fasr-asr-mega

English documentation: README_EN.md

Mega-ASR 语音识别插件，封装官方 xzf-thu/Mega-ASR 离线推理接口。插件包内已经包含官方 src/MegaASR 的推理源码，并裁剪掉训练、评测和数据下载代码。

首次使用时，插件会自动从 HuggingFace 下载权重（zhifeixie/Mega-ASR），无需手动准备。

当前插件只实现 FASR batch ASR 接口，不实现流式接口。

安装

pip install fasr-asr-mega

默认安装会带上 Transformers 推理后端所需的最小运行依赖，例如 qwen-asr、torch、torchaudio、safetensors、scipy、soundfile 和 huggingface-hub。不会安装官方仓库中训练、评测、Web UI 相关依赖。

如果需要使用 vLLM 后端，再安装 vLLM extra：

pip install "fasr-asr-mega[vllm]"

注册模型

流水线使用

from fasr import AudioPipeline

pipeline = (
    AudioPipeline()
    .add_pipe("detector", model="fsmn")
    .add_pipe(
        "recognizer",
        model="mega_asr",
        backend="transformers",
        routing_enabled=True,
    )
)

audios = pipeline.run("audio.wav")
print(audios[0].text)

首次运行时会自动下载权重到 ~/.cache/fasr/checkpoints/zhifeixie/Mega-ASR/。

Confection 配置

[asr_model]
@asr_models = "mega_asr"
backend = "transformers"
routing_enabled = true
quality_threshold = 0.5
language = null
device_map = null
quality_device = null
max_inference_batch_size = 32
max_new_tokens = 256
keep_delta_on_gpu = true

vLLM 后端示例：

[asr_model]
@asr_models = "mega_asr"
backend = "vllm"
routing_enabled = false
vllm_apply_lora_on_load = true
gpu_memory_utilization = 0.85
max_model_len = 8192
max_num_seqs = 1
max_num_batched_tokens = 2048

权重目录覆盖示例（不自动下载，使用本地已准备好的权重）：

[asr_model]
@asr_models = "mega_asr"
checkpoint = "/opt/mega-asr-ckpt"
endpoint = null

单独使用

from fasr.config import registry

model = registry.asr_models.get("mega_asr")(
    language="Chinese",
)

spans = model.transcribe(audio_spans)
for span in spans:
    print(span.text)

参数

输出

• 插件会填充 span.raw_text。
• 当前不返回词级或字级时间戳。
• 每个 AudioSpan 会临时写成 wav 文件再调用官方 MegaASR.infer()，这是为了兼容官方路由器当前以文件路径读取音频的实现。

第三方源码许可

插件内置的 Mega-ASR 源码来自 xzf-thu/Mega-ASR，许可证见 THIRD_PARTY_LICENSES/Mega-ASR_LICENSE，安装后的包内也保留在 fasr_asr_mega/_vendor/MegaASR/LICENSE。