本地部署 ASR + TTS 全攻略：FunASR + CosyVoice 一键上手指南

最近不少朋友都在折腾本地化的大模型应用，除了常见的文本对话，能“听懂人话”和“开口说话”的语音服务也成了刚需。很多想自己搭建一套语音系统的朋友，都在问同一个问题：我想在本地部署一套 ASR（语音识别）+ TTS（语音合成）服务，看上了 FunASR 和 CosyVoice，有没有现成的 Docker 一键包或者 WebUI 界面？

今天就带大家盘盘这个问题，不仅回答“有没有”，还要教你怎么选、怎么搭、怎么避坑。

为什么选 FunASR + CosyVoice？

FunASR和CosyVoice的组合是目前本地语音服务的热门选择。

在开始之前，我们先确认一下为什么这俩组合成了香饽饽。

• FunASR（阿里巴巴开源）： 这玩意儿在识别准确率和速度上表现非常出色，尤其是在中文语音识别方面，支持热词自定义，对一些专业术语或特定指令的识别非常友好。而且它对硬件的要求相对亲民，不像某些模型那样非得 4090 才能跑得动。
• CosyVoice（阿里通义实验室）： TTS 领域的新晋卷王。最大的卖点就是生成效果自然、情感表现力强，甚至能模拟语气词和呼吸停顿，完全没有以前那种“机器人念经”的感觉。

这一套组合拳下来，基本能满足高精度的语音交互需求，而且都来自同一家生态，集成起来兼容性好很多。

有没有现成的 Docker 或 WebUI？

这是大家最关心的。官方提供的模型大多是 Python 代码仓库，对于非开发人员来说，配环境简直是地狱。好消息是，社区已经跟进得很快了。

1. Docker 方案：省心首选

目前并没有官方发布的“标准版” Docker 镜像，但 GitHub 社区里有不少大佬已经封装好了。

基于Gradio的WebUI界面让语音交互变得直观易用。

• 推荐搜索关键词： 在GitHub等开源平台搜索 FunASR-Docker 或 CosyVoice-Docker。你会发现几个高 Star 的项目，它们通常基于 Conda 镜像构建，已经预装了 PyTorch 和必要的依赖。
• 优势： 环境隔离，不会污染宿主机系统。通常一个 docker-compose up 就能把依赖服务（如 MySQL/Redis，如果需要的话）和主程序拉起来。
• 注意点： 容器内的 GPU 显卡调用（NVIDIA Container Toolkit）是重灾区。如果你的宿主机显卡驱动版本较旧，可能需要升级驱动，否则容器内会报错 CUDA out of memory 或者找不到显卡。

2. WebUI 方案：小白福音

谁不想有个可视化界面点点点就能用呢？

• 集成项目现状： 目前流行的是基于 Gradio 封装的 WebUI。有一些开源项目已经尝试将 FunASR 的识别功能和 CosyVoice 的合成功能集成到同一个 Web 页面中。左边上传录音转文字，右边输入文字转音频，流程非常丝滑。
• 功能亮点： 很多 WebUI 不仅提供基础转换，还集成了“文本中英文混合自动切分”、“情感参数调节（如悲伤、兴奋）”等高级功能。
• 获取方式： 建议关注一些专注于 AI 工具集成的开源组织或个人主页。通常这些项目会提供一个 app.py，直接运行即可生成一个本地 Web 链接（一般是 http://127.0.0.1:7860）。

部署实操与避坑指南

既然决定动手，这里有几条过来人的经验分享，能帮你少走两天弯路。

硬件配置建议

不要指望用核显跑出神速。虽然是“本地”部署，但 AI 离不开算力。

• 显卡： 至少 6GB 显存的 NVIDIA 显卡（如 3060）起步。如果你想体验 CosyVoice 的高质量模型，12GB 显存是更稳妥的门槛。
• 内存： 建议 16GB 以上。模型加载比较吃内存，尤其是当你同时跑 ASR 和 TTS 两个进程时。
• 硬盘： 预留 20GB 以上的 SSD 空间。模型文件通常都很大，放在机械硬盘上加载速度会让人抓狂。

常见问题解决

Q：启动 WebUI 后报错 ModuleNotFoundError？ A：这通常是依赖缺失。如果你用的是 Docker 镜像，多半是镜像没构建好；如果你是手动用 Python 虚拟环境部署，记得仔细核对 requirements.txt 里的 PyTorch 版本与你系统 CUDA 版本是否匹配。

Q：识别速度很慢，延迟很高？ A：首先检查是否真的在用 GPU 跑（用 nvidia-smi 看看显存占用）。其次，FunASR 有很多模型尺寸（如 Paraformer-large 和 Paraformer-small），如果是调试阶段，不妨先用小模型，速度会快很多。

Q：生成的语音有杂音或断断续续？ A：CosyVoice 对采样率比较敏感。在合成时，尽量确保输入文本没有特殊乱码字符，并在 WebUI 中调整生成的采样率设置（通常建议 22050Hz 或 24000Hz）。

最后一步：接入你的应用

当你 Docker 起来了，WebUI 也能通了，下一步就是如何调用它们。

大多数集成的 WebUI 或 Docker 服务都会预留 API 接口（通常是 RESTful API）。你需要做的就是在你自己的自动化脚本（如 Home Assistant、Python 机器人）中发送一个 HTTP 请求，传入音频文件或文本，拿到处理结果。

虽然目前官方还没有那种“安装即用”的商业级傻瓜安装包，但凭借现有的 Docker 和 WebUI 开源项目，稍微折腾一下，搭建一套属于自己的私人语音助理已经完全可行了。不想折腾云服务的隐私顾虑和费用成本的朋友，现在就可以动手试试了。