背景痛点：环境依赖的“千层饼”
做语音项目的同学几乎都踩过同一口坑：PyTorch 版本要 1.13+，torchaudio 却和 CUDA 11.7 绑定；FunASR 又依赖 kaldiio、librosa、protobuf 等一堆“小版本敏感”的库。系统自带 Python 3.8 跑不起来，升到 3.10 又和旧模型推理脚本冲突。最惨的是，同一台服务器上跑着 NLP 服务，升级驱动后 TensorRT 直接罢工——典型的“依赖千层饼”现场。手动用 pip 逐个对齐版本，往往调通一个库，崩掉三个库，一下午就过去了。
技术选型：为什么锁定 Conda
虚拟环境工具不少，但落到语音识别这种“重依赖 + 多二进制包”场景，差异立刻显现：
- venv：轻量，但只能隔离 Python 层，CUDA、so 文件一旦升级，全局受影响。
- Docker：镜像可复现，可 GPU 直通，但开发阶段每次改两行代码就 build/run，调试效率低；公司内网镜像仓库同步也麻烦。
- Poetry/pipenv：锁版本厉害，却搞不定 C++ 扩展和 CUDA 运行时。
- Conda：既能隔离 Python，又能把 CUDA Toolkit、cuDNN、so 符号一并打进环境；离线安装包
.tar.bz2拷贝即可用，CI 与本地同构；加上conda-pack一键导出，测试→生产直接搬家，最适合“边开发边上线”的语音项目。
一句话：Conda 不是最潮的，却是让“模型/特征/解码”三板斧最快跑起来的方案。
核心实现：七步完成 Conda × FunASR 环境
下面步骤在 Ubuntu 20.04 + RTX 3090 验证通过，Conda 23.5.0。假设你已有 NVIDIA 驱动 ≥ 515。
创建专用环境
指定 Python 3.9，名字随意但最好带版本号，方便回滚。conda create -n funasr-1.0-py39 python=3.9 -y conda activate funasr-1.0-py39一次性拉齐 CUDA 全家桶
用cudatoolkit=11.7与cudnn=8.5组合，FunASR 官方二进制已验证。conda install -c nvidia cudatoolkit=11.7 cudnn=8.5.0 -y装 PyTorch 生态
官方推荐 1.13.1，与 torchaudio 对齐；conda 通道已编译好 cuda11.7 版本，比自己编译省 30 min。conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 \ pytorch-cuda=11.7 -c pytorch -c nvidia -y装 FunASR 主包及解码器
目前 pip 发布版最新，conda-for 还没收录，因此用 pip 装，但限定在 Conda 环境里，避免污染 base。pip install funasr[model] -i https://pypi.tuna.tsinghua.edu.cn/simple # 如只需推理，可 funasr[server] 最小化补特征与对齐工具
kaldiio 负责 ark/scp 读写，librosa 做重采样，soundfile 替代 scipy.io 避免浮点警告。pip install kaldiio==1.17 librosa==0.10 soundfile==0.12导出固化描述文件
把“能跑”的环境锁进 yaml，方便队友一键复刻。conda env export --no-builds | grep -v prefix > funasr-1.0-py39.yaml打包离线镜像（可选）
生产网不通外网时，用 conda-pack 最稳：conda install conda-pack -c conda-forge -y conda-pack -n funasr-1.0-py39 -o funasr-1.0-py39.tar.gz目标机解压后
source bin/activate即可，连 CUDA so 一起带走，驱动兼容就能跑。
代码示例：环境描述文件 & 最小推理脚本
funasr-1.0-py39.yaml（核心片段，已剔除机器无关前缀）
name: funasr-1.0-py39 channels: - nvidia - pytorch - conda-forge - defaults dependencies: - python=3.9 - cudatoolkit=11.7 - cudnn=8.5.0 - pytorch=1.13.1 - torchaudio=0.13.1 - pytorch-cuda=11.7 - pip - pip: - funasr[model] - kaldiio==1.17 - librosa==0.10.0 - soundfile==0.12.1最小推理 demo（clean code 版）
#!/usr/bin/env python3 """ asr_infer.py 单文件离线推理，支持 wav/pcm/flac """ import os import sys import torch from funasr import AutoModel # 1. 确定性设置 torch.set_grad_enabled(False) device = "cuda" if torch.cuda.is_available() else "cpu" # 2. 模型一次性加载，全局复用 model_id = "paraformer-zh" # 可换 fsmn-vad、ct-punc 等 model = AutoModel( model=model_id, device=device, disable_pbar=True # 关闭进度条，日志更干净 ) def infer_file(wav_path: str) -> str: """返回简体中文文本，无标点""" if not os.path.isfile(wav_path): raise FileNotFoundError(wav_path) res = model.generate(input=wav_path, batch_size=1) # res 结构：[{key:"", text:""}] return res[0]["text"] if __name__ == "__main__": if len(sys.argv) != 2: print("Usage: python asr_infer.py <wav>") sys.exit(1) print(infer_file(sys.argv[1]))跑通测试：
python asr_infer.py test_16k.wav # 输出：我认为跑步最重要的就是给我带来了身体健康性能考量：硬件怎么选不踩雷
GPU 显存
Paraformer-zh 全精度模型 220 M，峰值显存 ≈ 1.3 GB（含特征缓存）。
如果并发 10 路，RTX 3060 12 GB 足够；要 50 路，直接上 A100 40 GB 或 T4 多卡。CPU fallback
纯 CPU 推理 1 s 音频 ≈ 0.8 s 延迟（i7-12700），仅适合离线批处理；实时场景请锁 GPU。批大小
在 A100 实测，batch=32 相比 batch=1 RTF（Real-Time Factor）从 0.09 降到 0.027，提升 3×；但显存占用涨 8×。线上 QPS 稳定前提下，把 batch 调到最大安全值即可。IO 优化
wav 先转 16 kHz-单声道，避免模型内重采样吃 CPU；特征缓存打开cache_dir，同句二次请求直接内存命中。
避坑指南：血泪经验汇总
- 驱动与 cudatoolkit 大版本必须一致，11.7 与 11.8 混用会出现
cublas64_11.dll not found这种玄学报错。 - 切勿在 base 环境 pip 安装 FunASR，升级 PyTorch 时会把 conda 的 cudnn 覆盖掉，导致
ImportError: libcudnn.so.8版本不匹配。 - 出现
kaldiio error: Bad address十有八九是音频格式，先sox wav -c 1 -r 16000 -b 16规整。 - 中文长音频最好先做 VAD，FunASR 自带 FSMN-VAD，模型小、延迟低，可省 30% 显存。
- Windows 平台记得装
vs2019_runtime，否则 torchaudio 调 ffmpeg 会缺 DLL。 - 离线打包时一定加
--no-builds，否则 yaml 里带build_string，跨 OS 会失败。
结语：跑通只是起点
把环境固化成 yaml 并写进 CI，以后每回合并请求自动跑conda env create -f funasr-1.0-py39.yaml && pytest tests/，再也不用担心“我本地能跑”的经典甩锅。下一步你可以试试把 Paraformer 换成 Whisper 大模型，对比字错率；或者给推理脚本加一层 FastAPI，用 WebSocket 推流，RTF 压到 0.02 以下。欢迎踩坑后回来留言，一起把 Conda + FunASR 的玩法卷到生产级。
