FunClip：本地视频转录字幕与AI智能剪辑部署指南

官方信息

项目背景

视频创作者经常需要处理长视频：一场 2 小时的直播、一次 1 小时的访谈、一节 45 分钟的课程，要从中找出金句、高光片段剪成短视频，靠人工听简直是折磨。商用工具如剪映的"图文成片"虽然方便，但视频要上传到云端，隐私和版权都有顾虑。

FunClip 由阿里巴巴达摩院 FunASR 团队开发，核心是把业内领先的中文语音识别模型 Paraformer、说话人识别、标点恢复、文本大模型剪辑选择能力整合到一个本地 Gradio 界面中。你上传一段视频，它自动转写出带时间轴的逐字稿，然后你可以输入"找出关于量子计算的精彩片段"，LLM 会自动定位时间区间并导出剪辑好的片段。

最大的亮点是完全本地运行：不需要把视频上传到任何服务器，所有模型权重下载到本地后断网也能用。对于媒体机构、企业内部培训视频、会议纪要等敏感场景，这一点尤为重要。

核心特性

• 高精度中文语音识别：基于 Paraformer 大模型，中文识别准确率超过 97%
• 说话人分离（Diarization）：自动区分多人对话，标注"spk0/spk1"角色
• 自动标点与分段：转录结果自动加标点、按语义断句
• LLM 智能剪辑：用自然语言描述想要的片段，自动定位时间戳
• 字幕导出：一键导出 SRT/VTT 字幕文件
• 本地 Gradio UI：浏览器操作，无需专业剪辑知识
• GPU/CPU 双模式：有 N 卡用 GPU 加速，没显卡 CPU 也能跑
• 模型自动下载：首次启动自动从 ModelScope 拉取权重，国内速度快

环境要求

• 操作系统：Windows 10+/macOS 12+/Ubuntu 20.04+
• Python：3.10 ~ 3.12（官方推荐 3.12）
• 显卡：NVIDIA GPU 推荐（4GB 显存以上），CPU 也可运行但较慢
• CUDA：11.7 ~ 12.1（GPU 模式需要）
• 内存：最低 8GB，推荐 16GB
• 磁盘空间：约 5GB（首次运行自动下载模型）
• 系统依赖：FFmpeg（视频音频处理）

详细部署步骤

方式一：源码部署（推荐）

第 1 步：克隆仓库

git clone https://github.com/modelscope/FunClip.git
cd FunClip

第 2 步：创建 Python 虚拟环境

# 推荐使用 Python 3.12
python3.12 -m venv .venv

# Linux/macOS 激活
source .venv/bin/activate

# Windows 激活
.venv\Scripts\activate

第 3 步：安装 PyTorch（GPU 版）

# 先根据你的 CUDA 版本安装对应 PyTorch
# CUDA 11.8：
pip install torch==2.1.0 torchaudio==2.1.0 --index-url https://download.pytorch.org/whl/cu118

# CUDA 12.1：
pip install torch==2.1.0 torchaudio==2.1.0 --index-url https://download.pytorch.org/whl/cu121

# CPU 版本（无 N 卡）：
pip install torch==2.1.0 torchaudio==2.1.0 --index-url https://download.pytorch.org/whl/cpu

第 4 步：安装项目依赖

pip install --upgrade pip
pip install -r requirements.txt

# 验证 torch/torchaudio 版本匹配
python -m pip check

第 5 步：安装 FFmpeg

# Ubuntu/Debian
sudo apt update && sudo apt install -y ffmpeg

# macOS
brew install ffmpeg

# Windows: 下载 https://www.gyan.dev/ffmpeg/builds/ 解压并加入 PATH

第 6 步：首次启动（自动下载模型）

python funclip/launch.py

首次启动会自动从 ModelScope 下载以下模型（约 2GB）：

• paraformer-zh：中文语音识别模型
• ct-punc：标点恢复模型
• speech_cam++：说话人识别模型

下载完成后会自动启动 Gradio 服务，默认地址 http://localhost:7860。

方式二：Windows 便携包

官方提供了打包好的 Windows 一键运行包：

1. 前往 Releases 页面
2. 下载 v2.1.0 的 zip 压缩包
3. 解压后双击 funclip.exe，自动打开浏览器界面
4. 首次使用选择模型存放目录即可

方式三：Docker 部署

docker pull registry.cn-hangzhou.aliyuncs.com/funasr_repo/funclip:latest
docker run -p 7860:7860 \
  -v ~/.cache/modelscope:/root/.cache/modelscope \
  registry.cn-hangzhou.aliyuncs.com/funclip/funclip:latest

使用方法

基本剪辑流程

1. 浏览器打开 http://localhost:7860
2. 上传视频文件（支持 MP4/MOV/AVI，也支持直接拖入）
3. 点击"开始转录"，等待 ASR 完成（时长取决于视频长度和硬件）
4. 转录完成后在右侧看到带时间轴的逐字稿
5. 方式 A（手动选段）：在文本上拖动鼠标选中一段话，点击"导出选中片段"，自动用 FFmpeg 剪切对应时间段
6. 方式 B（LLM 选段）：在输入框写"帮我找出这段视频中讲'机器学习'的精彩片段"，LLM 自动定位时间区间并导出
7. 导出的视频片段和 SRT 字幕保存在项目目录下

命令行批量转录

# 批量转录一个目录下的所有视频
python funclip/cli.py --video_dir ./videos/ --output_dir ./transcripts/

# 指定语言
python funclip/cli.py --input interview.mp4 --lang zh --output result.srt

常见问题 FAQ

Q1：首次启动下载模型很慢怎么办？
A：FunClip 默认从 ModelScope（阿里云）下载，国内速度通常较快。如果仍慢，可以手动从 ModelScope 官网搜索 paraformer-zh 模型，下载到 ~/.cache/modelscope/hub/ 目录下。

Q2：Windows 下报"SSL: CERTIFICATE_VERIFY_FAILED"错误？
A：Python 3.12 在 Windows 上需要手动安装证书，执行 .venv\Scripts\python.exe -m pip install --upgrade certifi，或重新运行安装目录下的 Install Certificates.command。

Q3：转录结果没有区分说话人？
A：在 Gradio 界面勾选"启用说话人分离"选项。多人对话场景（如访谈、会议）务必开启，单人独白可关闭以加速。

Q4：CPU 模式下 1 小时视频要转多久？
A：CPU 模式大约是实时速度的 0.3~0.5 倍（即 1 小时视频需 2~3 小时）。有 NVIDIA GPU 建议启用 GPU 模式，速度可提升 5~10 倍。

Q5：支持英文/多语言视频吗？
A：中文场景最佳，英文识别也可用 paraformer-en 模型。其他语言建议使用 Whisper 作为替代方案。

跳转链接

• GitHub 仓库：https://github.com/modelscope/FunClip
• FunASR 官网：https://funasr.com
• ModelScope 模型库：https://www.modelscope.cn
• Releases 下载：https://github.com/modelscope/FunClip/releases