换和推理后端适配也不能只看单次速度。INT8 或更低精度可能降低显存占用，却会放大少数专业词的识别误差；某些算子在 CUDA 环境下很快，换到国产加速卡后可能落回 CPU。上线前应当固定硬件、音频类型和并发数，分别测首包时间、实时率、失败率和长任务恢复时间。只报告一个“提升多少倍”的数字，对采购和运维都没有帮助。
行业词表与微调不是一回事
客户经常把“加热词”“热词权重”和“模型微调”混在一起。热词表通常作用在解码或后处理环节，适合修正少量固定名词，更新速度快，风险也相对可控。微调则需要准备有标注或高质量校对的行业语料，改变的是模型对某类发音、表达和上下文的判断，验证周期更长。
医疗、金融、司法等场景里，单纯提高某个词的权重可能带来新的误识别。一个词在专业会议里出现频繁，不代表所有相近发音都应该被强行改成它。更可靠的做法是把术语按部门、业务线和版本管理，保留原始转写与修订记录，抽样检查误改情况，再决定是否进入下一轮训练。
说话人分离也需要单独验收。多人抢话、远场混响和麦克风串音会让分离结果波动，不能把“识别文字准确”直接等同于“说话人标签准确”。系统应允许人工修订，并在导出结果中保留时间戳，方便回听定位。
私有化交付的难点在系统边界
离线部署并不只是把模型文件复制到内网服务器。真正上线时，还要明确哪些数据留在本地、日志保存多久、谁可以查看原音频、升级包怎样进入隔离区，以及系统出现异常后由谁处理。WebSocket、HTTP 或 gRPC 只是接口形式，权限、审计、重试和备份才是客户长期使用时最常遇到的事情。
一个可维护的部署包，应当把模型版本、运行依赖、配置文件和回滚方式写清楚。容器化有利于环境复现，但不应掩盖底层驱动和加速卡差异。没有外网的环境还要提前准备镜像、证书、时间同步和监控组件，否则系统刚启动时能用，第二次升级就可能卡住。
开源 ASR 组件为企业提供了可研究、可适配的基础，生产系统的价值则体现在边界处理和持续维护上。判断一个离线语音项目是否成熟，不能只问“用了哪个模型”，还要看它是否能把音频接入、任务调度、识别结果、权限审计和故障恢复连成一条可验证的链路。对使用方来说，这些细节比一句“深度优化”更值得写进验收条款。
现场验收时，可以从一批真实录音开始，而不是只播放准备好的演示文件。让接入人员连续上传不同格式的音频，故意制造一次断线和一次重复提交，再检查任务编号、分片状态和结果文件。这样很快就能看出系统是否真正考虑了异常情况。
另一个容易被忽略的环节是结果交接。转写文本交给检索、质检或档案系统后，原音频的时间戳、说话人标签和模型版本不能丢掉。后续有人质疑某句话时，能够回到原始片段复听，系统才算留下了可核验的证据链。