FunASR 怎么和其他工具组合：一条可落地的工作流
在「音频与语音」类工具里，FunASR 的定位是：阿里达摩院开源的语音识别工具包，中文场景常用。
单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。
推荐组合：FunASR + Crowdin AI
Crowdin AI 的定位是：本地化管理平台 Crowdin 的 AI 翻译与校对。两者分工可以是：FunASR 负责「短视频配乐」这一步，Crowdin AI 负责翻译与多语言版本。
工作流步骤
- 明确交付物和验收标准，例如：结尾没有突然截断。
- 准备输入：一条 30 秒视频的情绪与节奏，先去掉敏感信息。
- 在 FunASR 中执行核心步骤（提示词见下文）
- 把结果交给 Crowdin AI 做下一步处理，或从 Crowdin AI 取得所需材料。
- 人工检查关键事实与格式，记录发现的问题。
- 把这次用到的提示词和设置保存为模板，下次复用。
短视频配乐
输入：一条 30 秒视频的情绪与节奏。
生成一段 30 秒的背景音乐：轻快、温暖、无人声，前 5 秒渐入，结尾干净收尾，适合生活类短视频。
验收标准：结尾没有突然截断。
交接时最容易出问题的地方
- 格式不兼容：两边导入导出的格式提前测试一次。
- 信息丢失：每次交接附上来源和版本号。
- 责任不清：约定哪一步由谁做最终确认。
- 权限分散：两边的账号和分享范围分别检查。
如果暂时不想引入第二个工具，也可以先用 WeNet 等同类产品替代其中一环，跑通流程后再决定。
延伸练习
分轨练习
适用情况：手头有一首用于练习的歌曲音频时。
把这首歌分离成人声、鼓、贝斯和其他乐器，并把伴奏降低两个半音，方便练唱。
检查点：分离后人声没有明显残留伴奏。
课程旁白配音
准备材料：一份 800 字的讲解稿。
把这份讲稿改成适合朗读的口播版本：句子不超过 20 字，数字改成口语读法，标出需要停顿和重读的地方。
检查点：数字读法不会产生歧义。
会议录音转写
输入：一段 1 小时的会议录音。
转写这段录音并区分发言人，生成要点摘要和待办清单，人名和专有名词按我提供的名单校正：【名单】。
交付前确认：专有名词按名单校正。
常见问题：克隆音色不稳定
使用更干净、更长的样本，避免背景音乐和回声。
常见问题：降噪后声音发闷
降低处理强度，宁可保留少量底噪。
常见问题：转写错字集中在专有名词
提前提供人名、产品名词表，转写后批量替换。
概念补充：响度标准化
把音频调整到平台推荐的响度范围，避免忽大忽小。
概念补充：TTS（文本转语音）
把文字合成为语音，可选择音色、语速与情感。
适合人群：播客主
播客主可以用 FunASR 处理选题与提纲、音频后期等工作。需要注意：嘉宾声音和内容的再利用需取得同意。
适合人群：视频剪辑师
视频剪辑师可以用 FunASR 处理粗剪与选段、字幕与调色等工作。需要注意：确认音乐和素材授权，客户素材不随意上传公共平台。
注意事项
本文基于 FunASR 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。
文中提示词和示例仅作示意，实际效果取决于你的材料和 FunASR 当前版本，重要内容请人工核对后再使用。