医疗语音记录数字化：合规前提下的ASR应用尝试
在三甲医院的诊室里，一位心内科医生刚结束上午最后一台门诊。他打开录音笔，回放长达40分钟的患者问诊内容——“主诉胸闷三个月，加重一周……既往有高血压病史十年，服用厄贝沙坦氢氯噻嗪片……”随后，他深吸一口气，开始手动录入电子病历系统。这已是当天第七份病历，指尖敲击键盘的声音与疲惫的眼神交织在一起。
这样的场景在中国各大医院每天都在上演。临床医生平均花费近三分之一的工作时间用于文书处理，而其中大量信息最初是以语音形式存在的。如何将这些声音高效、准确地转化为结构化文本，同时确保不触碰数据安全红线？这是医疗信息化推进中一个真实且紧迫的问题。
正是在这种背景下，本地化部署的自动语音识别（ASR）系统开始进入医院技术选型视野。不同于依赖云端服务的传统方案，新一代基于大模型的离线ASR工具正在重新定义医疗语音处理的可能性。钉钉联合通义实验室推出的Fun-ASR WebUI就是这样一个典型代表——它不仅能在普通工作站上运行，还能通过图形界面让非技术人员完成复杂操作，更重要的是，所有数据始终留在院内网络之中。
这套系统的核心模型名为Fun-ASR-Nano-2512，虽冠以“Nano”之名，实则具备强大的中文语音理解能力。其设计初衷并非追求极致参数规模，而是要在精度、速度和资源消耗之间找到平衡点。特别是在面对“阿司匹林肠溶片”、“PCI术后管理”这类专业术语时，配合热词增强机制后，识别准确率显著优于通用语音引擎。
整个识别流程从音频输入开始，首先经过采样率归一化和噪声抑制预处理，接着利用语音活动检测（VAD）算法切分有效语段，避免静音或环境杂音干扰后续分析。原始波形被转换为梅尔频谱图后送入基于 Conformer 架构的神经网络，该模型融合了 Transformer 的全局建模能力和卷积网络的局部特征提取优势，在汉字序列预测任务中表现出色。最终输出的文字还会经过智能文本规整（ITN）模块处理，例如将口语化的“二零二五年三月”自动标准化为“2025年3月”，或将“一千二百毫升”转写成“1200ml”，大幅提升结果可读性与后续使用价值。
尽管 Fun-ASR 模型本身并不原生支持流式推理，但 WebUI 通过巧妙的技术组合实现了近似实时的效果。前端借助浏览器的 Web Audio API 获取麦克风输入，每两秒截取一段音频缓冲，并立即调用 VAD 判断是否存在有效语音。一旦确认，便触发快速识别请求并将结果拼接显示。这种“分段+批量”的策略虽非严格意义上的端到端流式架构（如 RNN-T），但在实际体验中已足够流畅，延迟控制在2~3秒以内，足以满足医生口述医嘱或病情摘要的需求。
let mediaStream; let recorder; async function startRecording() { mediaStream = await navigator.mediaDevices.getUserMedia({ audio: true }); recorder = new MediaRecorder(mediaStream); const chunks = []; recorder.ondataavailable = (e) => { chunks.push(e.data); if (recorder.state === 'inactive') { const blob = new Blob(chunks, { type: 'audio/webm' }); sendToServer(blob); } }; recorder.start(2000); // 每2秒发送一次 }上述代码片段展示了实现这一“伪流式”识别的关键逻辑。值得注意的是，官方文档明确标注该功能为“实验性”，原因在于频繁调用模型可能带来 GPU 内存压力，且过短的音频片段容易导致上下文断裂，影响断句准确性。因此建议仅用于短时、清晰的口述场景，而不适用于长时间连续讲话或多人大型会议记录。
相比之下，批量处理功能则更为成熟稳定。医生可以一次性上传多个门诊录音文件，系统会按照队列顺序自动完成识别并生成汇总报告。所有任务的历史记录均持久化存储于本地 SQLite 数据库（history.db）中，包含时间戳、文件路径、使用参数等元信息，支持关键词检索与导出操作。这对于科研语料收集、质量审计追溯等需求尤为实用。
#!/bin/bash export CUDA_VISIBLE_DEVICES=0 python app.py \ --host 0.0.0.0 \ --port 7860 \ --model-path models/funasr-nano-2512.onnx \ --device cuda \ --enable-vad true \ --batch-size 1这个启动脚本揭示了系统的工程灵活性：通过指定 GPU 设备启用硬件加速，设置监听地址实现团队共享访问，开启 VAD 提升长录音处理效率。即便是资源受限环境，也可通过调整批处理大小来平衡性能与内存占用。
从部署架构来看，整个系统采用典型的前后端分离模式：
[终端设备] ←HTTP→ [本地服务器] ↓ [Fun-ASR WebUI] ↓ [ASR模型推理引擎] ↓ [GPU/CUDA 或 CPU 计算] ↓ [SQLite 历史数据库]所有组件均运行于医院内网，音频文件无需上传至任何外部平台。终端只需一台普通电脑和现代浏览器即可接入，极大降低了使用门槛。对于尚未配备高性能显卡的科室，即使使用 CPU 模式也能完成基础识别任务，虽然速度约为 GPU 的一半，但仍能满足日常需求。
在实际应用场景中，这套系统带来的改变是具体的。一位呼吸科主任反馈：“过去整理一次查房记录要花两个小时，现在半小时就能拿到初稿。”另一位年轻住院医师则表示：“以前怕说错术语不敢口述，现在把常用药名单加进热词表，连‘布地奈德福莫特罗吸入粉雾剂’都能准确识别。”
当然，技术落地仍需配套管理规范。我们建议：
- 禁止对外暴露服务端口，仅限内网访问；
- 敏感音频在转录完成后应及时删除源文件；
- 定期备份history.db，防止意外丢失重要记录；
- 对不同语言或用途的文件分批次处理，避免参数混淆。
未来的发展方向也逐渐清晰。随着医学专用语料库的积累，训练更轻量、更高精度的垂直领域模型将成为可能。当 ASR 不再只是“转文字”的工具，而是能初步理解临床语义、自动生成结构化字段时，它就真正迈入智慧医疗的核心地带。而此次在合规框架下对本地化 ASR 的探索，或许正是一条可复制、可持续的技术路径起点——让医生的声音被听见，也让患者的隐私得到尊重。
