[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-FireRedTeam--FireRedASR":3,"tool-FireRedTeam--FireRedASR":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",153609,2,"2026-04-13T11:34:59",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":75,"owner_url":76,"languages":77,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":10,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":103,"github_topics":106,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":117,"updated_at":118,"faqs":119,"releases":160},7206,"FireRedTeam\u002FFireRedASR","FireRedASR","Open-source industrial-grade ASR models supporting Mandarin, Chinese dialects and English, achieving a new SOTA on public Mandarin ASR benchmarks, while also offering outstanding singing lyrics recognition capability.","FireRedASR 是一套开源的工业级自动语音识别（ASR）模型家族，专为高精度处理普通话、中文方言及英语而设计。它不仅刷新了公开中文语音识别基准的最佳性能记录，还具备出色的歌曲歌词识别能力，有效解决了传统模型在复杂声学环境、多语言混合及歌唱场景下识别率低的技术难题。\n\n该工具特别适合开发者、算法研究人员以及需要构建高质量语音交互应用的企业团队使用。无论是开发智能客服、会议转录系统，还是进行多语言语音数据分析，FireRedASR 都能提供强有力的支持。\n\n其核心技术亮点在于提供了两种差异化架构以满足不同需求：FireRedASR-LLM 版本结合大语言模型能力，实现了端到端的流畅语音交互，适合追求极致效果的场景；FireRedASR-AED 版本则基于注意力编码器 - 解码器架构，在保持高性能的同时大幅优化了计算效率。此外，最新推出的 FireRedASR2S 系统更是集成了语音活动检测（VAD）、语言识别（LID）和标点恢复（Punc）模块，所有组件均达到业界领先水平，为用户提供了一站式的高效解决方案。","\u003Cdiv align=\"center\">\n\u003Ch1>FireRedASR: Open-Source Industrial-Grade\n\u003Cbr>\nAutomatic Speech Recognition Models\u003C\u002Fh1>\n\n\u003C\u002Fdiv>\n\n[[Paper]](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2501.14350)\n[[Model]](https:\u002F\u002Fhuggingface.co\u002Ffireredteam)\n[[Blog]](https:\u002F\u002Ffireredteam.github.io\u002Fdemos\u002Ffirered_asr\u002F)\n[[Demo]](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FFireRedTeam\u002FFireRedASR)\n\n**FireRedASR2S has been open-sourced! Welcome to try it! https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR2S**\n\n**FireRedASR2S is a state-of-the-art (SOTA), industrial-grade, all-in-one ASR system with ASR, VAD, LID, and Punc modules. All modules achieve SOTA performance.**\n\nFireRedASR is a family of open-source industrial-grade automatic speech recognition (ASR) models supporting Mandarin, Chinese dialects and English, achieving a new state-of-the-art (SOTA) on public Mandarin ASR benchmarks, while also offering outstanding singing lyrics recognition capability.\n\n\n## 🔥 News\n- [2026.02.25] We release **[FireRedASR2-LLM](https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR2S) model weights**. [🤗](https:\u002F\u002Fhuggingface.co\u002FFireRedTeam\u002FFireRedASR2-LLM) [🤖](https:\u002F\u002Fwww.modelscope.cn\u002Fmodels\u002Fxukaituo\u002FFireRedASR2-LLM\u002F)\n- [2026.02.12] We release [FireRedASR2S](https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR2S) (FireRedASR2-AED, FireRedVAD, FireRedLID, and FireRedPunc) with model weights and inference code. See https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR2S\n- [2025.02.17] We release [FireRedASR-LLM-L](https:\u002F\u002Fhuggingface.co\u002Ffireredteam\u002FFireRedASR-LLM-L\u002Ftree\u002Fmain) model weights.\n- [2025.01.24] We release [technical report](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2501.14350), [blog](https:\u002F\u002Ffireredteam.github.io\u002Fdemos\u002Ffirered_asr\u002F), and [FireRedASR-AED-L](https:\u002F\u002Fhuggingface.co\u002Ffireredteam\u002FFireRedASR-AED-L\u002Ftree\u002Fmain) model weights.\n\n\n## Method\n\nFireRedASR is designed to meet diverse requirements in superior performance and optimal efficiency across various applications. It comprises two variants:\n- FireRedASR-LLM: Designed to achieve state-of-the-art (SOTA) performance and to enable seamless end-to-end speech interaction. It adopts an Encoder-Adapter-LLM framework leveraging large language model (LLM) capabilities.\n- FireRedASR-AED: Designed to balance high performance and computational efficiency and to serve as an effective speech representation module in LLM-based speech models. It utilizes an Attention-based Encoder-Decoder (AED) architecture.\n\n![Model](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFireRedTeam_FireRedASR_readme_bb07a5f1cee4.png)\n\n\n## Evaluation\nResults are reported in Character Error Rate (CER%) for Chinese and Word Error Rate (WER%) for English.\n\n### Evaluation on Public Mandarin ASR Benchmarks\n| Model            | #Params | aishell1 | aishell2 | ws\\_net  | ws\\_meeting | Average-4 |\n|:----------------:|:-------:|:--------:|:--------:|:--------:|:-----------:|:---------:|\n| FireRedASR-LLM   | 8.3B | 0.76 | 2.15 | 4.60 | 4.67 | 3.05 |\n| FireRedASR-AED   | 1.1B | 0.55 | 2.52 | 4.88 | 4.76 | 3.18 |\n| Seed-ASR         | 12B+ | 0.68 | 2.27 | 4.66 | 5.69 | 3.33 |\n| Qwen-Audio       | 8.4B | 1.30 | 3.10 | 9.50 | 10.87 | 6.19 |\n| SenseVoice-L     | 1.6B | 2.09 | 3.04 | 6.01 | 6.73 | 4.47 |\n| Whisper-Large-v3 | 1.6B | 5.14 | 4.96 | 10.48 | 18.87 | 9.86 |\n| Paraformer-Large | 0.2B | 1.68 | 2.85 | 6.74 | 6.97 | 4.56 |\n\n`ws` means WenetSpeech.\n\n### Evaluation on Public Chinese Dialect and English ASR Benchmarks\n|Test Set       | KeSpeech | LibriSpeech test-clean | LibriSpeech test-other  |\n| :------------:| :------: | :--------------------: | :----------------------:|\n|FireRedASR-LLM | 3.56 | 1.73 | 3.67 |\n|FireRedASR-AED | 4.48 | 1.93 | 4.44 |\n|Previous SOTA Results | 6.70 | 1.82 | 3.50 |\n\n\n## Usage\nDownload model files from [huggingface](https:\u002F\u002Fhuggingface.co\u002Ffireredteam) and place them in the folder `pretrained_models`.\n\nIf you want to use `FireRedASR-LLM-L`, you also need to download [Qwen2-7B-Instruct](https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen2-7B-Instruct) and place it in the folder `pretrained_models`. Then, go to folder `FireRedASR-LLM-L` and run `$ ln -s ..\u002FQwen2-7B-Instruct`\n\n\n### Setup\nCreate a Python environment and install dependencies\n```bash\n$ git clone https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR.git\n$ conda create --name fireredasr python=3.10\n$ conda activate fireredasr\n$ pip install -r requirements.txt\n```\n\nSet up Linux PATH and PYTHONPATH\n```\n$ export PATH=$PWD\u002Ffireredasr\u002F:$PWD\u002Ffireredasr\u002Futils\u002F:$PATH\n$ export PYTHONPATH=$PWD\u002F:$PYTHONPATH\n```\n\nConvert audio to 16kHz 16-bit PCM format\n```\nffmpeg -i input_audio -ar 16000 -ac 1 -acodec pcm_s16le -f wav output.wav\n```\n\n### Quick Start\n```bash\n$ cd examples\n$ bash inference_fireredasr_aed.sh\n$ bash inference_fireredasr_llm.sh\n```\n\n### Command-line Usage\n```bash\n$ speech2text.py --help\n$ speech2text.py --wav_path examples\u002Fwav\u002FBAC009S0764W0121.wav --asr_type \"aed\" --model_dir pretrained_models\u002FFireRedASR-AED-L\n$ speech2text.py --wav_path examples\u002Fwav\u002FBAC009S0764W0121.wav --asr_type \"llm\" --model_dir pretrained_models\u002FFireRedASR-LLM-L\n```\n\n### Python Usage\n```python\nfrom fireredasr.models.fireredasr import FireRedAsr\n\nbatch_uttid = [\"BAC009S0764W0121\"]\nbatch_wav_path = [\"examples\u002Fwav\u002FBAC009S0764W0121.wav\"]\n\n# FireRedASR-AED\nmodel = FireRedAsr.from_pretrained(\"aed\", \"pretrained_models\u002FFireRedASR-AED-L\")\nresults = model.transcribe(\n    batch_uttid,\n    batch_wav_path,\n    {\n        \"use_gpu\": 1,\n        \"beam_size\": 3,\n        \"nbest\": 1,\n        \"decode_max_len\": 0,\n        \"softmax_smoothing\": 1.25,\n        \"aed_length_penalty\": 0.6,\n        \"eos_penalty\": 1.0\n    }\n)\nprint(results)\n\n\n# FireRedASR-LLM\nmodel = FireRedAsr.from_pretrained(\"llm\", \"pretrained_models\u002FFireRedASR-LLM-L\")\nresults = model.transcribe(\n    batch_uttid,\n    batch_wav_path,\n    {\n        \"use_gpu\": 1,\n        \"beam_size\": 3,\n        \"decode_max_len\": 0,\n        \"decode_min_len\": 0,\n        \"repetition_penalty\": 3.0,\n        \"llm_length_penalty\": 1.0,\n        \"temperature\": 1.0\n    }\n)\nprint(results)\n```\n\n## Usage Tips\n### Batch Beam Search\n- When performing batch beam search with FireRedASR-LLM, please ensure that the input lengths of the utterances are similar. If there are significant differences in utterance lengths, shorter utterances may experience repetition issues. You can either sort your dataset by length or set `batch_size` to 1 to avoid the repetition issue.\n\n### Input Length Limitations\n- FireRedASR-AED supports audio input up to 60s. Input longer than 60s may cause hallucination issues, and input exceeding 200s will trigger positional encoding errors.\n- FireRedASR-LLM supports audio input up to 30s. The behavior for longer input is currently unknown.\n\n\n## Acknowledgements\nThanks to the following open-source works:\n- [Qwen2-7B-Instruct](https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen2-7B-Instruct)\n- [icefall\u002FASR_LLM](https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Ficefall\u002Ftree\u002Fmaster\u002Fegs\u002Fspeech_llm\u002FASR_LLM)\n- [WeNet](https:\u002F\u002Fgithub.com\u002Fwenet-e2e\u002Fwenet)\n- [Speech-Transformer](https:\u002F\u002Fgithub.com\u002Fkaituoxu\u002FSpeech-Transformer)\n\n\n## Citation\n```bibtex\n@article{xu2025fireredasr,\n  title={FireRedASR: Open-Source Industrial-Grade Mandarin Speech Recognition Models from Encoder-Decoder to LLM Integration},\n  author={Xu, Kai-Tuo and Xie, Feng-Long and Tang, Xu and Hu, Yao},\n  journal={arXiv preprint arXiv:2501.14350},\n  year={2025}\n}\n```\n","\u003Cdiv align=\"center\">\n\u003Ch1>FireRedASR：开源工业级\n\u003Cbr>\n自动语音识别模型\u003C\u002Fh1>\n\n\u003C\u002Fdiv>\n\n[[论文]](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2501.14350)\n[[模型]](https:\u002F\u002Fhuggingface.co\u002Ffireredteam)\n[[博客]](https:\u002F\u002Ffireredteam.github.io\u002Fdemos\u002Ffirered_asr\u002F)\n[[演示]](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FFireRedTeam\u002FFireRedASR)\n\n**FireRedASR2S 已开源！欢迎试用！https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR2S**\n\n**FireRedASR2S 是一款最先进的、工业级的多合一 ASR 系统，包含 ASR、VAD、LID 和 Punc 模块。所有模块均达到 SOTA 性能。**\n\nFireRedASR 是一系列开源的工业级自动语音识别（ASR）模型，支持普通话、汉语方言和英语，在公开的普通话 ASR 基准测试中达到了新的 SOTA 水平，同时还具备出色的歌曲歌词识别能力。\n\n\n## 🔥 最新消息\n- [2026.02.25] 我们发布了 **[FireRedASR2-LLM](https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR2S) 模型权重**。[🤗](https:\u002F\u002Fhuggingface.co\u002FFireRedTeam\u002FFireRedASR2-LLM) [🤖](https:\u002F\u002Fwww.modelscope.cn\u002Fmodels\u002Fxukaituo\u002FFireRedASR2-LLM\u002F)\n- [2026.02.12] 我们发布了 [FireRedASR2S](https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR2S)（FireRedASR2-AED、FireRedVAD、FireRedLID 和 FireRedPunc），附带模型权重和推理代码。详情请见 https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR2S\n- [2025.02.17] 我们发布了 [FireRedASR-LLM-L](https:\u002F\u002Fhuggingface.co\u002Ffireredteam\u002FFireRedASR-LLM-L\u002Ftree\u002Fmain) 模型权重。\n- [2025.01.24] 我们发布了 [技术报告](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2501.14350)，[博客](https:\u002F\u002Ffireredteam.github.io\u002Fdemos\u002Ffirered_asr\u002F)以及 [FireRedASR-AED-L](https:\u002F\u002Fhuggingface.co\u002Ffireredteam\u002FFireRedASR-AED-L\u002Ftree\u002Fmain) 模型权重。\n\n\n## 方法\nFireRedASR 旨在满足各种应用场景下对卓越性能和最佳效率的多样化需求。它包含两个变体：\n- FireRedASR-LLM：旨在实现最先进的（SOTA）性能，并支持无缝的端到端语音交互。该模型采用基于大语言模型（LLM）能力的编码器-适配器-LLM 架构。\n- FireRedASR-AED：旨在平衡高性能与计算效率，作为基于 LLM 的语音模型中的有效语音表示模块。它使用基于注意力的编码器-解码器（AED）架构。\n\n![模型](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFireRedTeam_FireRedASR_readme_bb07a5f1cee4.png)\n\n\n## 评估\n结果以中文的字符错误率（CER%）和英文的词错误率（WER%）来报告。\n\n### 公开普通话 ASR 基准测试评估\n| 模型            | 参数量 | aishell1 | aishell2 | ws\\_net  | ws\\_meeting | 平均-4 |\n|:----------------:|:-------:|:--------:|:--------:|:--------:|:-----------:|:---------:|\n| FireRedASR-LLM   | 8.3B | 0.76 | 2.15 | 4.60 | 4.67 | 3.05 |\n| FireRedASR-AED   | 1.1B | 0.55 | 2.52 | 4.88 | 4.76 | 3.18 |\n| Seed-ASR         | 12B+ | 0.68 | 2.27 | 4.66 | 5.69 | 3.33 |\n| Qwen-Audio       | 8.4B | 1.30 | 3.10 | 9.50 | 10.87 | 6.19 |\n| SenseVoice-L     | 1.6B | 2.09 | 3.04 | 6.01 | 6.73 | 4.47 |\n| Whisper-Large-v3 | 1.6B | 5.14 | 4.96 | 10.48 | 18.87 | 9.86 |\n| Paraformer-Large | 0.2B | 1.68 | 2.85 | 6.74 | 6.97 | 4.56 |\n\n`ws` 表示 WenetSpeech。\n\n### 公开汉语方言及英语 ASR 基准测试评估\n|测试集       | KeSpeech | LibriSpeech test-clean | LibriSpeech test-other  |\n| :------------:| :------: | :--------------------: | :----------------------:|\n|FireRedASR-LLM | 3.56 | 1.73 | 3.67 |\n|FireRedASR-AED | 4.48 | 1.93 | 4.44 |\n|之前的 SOTA 结果 | 6.70 | 1.82 | 3.50 |\n\n\n## 使用方法\n从 [huggingface](https:\u002F\u002Fhuggingface.co\u002Ffireredteam) 下载模型文件，并将其放置在 `pretrained_models` 文件夹中。\n\n如果您想使用 `FireRedASR-LLM-L`，还需要下载 [Qwen2-7B-Instruct](https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen2-7B-Instruct) 并将其放入 `pretrained_models` 文件夹中。然后，进入 `FireRedASR-LLM-L` 文件夹并运行 `$ ln -s ..\u002FQwen2-7B-Instruct`\n\n\n### 设置\n创建 Python 环境并安装依赖项\n```bash\n$ git clone https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR.git\n$ conda create --name fireredasr python=3.10\n$ conda activate fireredasr\n$ pip install -r requirements.txt\n```\n\n设置 Linux PATH 和 PYTHONPATH\n```\n$ export PATH=$PWD\u002Ffireredasr\u002F:$PWD\u002Ffireredasr\u002Futils\u002F:$PATH\n$ export PYTHONPATH=$PWD\u002F:$PYTHONPATH\n```\n\n将音频转换为 16kHz 16 位 PCM 格式\n```\nffmpeg -i input_audio -ar 16000 -ac 1 -acodec pcm_s16le -f wav output.wav\n```\n\n### 快速入门\n```bash\n$ cd examples\n$ bash inference_fireredasr_aed.sh\n$ bash inference_fireredasr_llm.sh\n```\n\n### 命令行使用\n```bash\n$ speech2text.py --help\n$ speech2text.py --wav_path examples\u002Fwav\u002FBAC009S0764W0121.wav --asr_type \"aed\" --model_dir pretrained_models\u002FFireRedASR-AED-L\n$ speech2text.py --wav_path examples\u002Fwav\u002FBAC009S0764W0121.wav --asr_type \"llm\" --model_dir pretrained_models\u002FFireRedASR-LLM-L\n```\n\n### Python 使用\n```python\nfrom fireredasr.models.fireredasr import FireRedAsr\n\nbatch_uttid = [\"BAC009S0764W0121\"]\nbatch_wav_path = [\"examples\u002Fwav\u002FBAC009S0764W0121.wav\"]\n\n# FireRedASR-AED\nmodel = FireRedAsr.from_pretrained(\"aed\", \"pretrained_models\u002FFireRedASR-AED-L\")\nresults = model.transcribe(\n    batch_uttid,\n    batch_wav_path,\n    {\n        \"use_gpu\": 1,\n        \"beam_size\": 3,\n        \"nbest\": 1,\n        \"decode_max_len\": 0,\n        \"softmax_smoothing\": 1.25,\n        \"aed_length_penalty\": 0.6,\n        \"eos_penalty\": 1.0\n    }\n)\nprint(results)\n\n\n# FireRedASR-LLM\nmodel = FireRedAsr.from_pretrained(\"llm\", \"pretrained_models\u002FFireRedASR-LLM-L\")\nresults = model.transcribe(\n    batch_uttid,\n    batch_wav_path,\n    {\n        \"use_gpu\": 1,\n        \"beam_size\": 3,\n        \"decode_max_len\": 0,\n        \"decode_min_len\": 0,\n        \"repetition_penalty\": 3.0,\n        \"llm_length_penalty\": 1.0,\n        \"temperature\": 1.0\n    }\n)\nprint(results)\n```\n\n## 使用提示\n### 批量束搜索\n- 使用 FireRedASR-LLM 进行批量束搜索时，请确保输入话语的长度相近。如果话语长度差异较大，较短的话语可能会出现重复问题。您可以按长度对数据集进行排序，或者将 `batch_size` 设置为 1，以避免重复问题。\n\n### 输入长度限制\n- FireRedASR-AED 支持最长 60 秒的音频输入。超过 60 秒的输入可能会导致幻觉问题，而超过 200 秒的输入则会触发位置编码错误。\n- FireRedASR-LLM 支持最长 30 秒的音频输入。对于更长的输入，其行为目前尚不清楚。\n\n\n## 致谢\n感谢以下开源项目：\n- [Qwen2-7B-Instruct](https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen2-7B-Instruct)\n- [icefall\u002FASR_LLM](https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Ficefall\u002Ftree\u002Fmaster\u002Fegs\u002Fspeech_llm\u002FASR_LLM)\n- [WeNet](https:\u002F\u002Fgithub.com\u002Fwenet-e2e\u002Fwenet)\n- [Speech-Transformer](https:\u002F\u002Fgithub.com\u002Fkaituoxu\u002FSpeech-Transformer)\n\n## 引用\n```bibtex\n@article{xu2025fireredasr,\n  title={FireRedASR：从编码器-解码器到大语言模型集成的开源工业级中文语音识别模型},\n  author={徐凯拓和谢丰龙和唐旭和胡尧},\n  journal={arXiv预印本 arXiv:2501.14350},\n  year={2025}\n}\n```","# FireRedASR 快速上手指南\n\nFireRedASR 是一款开源的工业级自动语音识别（ASR）模型家族，支持普通话、中文方言及英语。它在公开中文基准测试中达到了最先进水平（SOTA），并具备出色的歌词识别能力。该工具提供两种主要变体：\n*   **FireRedASR-LLM**：基于 Encoder-Adapter-LLM 架构，追求极致性能，支持端到端语音交互。\n*   **FireRedASR-AED**：基于注意力编码器 - 解码器（AED）架构，平衡高性能与计算效率。\n\n## 环境准备\n\n*   **操作系统**：Linux\n*   **Python 版本**：3.10\n*   **硬件要求**：推荐使用 NVIDIA GPU 进行加速推理\n*   **前置依赖**：\n    *   `conda` (推荐用于环境管理)\n    *   `ffmpeg` (用于音频格式转换)\n    *   `git`\n\n> **注意**：若使用 `FireRedASR-LLM-L` 模型，需额外下载 [Qwen2-7B-Instruct](https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen2-7B-Instruct) 模型权重。国内用户可通过 [ModelScope (魔搭)](https:\u002F\u002Fwww.modelscope.cn\u002F) 获取相关模型加速下载。\n\n## 安装步骤\n\n### 1. 克隆代码库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR.git\ncd FireRedASR\n```\n\n### 2. 创建并激活 Python 环境\n```bash\nconda create --name fireredasr python=3.10\nconda activate fireredasr\npip install -r requirements.txt\n```\n> **提示**：国内用户建议使用清华或阿里镜像源加速 pip 安装：\n> `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 3. 配置环境变量\n```bash\nexport PATH=$PWD\u002Ffireredasr\u002F:$PWD\u002Ffireredasr\u002Futils\u002F:$PATH\nexport PYTHONPATH=$PWD\u002F:$PYTHONPATH\n```\n\n### 4. 准备模型权重\n从 [HuggingFace](https:\u002F\u002Fhuggingface.co\u002Ffireredteam) 或 [ModelScope](https:\u002F\u002Fwww.modelscope.cn\u002Fmodels\u002Fxukaituo\u002FFireRedASR2-LLM\u002F) 下载模型文件，并将其放入项目根目录下的 `pretrained_models` 文件夹中。\n\n**针对 FireRedASR-LLM-L 的特殊配置：**\n如果需要使用 LLM 版本，请下载 `Qwen2-7B-Instruct` 至 `pretrained_models` 目录，然后执行以下命令建立软链接：\n```bash\ncd pretrained_models\u002FFireRedASR-LLM-L\nln -s ..\u002FQwen2-7B-Instruct\ncd ..\u002F..\u002F\n```\n\n### 5. 音频预处理\n模型要求输入音频为 **16kHz, 16-bit, 单声道 PCM (WAV)** 格式。请使用 ffmpeg 转换音频：\n```bash\nffmpeg -i input_audio -ar 16000 -ac 1 -acodec pcm_s16le -f wav output.wav\n```\n\n## 基本使用\n\n### 方式一：命令行快速推理\n\n运行示例脚本或直接调用 `speech2text.py` 进行推理。\n\n**使用 AED 模型（高效版）：**\n```bash\nspeech2text.py --wav_path examples\u002Fwav\u002FBAC009S0764W0121.wav --asr_type \"aed\" --model_dir pretrained_models\u002FFireRedASR-AED-L\n```\n\n**使用 LLM 模型（高性能版）：**\n```bash\nspeech2text.py --wav_path examples\u002Fwav\u002FBAC009S0764W0121.wav --asr_type \"llm\" --model_dir pretrained_models\u002FFireRedASR-LLM-L\n```\n\n### 方式二：Python 代码调用\n\n以下是使用 Python API 进行批量转录的最小化示例：\n\n```python\nfrom fireredasr.models.fireredasr import FireRedAsr\n\nbatch_uttid = [\"BAC009S0764W0121\"]\nbatch_wav_path = [\"examples\u002Fwav\u002FBAC009S0764W0121.wav\"]\n\n# --- 方案 A: 使用 FireRedASR-AED ---\nmodel = FireRedAsr.from_pretrained(\"aed\", \"pretrained_models\u002FFireRedASR-AED-L\")\nresults = model.transcribe(\n    batch_uttid,\n    batch_wav_path,\n    {\n        \"use_gpu\": 1,\n        \"beam_size\": 3,\n        \"nbest\": 1,\n        \"decode_max_len\": 0,\n        \"softmax_smoothing\": 1.25,\n        \"aed_length_penalty\": 0.6,\n        \"eos_penalty\": 1.0\n    }\n)\nprint(\"AED Results:\", results)\n\n\n# --- 方案 B: 使用 FireRedASR-LLM ---\nmodel = FireRedAsr.from_pretrained(\"llm\", \"pretrained_models\u002FFireRedASR-LLM-L\")\nresults = model.transcribe(\n    batch_uttid,\n    batch_wav_path,\n    {\n        \"use_gpu\": 1,\n        \"beam_size\": 3,\n        \"decode_max_len\": 0,\n        \"decode_min_len\": 0,\n        \"repetition_penalty\": 3.0,\n        \"llm_length_penalty\": 1.0,\n        \"temperature\": 1.0\n    }\n)\nprint(\"LLM Results:\", results)\n```\n\n### 重要使用提示\n*   **输入长度限制**：\n    *   `FireRedASR-AED`：支持最长 **60 秒** 音频（超过 200 秒会报错）。\n    *   `FireRedASR-LLM`：支持最长 **30 秒** 音频。\n*   **Batch 推理建议**：使用 `FireRedASR-LLM` 进行批量 Beam Search 时，请确保批次内音频长度相近，否则短音频可能出现重复生成问题。如遇此情况，可将 `batch_size` 设为 1 或对数据集按长度排序。","某大型在线音乐平台的内容审核团队，每天需要处理数万小时的用户上传音频，涵盖普通话、各地方言翻唱及英文歌曲，亟需自动化提取歌词以进行版权比对和内容合规审查。\n\n### 没有 FireRedASR 时\n- **方言与歌声识别率低**：传统模型对粤语、四川话等方言翻唱几乎无法识别，且将歌唱语音误判为普通说话，导致大量歌词提取失败或乱码。\n- **多模型切换繁琐**：团队需分别部署语音检测（VAD）、语言识别（LID）和标点恢复模块，不同模型间数据格式不兼容，维护成本极高。\n- **长音频处理效率差**：面对长达数小时的直播录音或专辑串烧，现有方案常出现截断或延迟，无法满足实时审核需求。\n- **人工复核成本高**：由于自动转写错误率高，审核员需花费 70% 的时间手动修正字幕，严重拖慢内容上线速度。\n\n### 使用 FireRedASR 后\n- **歌声与方言精准识别**：FireRedASR 凭借卓越的唱歌歌词识别能力，能准确转录带有浓重口音的方言翻唱，即使是高音部分也能保持高准确率。\n- **一站式全链路解决**：FireRedASR2S 集成了 VAD、LID、ASR 和标点模块，单一模型即可输出带时间戳和标点的完整文本，大幅简化了技术架构。\n- **工业级高效推理**：得益于优化的 AED 架构，FireRedASR 在处理长音频时流式响应迅速，资源占用更低，实现了近实时的内容审核流程。\n- **人工干预大幅减少**：转写准确率提升至行业新标杆（SOTA），人工复核工作量降低至 15% 以下，审核团队得以专注于复杂的版权判定工作。\n\nFireRedASR 通过其对方言、歌声的卓越理解力及“多合一”的工业级架构，将音乐平台的音频内容处理效率提升了数倍，真正实现了从“听得见”到“听得懂”的跨越。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFireRedTeam_FireRedASR_64bab530.png","FireRedTeam","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FFireRedTeam_5699dc7e.png","小红书Super Intelligence部门下属基础算法实验室， Xiaohongshu Super Intelligence fundamental technology lab",null,"https:\u002F\u002Fgithub.com\u002FFireRedTeam",[78,82,86],{"name":79,"color":80,"percentage":81},"Python","#3572A5",96.1,{"name":83,"color":84,"percentage":85},"Shell","#89e051",3.4,{"name":87,"color":88,"percentage":89},"Dockerfile","#384d54",0.5,1844,160,"2026-04-13T09:32:43","Apache-2.0","Linux","可选（代码示例中 use_gpu=1），具体型号和显存未说明。FireRedASR-LLM 基于 Qwen2-7B，建议显存 16GB+；FireRedASR-AED 参数量较小，需求较低。CUDA 版本未说明。","未说明（FireRedASR-LLM 包含 7B+ 参数模型，建议 16GB+）",{"notes":98,"python":99,"dependencies":100},"1. 明确提及需设置 Linux 环境变量 (PATH, PYTHONPATH)，暗示主要支持 Linux。2. FireRedASR-LLM 需额外下载并链接 Qwen2-7B-Instruct 模型。3. 输入音频需预处理为 16kHz 16-bit PCM 格式。4. 输入长度限制：AED 模型最长支持 60 秒（超过 200 秒报错），LLM 模型最长支持 30 秒。5. LLM 模型进行批量推理时，若输入长度差异过大可能导致重复问题，建议排序或设置 batch_size=1。","3.10",[101,102],"requirements.txt 中定义的依赖（具体列表未在 README 中展示）","Qwen2-7B-Instruct (仅 FireRedASR-LLM 需要)",[14,35,104,105],"其他","音频",[107,108,109,110,111,112,113,114,115,116],"asr","industrial-grade","llm","multimodal-llm","open-source","speech-recognition","automatic-speech-recognition","conformer","speechllm","transformer","2026-03-27T02:49:30.150509","2026-04-14T03:08:19.974628",[120,125,130,135,140,145,150,155],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},32350,"模型是否支持标点符号和时间戳功能？","当前版本已在新项目 FireRedASR2S 中支持标点符号和时间戳功能。欢迎前往 https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR2S 体验。","https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR\u002Fissues\u002F47",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},32351,"官方模型支持流式识别吗？如果不支持如何实现？","官方模型本身不支持流式识别。但可以通过以下方式实现：\n1. 使用社区修改版：参考 https:\u002F\u002Fgithub.com\u002Fxphh\u002Ffireredasr-streaming，基于模型自回归特性修改推理代码，在 T4 显卡下延迟可控制在 200ms 以内。\n2. 自行微调：如果有数据，可以参考 Wenet 的 dynamicchunksize 和 CTC 等配置（参考 Wenet 示例中的 aishell 配置），按照 Wenet 的方式微调出一个支持流式的模型。","https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR\u002Fissues\u002F7",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},32352,"LLM 模型输出异常（如只输出 '%' 或单引号）如何解决？","该问题通常由显存不足或精度设置引起。解决方案如下：\n1. 检查音频数据采样率是否正确（应为 16k）。\n2. 如果使用的是 fp16 精度导致显存不够，建议改用 torch.bfloat16 精度进行推理。","https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR\u002Fissues\u002F71",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},32353,"如何处理超长音频（例如超过 20 分钟）的识别？","最佳实践是结合语音活动检测（VAD）进行分段处理：\n1. 使用官方的 SOTA VAD 工具：https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedVAD。\n2. 或者将音频切分为带重叠的时间块（例如每 30 秒一段，重叠 10 秒），分别获取转录文本后，再手动或使用 LLM 拼接成完整文本。\n3. 新项目 FireRedASR2S 也提供了相关支持：https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR2S。","https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR\u002Fissues\u002F57",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},32354,"如何对模型进行微调？是否有开源的微调代码？","目前可以通过以下途径进行微调：\n1. 使用 Wenet 框架：Wenet 目前已支持基于 release 版 AED 模型的微调，参考 PR: https:\u002F\u002Fgithub.com\u002Fwenet-e2e\u002Fwenet\u002Fpull\u002F2680。\n2. 社区项目：可以尝试 https:\u002F\u002Fgithub.com\u002FXiaoxx18\u002FFireRedASR-LLM 进行相关实验。\n注意：直接微调的效果可能因数据集已被预训练过而提升有限。","https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR\u002Fissues\u002F51",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},32355,"模型支持方言识别吗？需要设置特定参数吗？","当前主版本未明确提及方言参数设置。但新项目 FireRedASR2S 已经支持方言识别。如有方言识别需求，建议迁移至新项目体验：https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR2S。","https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR\u002Fissues\u002F64",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},32356,"评估脚本（wer.py）支持哪些语言？","目前的 utils\u002Fwer.py 仅在中文和英文上经过测试和运行。其他语言未做专门适配，直接使用可能会出现问题。如需支持其他语种（如粤语），需检查字符的 Unicode 编码是否在脚本支持的范围内。","https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR\u002Fissues\u002F72",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},32357,"会开源 XS\u002FS\u002FM 等小尺寸版本的模型吗？","目前暂时无法开源 XS\u002FS\u002FM 等小尺寸版本的模型。后续如果有变化，会在 README 的新闻板块中更新通知。","https:\u002F\u002Fgithub.com\u002FFireRedTeam\u002FFireRedASR\u002Fissues\u002F39",[]]