有人用纯 C# 写了个语音识别引擎，README 比代码还好看 - 张善友
内容提要
FunAsrNet 是纯 C# 实现的语音推理项目，基于 .NET 10，不依赖 Python、ONNX Runtime 等原生框架，自行实现模型加载、算子、解码、VAD 和中文 TTS。性能上，CPU 语音识别接近原版 C++，ARM64 上快 15%–27%，但 GPU 仍落后数倍。项目文档如实记录差距与失败，价值在于证明 .NET 可承载完整语音流水线，便于审计、维护和部署。
延伸解读
纯 C# 实现的意义：可审计与易维护
FunAsrNet 用纯 C# 实现了模型加载、算子、解码、VAD 和中文 TTS，不依赖 Python、ONNX Runtime 等原生框架。对 .NET 团队而言，这意味着语音能力可以像普通代码一样被审计、维护和部署，无需为 Python 服务单独搭建容器环境。项目证明 .NET 能承载完整语音流水线，降低了技术栈复杂度。
性能表现：CPU 接近原生，GPU 仍有差距
根据 README 实测，在 i7-12700 四线程下，C# CPU 的 ASR 热态已打平原版 C++；RK3588 上甚至快 15%–27%，但作者提醒在线机器有换页和调频干扰。GPU 方面，Vulkan 后端优化七轮后仍为原版 GPU 的 3.14～5.50 倍耗时，尚未追平。因此，该项目目前更适合 CPU 或 ARM64 场景，GPU 加速并非其优势。
文档的诚实：差距与失败同样记录
项目 README 大量篇幅在讲“我们还差在哪”，不仅列出成绩，还主动拆台性能数据，并保留所有测速原始记录、哈希、P95、慢样本，甚至撤回过的实验方案。这种写法在开源项目中少见，让读者更容易信任其数字。作者明确边界：这不是官方 SDK，也不兼容上游所有模型和语言，避免过度期待。
适用边界：固定模型验证，非通用工具箱
FunAsrNet 围绕固定几个模型验证：F16 编码器、Qwen3 Q8_0 解码器、FSMN VAD 和两个中文 VITS。它自带 ONNX 解释器但只支持目标模型用到的算子，因此不能直接替换 FunASR 工具箱。仓库克隆后无法直接跑完整服务，需准备模型文件。适合想研究 .NET 推理实现或部署固定语音流水线的开发者，而非寻求通用语音方案的用户。
Q&A
FunAsrNet 是什么？它和 FunASR 官方有什么关系？
FunAsrNet 是一个用纯 C# 实现的语音推理项目，基于 .NET 10，不依赖 Python、ONNX Runtime 等原生框架，自行实现模型加载、算子、解码、VAD 和中文 TTS。它不是 FunASR 官方 .NET SDK，也不是 FunASR 工具箱的移植，而是基于 QwenAudio/Fun-ASR 固定版本架构的社区实现，不保证兼容上游所有模型和语言。
FunAsrNet 支持哪些功能？
FunAsrNet 支持普通话语音识别（ASR）、语音合成（TTS）和电话音频处理（VAD）。具体围绕固定模型验证：F16 编码器、Qwen3 Q8_0 解码器、FSMN VAD 和两个中文 VITS。
FunAsrNet 的性能表现如何？和原版 C++ 相比怎么样？
在 CPU 上，i7-12700 四线程同模型同输入下，C# 的 ASR 热态已打平原版 C++；在 RK3588 上 C# 甚至比原版 C++ 快 15% 到 27%（但作者指出该在线机器有换页和动态调频，不能视为稳定领先）。GPU 方面，Vulkan 后端优化七轮后 ASR GPU 耗时降低 14.8% 到 19.4%，但仍为同轮原版 GPU 的 3.14～5.50 倍耗时，尚未追平。
FunAsrNet 的 README 有什么特别之处？
README 以坦诚著称：开头就划清边界，说明不是官方 SDK 也不是移植；大量篇幅讲差距和失败，如 GPU 仍落后数倍、在线机器数据不稳定等；所有测速原始记录、哈希、P95、慢样本都留在仓库，三方转写逐字一致性做了校验，连撤回过的实验方案都有记录。这种每报一个数都提醒“先别信太多”的写法，让读者更容易相信其数据。
FunAsrNet 的技术实现有什么特点？
全部用 C# 手写，包括模型读取、特征提取、神经网络算子、解码、VAD、中文前端和 TTS，核心、CLI、Web 服务不依赖 Python、ONNX Runtime、ggml、sherpa-onnx、RKNN 等。ONNX 和 GGUF 仅作为文件格式，仓库自带一个只支持目标模型算子的 ONNX 解释器。性能优化走 .NET 自身路径：SIMD、ARM64 NEON/SDOT、池化缓冲、共享只读权重、有界队列；Vulkan 后端可选，由 C# 调度 GPU 执行嵌入的 SPIR-V。
FunAsrNet 适合哪些场景？它的价值是什么？
FunAsrNet 适合希望将语音能力集成到 .NET 解决方案中的团队，使其成为普通的一部分，能审计、能维护、部署不折腾，而不是单独用 Docker 供起来的 Python 服务。它的价值在于证明 .NET 能承载完整的语音推理流水线，全部用托管代码实现，不依赖原生 AI 框架，便于审计、维护和部署。
