ASR 语音识别速查（CPU 服务器部署 · 跟读评测场景）

版本基线： faster-whisper v1.2.1（CTranslate2 4.8.5）· FunASR v1.4.24（funasr-onnx v0.4.3）· sherpa-onnx v2.0.1 · Vosk v0.3.50 · WhisperX v3.8.6 · OpenAI Whisper 权重最新多语言模型仍为 large-v3 / large-v3-turbo（2024-10，2026 年无同级新模型）· Paraformer-zh / SenseVoiceSmall 仍为 FunASR 中文主力模型· whisper.cpp v1.9.5（2026-10-07，MIT）· whisper-asr-webservice v1.10.0（2026-08-09，MIT）· SenseVoice-Small（FunAudioLLM，2024-07 开源，代码 MIT / 权重 Apache-2.0，官方称 GPU 上 10 秒音频仅 70ms、FunASR 官方基准 CPU 约 17× 实时；仓库最后提交 2025-12，无 release tag）· FireRedASR（小红书 FireRedTeam，AED-L 1.1B / LLM-L 8.3B，2025-01/02，Apache-2.0；FireRedASR2 全家桶 2026-02）· Moonshine（Useful Sensors→Moonshine AI，tiny 27M / base 58M，MIT，英文为主）· NVIDIA Parakeet-TDT-0.6B v2（英文，2025-05）/ v3（25 种欧洲语言，2025-08），权重 CC-BY-4.0，NeMo 工具包（核对日期 2026-11-11，来源：GitHub Releases / PyPI / funasr.com / HF / ModelScope）

宿主机约束（必读）： Windows Server，2×Xeon Gold 6138（40 核 80 线程）、256GB 内存、F 盘 895G 剩 862G。无独立 GPU，纯 CPU 推理。所有服务以 Docker 容器部署，产物只存 F:\EricLiu\ 下；模型权重统一放 F:\EricLiu\labs\models\。

业务目标： 跟读评测（TTS 朗读→用户跟读→识别打分）。打分需要词级时间戳对齐（对比朗读文本与跟读音频的逐词时间），选型时 word_timestamps / 时间戳能力是硬指标。

---

1. 选型对比

项目	定位	中文效果	CPU 速度（int8 量级，40 核 Xeon）	内存	许可证	推荐场景
faster-whisper	Whisper 的 CTranslate2 加速重实现	好（Whisper large 系，中文准确但需外挂标点模型）	small：1 分钟音频约 10–20 秒；large-v3-turbo：1 分钟音频约 60–120 秒（int8，非流式）	small 约 1GB；large-v3-turbo 约 3–4GB	MIT	高准确率离线转写、带词级时间戳的评测打分
FunASR (Paraformer-zh)	阿里达摩院工业级 ASR 工具包	中文最佳（Paraformer 专为中文优化，内置标点恢复 FSMN-VAD）	paraformer-zh：1 分钟音频约 10–25 秒；SenseVoiceSmall 约 5–10 秒（CPU 非流式）	2–4GB（ASR+VAD+标点组合）	MIT	中文场景首选：转写、打分、长音频、需要标点的直接输出
sherpa-onnx	next-gen Kaldi + ONNXRuntime 推理框架	良好（Zipformer/Paraformer ONNX 版，流式非流式都有）	流式 Zipformer：单路 RTF ≈ 0.1–0.2（1 分钟音频约 6–12 秒）；内存极小	<1GB	Apache-2.0	流式实时识别（低延迟跟读反馈）、嵌入式/低资源
Vosk	Kaldi 离线轻量 ASR	一般（中文小模型可用但准确率落后 Whisper 一档）	small-cn：1 分钟音频约 20–40 秒；模型小、延迟低	300MB–1GB	Apache-2.0	离线轻量、边缘设备、实时性优先准确率其次
WhisperX	Whisper + wav2vec2 对齐 + 说话人分离	好（同 Whisper）	面向 GPU 设计；纯 CPU 强制对齐较重，本项目仅了解，不推荐部署	≥5GB	BSD-2-Clause	GPU 服务器上的词对齐/分离，了解即可
SenseVoice-Small (FunAudioLLM)	非自回归多语种语音理解一体模型（ASR+语种识别+情感识别+音频事件检测）	优（zh/yue/en/ja/ko 五语种；中文/粤语优于 Whisper，"富文本"转写可带情感/事件标签；2024-11 起 CTC 时间戳支持）	✅✅ 极快：官方 GPU 上 10 秒音频仅 70ms、比 Whisper-Large 快 15 倍；FunASR 官方基准 CPU 约 17× 实时（1 分钟音频约 3-4 秒），比 faster-whisper small 还快一档	1-2GB（权重仓 940MB）	代码 MIT；权重 ModelScope（iic/SenseVoiceSmall）标注 Apache-2.0（HF 仓库标 FunASR 模型许可，商用前以实际下载仓库许可页为准）	中文转写/情感标注增强：FunASR 内一行切换（model="iic/SenseVoiceSmall"），与 paraformer-zh 并列的主力模型
FireRedASR (小红书 FireRedTeam)	工业级中文 ASR：AED-L 1.1B（效率）/ LLM-L 8.3B（Encoder-Adapter-LLM 精度上限），含方言与歌声识别	优秀（公开中文基准 SOTA：四集平均 CER 3.05-3.18%，AISHELL-1 最低 0.55%；后继 FireRedASR2 于 2026-02 集成 VAD/LID/标点）	❌ CPU 回避：官方推理路径按 CUDA 设计，未声明 CPU 支持；8.3B 本机不可行，1.1B AED 无官方 CPU 路径（社区有非官方 GGUF/CrispASR 路线，不入生产）	3-8GB（1.1B）/ 16GB+（8.3B，另需 Qwen2-7B）	Apache-2.0（代码+权重）	GPU 环境的中文精度参考线；本机仅技术观察
Moonshine (Useful Sensors→Moonshine AI)	边缘/端侧轻量 ASR（变长输入不 pad 30s、ONNX、流式变体）	❌ 英文为主：tiny 27M / base 58M 为英文模型；后出的多语种 base 版（含 Mandarin）较新、准确率不及中文专用模型	✅✅ 极轻：tiny CPU 数十倍实时（约 37× 量级），峰值内存 <300MB；Q8 权重仅 ~33MB	<500MB	MIT（代码+权重）	英文低延迟语音命令/边缘设备选配；中文跟读打分场景不用
NVIDIA Parakeet / NeMo	FastConformer-TDT 高吞吐 ASR（v2 英文 / v3 25 种欧洲语言，HF Open ASR 榜前列）	❌ 无中文（v3 仅覆盖欧洲语言）	⚠️ GPU 导向：官方基准全在 A100；CPU 可跑（社区 ONNX）但慢，且无中文则对本项目无意义	2-4GB	权重 CC-BY-4.0（NeMo 工具包 Apache-2.0）	回避本机（GPU 依赖 + 无中文）；仅作 GPU 场景参考

选型速览（跟读评测）： 服务化主链路 = faster-whisper int8（word_timestamps=True 词级时间戳，RTF 可控）；中文增强 = FunASR paraformer-zh（中文最优 + 自带标点 + 字符级时间戳），双引擎并行；流式即时反馈 = sherpa-onnx 流式 Zipformer。完整首选/选配/回避判据见 §1.2。

⚠️ 速度数字为 2026-11 基于公开基准（faster-whisper README、sherpa-onnx 官方 benchmark、社区实测）在 Xeon Gold 6138 int8 下的估算量级，上线前必须用真实跟读音频实测校准（见第 6 节守则）。

1.1 整合/聚合型项目（推荐与回避）

推荐逻辑：本地首选 faster-whisper 直连（第 4 节自封装，可控 RTF 上报与词级时间戳）；需要现成 HTTP 服务、不想自维护封装时用 whisper-asr-webservice（开箱即用，内部也走 faster_whisper 引擎）；追求 CPU 极致性能或想脱离 Python 依赖时用 whisper.cpp（AVX-512 + Q5 量化）。FunASR 自带服务端（runtime 部署）属本文档既有范畴，不在此重复。三者均为 MIT，无许可证风险。

项目	定位	维护状态	许可证	CPU 可行性	结论：推荐用/选配/回避
whisper-asr-webservice (ahmetoner，镜像 onerahmet/openai-whisper-asr-webservice)	现成 Whisper HTTP 服务：Docker 拉起即用，Swagger UI；ASR_ENGINE 三选一（openai_whisper / faster_whisper / whisperx），词级时间戳、VAD、输出 text/JSON/VTT/SRT/TSV	维护中但节奏放缓：v1.10.0（2026-08-09）距上一版 v1.9.1 间隔约 13 个月	MIT	✅ 官方 CPU 镜像开箱即用；模型缓存挂载持久化；ASR_DEVICE=cpu	选配（推荐）：需要"拿来即用"的标准 ASR HTTP 服务时直接用，省去第 4 节的自封装；生产使用 pin v1.10.0，ASR_MODEL_PATH 指向 F:\EricLiu\labs\models\ 并离线化。自封装方案（第 4 节）仍是主力：可带真实 RTF 上报（守则第 4 条）
whisper.cpp (ggml-org)	Whisper 的 C/C++ + ggml 重实现，CPU 性能天花板（AVX2/AVX-512，本机 Xeon 6138 支持 AVX-512）	极活跃：v1.9.5（2026-10-07），月度级发版	MIT	✅✅ 纯 CPU 最优路径之一；内存极省（small 约 852MB，Q5 量化更小）	选配：当前 faster-whisper 已满足打分场景，whisper.cpp 作为"性能瓶颈出现时的升级路径"或无 Python 环境的嵌入式方案；自带 examples/server HTTP 服务与 whisper-cli；注意 ggml 模型格式与 faster-whisper 的 CTranslate2 权重不通用，需单独下载
FunASR 自带服务端	funasr runtime / docker 部署（funasr 官方 docs）	活跃（随 FunASR 主仓）	MIT	✅ 本文档既有内容	推荐（已在册）：中文主力路径，见 §2.2 与 §1.2 推荐结论；此处仅登记，不重复展开

1.2 限制与回避（选型红线）

• WhisperX：面向 GPU 设计（wav2vec2 强制对齐 + 说话人分离），纯 CPU 上对齐阶段比识别本身还慢，回避部署，只作 GPU 环境参考。
• faster-whisper：无原生流式 API；标点靠外挂（FunASR ct-punc）；CTranslate2 权重与 whisper.cpp 的 ggml 格式不通用，两套模型要各下一份。
• FunASR：中文最强，但生态绑定 ModelScope/PyTorch、镜像体积大；英文与多语种不如 Whisper 系稳。
• Vosk：中文准确率落后一档，只适合低资源/边缘；不适合当打分主力。
• whisper-asr-webservice：维护节奏放缓（v1.10.0 距上一版约 13 个月），必须 pin 版本 + 权重离线化。
• FireRedASR（2026-11 补充核实）：中文精度天花板级（Apache-2.0），但官方推理路径按 CUDA 设计、未声明 CPU 支持，8.3B 更是不可行——回避本机部署，只作 GPU 环境参考。
• NVIDIA Parakeet/NeMo（2026-11 补充核实）：GPU 依赖 + v2/v3 均无中文，本机双重回避。
• Moonshine（2026-11 补充核实）：MIT + CPU 极轻（tiny 数十倍实时），但英文为主，中文打分场景不适用；仅英文边缘场景选配。

推荐结论（跟读评测）： - 首选 = faster-whisper int8 自封装（compute_type="int8" + word_timestamps=True）：词级时间戳直接喂 SOE、RTF 可真实上报，是服务化基线。 - 中文增强首选 = FunASR paraformer-zh（自带标点 + 字符级时间戳），与 faster-whisper 双引擎并行；流式即时反馈 = sherpa-onnx 流式 Zipformer。 - SenseVoice-Small（2026-11 补核实后结论：进入"中文增强"推荐档，但不替换打分主链路）：官方基准 CPU 约 17× 实时、比 paraformer-zh 更快，且中文/粤语准确率优于 Whisper 系，还能输出情感/事件标签；但其时间戳为 CTC 对齐粒度、成熟度不及 paraformer-zh 的字符级时间戳。跟读打分主链路仍用 paraformer-zh；SenseVoice 作为快速转写与情感标注的补充引擎（同为 FunASR AutoModel 一行切换，无额外框架成本），是否全面顶替以实测 CER + 时间戳质量为准。 - 选配 = whisper-asr-webservice v1.10.0（MIT，拿来即用的 HTTP 服务）/ whisper.cpp v1.9.5（MIT，AVX-512 极致 CPU 性能、无 Python 依赖）；CPU 性能遇瓶颈或要嵌嵌入式时再切 whisper.cpp。 - 回避 = WhisperX 在纯 CPU 部署（GPU 设计，对齐阶段过重）；FireRedASR / NVIDIA Parakeet（CUDA 导向，后者无中文）；Moonshine 中文场景不用（英文为主）。

2. 安装

2.1 faster-whisper（pip / docker）

# pip（宿主机或容器内均可）
pip install faster-whisper==1.2.1
# 依赖 CTranslate2 4.x（CPU 路径无需 CUDA/cuDNN）

# 模型下载（首次运行自动从 HuggingFace 下载；建议显式下载到统一目录）
# Windows: set HF_HOME=F:\EricLiu\labs\models\huggingface
export HF_HOME=/f/EricLiu/labs/models/huggingface
python -c "from huggingface_hub import snapshot_download; snapshot_download('Systran/faster-whisper-small')"
python -c "from huggingface_hub import snapshot_download; snapshot_download('Systran/faster-whisper-large-v3-turbo')"

Docker 镜像（自建，官方无维护镜像，用 python:3.11-slim 基底）：

FROM python:3.11-slim
RUN pip install --no-cache-dir faster-whisper==1.2.1 fastapi uvicorn python-multipart
ENV HF_HOME=/models

# docker-compose 关键段（完整版见第 4 节）
services:
  asr:
    build: .
    volumes:
      - F:\EricLiu\labs\models\huggingface:/models   # 权重只放 labs\models
    cpus: 8          # 限制核数，避免抢占其它服务
    deploy:
      resources:
        limits: { memory: 8G }

int8 量化参数（CPU 必开）： WhisperModel(model_size, device="cpu", compute_type="int8", cpu_threads=8)。 可用的 compute_type：int8（推荐，速度/精度/内存最佳）、int8_float32、float32。CPU 上 int8 相比 float32 通常快 2–4 倍、内存减半以上。

2.2 FunASR（中文路径）

# 依赖 PyTorch CPU 版（省去 CUDA 包，体积小很多）
pip install torch torchaudio --index-url https://download.pytorch.org/whl/cpu
pip install funasr==1.4.24

# 可选 Silero VAD（v1.4.3+）
pip install "funasr[silero]==1.4.24"

中文模型（首次自动从 ModelScope 下载，用环境变量指到统一目录）：

import os
os.environ["MODELSCOPE_CACHE"] = r"F:\EricLiu\labs\models\modelscope"
from funasr import AutoModel
model = AutoModel(
    model="paraformer-zh",          # 识别；中文主力
    vad_model="fsmn-vad",           # 长音频切分
    punc_model="ct-punc",           # 标点恢复
    device="cpu",
)

离线部署：先在联网机把 paraformer-zh / fsmn-vad / ct-punc（ModelScope 仓 iic/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch 等）下载齐，连 MODELSCOPE_CACHE 目录一起拷进容器，之后设置 disable_update=True 并禁外网。

ONNX 轻量路径：pip install funasr_onnx==0.4.3（模型转为 ONNX，CPU 推理更快、无 torch 依赖，见 modelscope FunASR onnx 模型仓库）。

2.3 Vosk（离线轻量）

pip install vosk==0.3.50
# 中文模型手动下载（vosk-model-small-cn-0.22 约 42MB / vosk-model-cn-0.22 约 1.3GB）
# 下载解压到 F:\EricLiu\labs\models\vosk\vosk-model-small-cn-0.22

from vosk import Model, KaldiRecognizer
model = Model(r"F:\EricLiu\labs\models\vosk\vosk-model-small-cn-0.22")

2.4 sherpa-onnx（了解/流式备选）

pip install -U sherpa-onnx>=2.0.1
# 模型从 GitHub k2-fsa/sherpa-onnx Releases 或其官方模型页下载流式 zipformer 中文模型
# 解压到 F:\EricLiu\labs\models\sherpa-onnx\

3. 高频用法

3.1 faster-whisper CLI/Python

from faster_whisper import WhisperModel

model = WhisperModel(
    "small",                      # 或 large-v3-turbo；也可直接传本地路径
    device="cpu",
    compute_type="int8",          # CPU 必开 int8
    cpu_threads=8,
)

segments, info = model.transcribe(
    "read_aloud.wav",
    language="zh",
    beam_size=5,
    vad_filter=True,              # Silero VAD 过滤静音，长音频提速
    word_timestamps=True,         # ★ 词级时间戳 —— 跟读打分（SOE）必需，务必开启
)
print(info.language, info.duration)
for seg in segments:
    print(f"[{seg.start:.2f}→{seg.end:.2f}] {seg.text}")
    for w in seg.words:           # 每个词的 start/end，用于逐词对齐打分
        print(f"  {w.word} {w.start:.2f}-{w.end:.2f}")

命令行批量：

# 无官方 CLI，用 python -c 或写薄封装脚本；批量建议走第 4 节 HTTP API
python transcribe.py F:\EricLiu\asr_jobs\*.wav --model small --int8

3.2 FunASR

from funasr import AutoModel

model = AutoModel(model="paraformer-zh", vad_model="fsmn-vad",
                  punc_model="ct-punc", device="cpu",
                  disable_update=True)
res = model.generate(input="read_aloud.wav", batch_size_s=60)
print(res[0]["text"])                          # 带标点的转写
print(res[0]["timestamp"])                     # ★ 字符级时间戳 [[ms_start, ms_end], ...]
                                               # 打分时按字→词聚合后对齐
# 流式（Paraformer 流式版，2s chunk 边收边出）
from funasr import AutoModel
stream_model = AutoModel(model="paraformer-streaming-zh", device="cpu")

★ 时间戳说明：FunASR paraformer-zh 返回的是字符级时间戳（毫秒），比 Whisper 的词级更细；faster-whisper word_timestamps=True 返回词级（中文按词切分）。两者都能支撑 SOE 时间对齐，但单位不同，打分代码要分别适配。

3.3 Vosk

import wave, json
from vosk import Model, KaldiRecognizer

model = Model(r"F:\EricLiu\labs\models\vosk\vosk-model-small-cn-0.22")
wf = wave.open("read_aloud.wav", "rb")
rec = KaldiRecognizer(model, wf.getframerate())
rec.SetWords(True)                    # 开启词级时间戳
while True:
    data = wf.readframes(4000)
    if len(data) == 0: break
    if rec.AcceptWaveform(data):
        print(json.loads(rec.Result()))
print(json.loads(rec.FinalResult()))  # result 里含 word/start/end

4. 服务化：faster-whisper + FastAPI

4.1 app.py（含 /health）

import os, tempfile, time
from fastapi import FastAPI, UploadFile, File
from faster_whisper import WhisperModel

MODEL_DIR = os.environ.get("ASR_MODEL", "/models/Systran/faster-whisper-small")
model = WhisperModel(MODEL_DIR, device="cpu", compute_type="int8", cpu_threads=int(os.environ.get("CPU_THREADS", "8")))

app = FastAPI(title="ASR Service")

@app.get("/health")
def health():
    return {"status": "ok", "model": MODEL_DIR, "compute_type": "int8"}

@app.post("/transcribe")
async def transcribe(file: UploadFile = File(...), language: str = "zh"):
    suffix = os.path.splitext(file.filename)[1] or ".wav"
    with tempfile.NamedTemporaryFile(delete=False, suffix=suffix) as tmp:
        tmp.write(await file.read())
        path = tmp.name
    try:
        t0 = time.time()
        segments, info = model.transcribe(path, language=language,
                                          vad_filter=True, word_timestamps=True)
        segs, words = [], []
        for seg in segments:
            segs.append({"start": round(seg.start, 3), "end": round(seg.end, 3), "text": seg.text})
            for w in seg.words:
                words.append({"word": w.word, "start": round(w.start, 3), "end": round(w.end, 3)})
        audio_sec = info.duration
        cost_sec = time.time() - t0
        return {"text": "".join(s["text"] for s in segs), "segments": segs, "words": words,
                "duration": round(audio_sec, 2), "cost": round(cost_sec, 2),
                "rtf": round(cost_sec / max(audio_sec, 0.01), 3)}
    finally:
        os.unlink(path)

返回里的 rtf（实时率 = 处理耗时 / 音频时长）必须真实上报，用于持续校准本文档的 CPU 速度估算。

4.2 docker-compose.yml（放 F:\EricLiu\labs\docker\asr\）

services:
  asr:
    build: .
    container_name: asr-faster-whisper
    ports: ["127.0.0.1:8101:8000"]
    environment:
      - ASR_MODEL=/models/Systran/faster-whisper-small
      - CPU_THREADS=8
      - HF_HOME=/models
      - HF_HUB_OFFLINE=1            # 权重已就位后禁外网下载，避免运行时拉模型
    volumes:
      - F:\EricLiu\labs\models\huggingface:/models
    cpus: 8
    deploy:
      resources:
        limits: { memory: 8G }
    restart: unless-stopped
    healthcheck:
      test: ["CMD", "python", "-c", "import urllib.request as u; u.urlopen('http://127.0.0.1:8000/health')"]
      interval: 30s
      timeout: 5s
      retries: 3

4.3 流式 vs 非流式

• 非流式（上文模板）：整段音频一次识别，准确率最高，延迟 = 音频时长 × RTF。跟读评测的"读完整段再打分"走这条路。
• 流式：音频分块送入，边收边出部分结果（sherpa-onnx / funasr 流式模型 / Vosk 逐 chunk）。延迟可到 0.5–2s，但准确率略降。用户"边读边显示文字"的即时反馈走这条路。
• 注意：faster-whisper 本身不提供原生流式 API；流式需求交给 sherpa-onnx 或 FunASR 流式模型，或对 faster-whisper 做 VAD 分段近似（短分段循环调用）。

5. 排障

症状	原因	处置
模型下载慢/超时	HuggingFace/ModelScope 国内网络	设 HF_ENDPOINT=https://hf-mirror.com（HF 镜像）；FunASR 换 ModelScope 本就国内快；终极方案：联网机下载→拷 labs\models\→容器内 HF_HUB_OFFLINE=1 / MODELSCOPE_CACHE 指过去
中文无标点/一逗到底	Whisper 系不带标点模型	用 FunASR（内置 ct-punc）；或 faster-whisper 输出后接 funasr ct-punc 二次处理
长音频 OOM/极慢	一次性喂长音频、attention 内存涨	vad_filter=True + FunASR batch_size_s=60 切分；faster-whisper 分段循环；容器内存限 8G 并监控
首次请求慢 10s+	模型加载在首个请求内	启动时预加载模型（app.py 顶层加载，如上文）；compose 加 healthcheck 就绪后再放流量
时间戳对不上	未开词级时间戳 / 两引擎单位不同	faster-whisper 必须 word_timestamps=True；FunASR 用 res["timestamp"]（毫秒、字符级）；打分代码统一换算成毫秒
int8 精度明显下降	极少出现	换 int8_float32 或 float32，用同一批跟读音频对比字错率 CER
Windows 路径挂载失败	Docker Desktop 路径格式	compose 里用 F:\EricLiu\labs\models:/models 原生写法；bash 操作时用 /f/EricLiu/...

6. AI 操作守则

1. 先读后写：改任何配置/代码前先读现有文件；模型权重只允许放 F:\EricLiu\labs\models\，产物只写 F:\EricLiu\ 下，禁止写到 C 盘或其它盘。
2. 版本固定：生产 compose/pip 一律 pin 具体版本号（本文基线为 2026-11-11 核对结果），升级前先查 GitHub Releases changelog，不得盲目 pip install -U。
3. 实测优先：文档中的 RTF/内存是估算量级。每次换模型、换量化类型，必须用 ≥5 条真实跟读音频跑分（记录 RTF、内存峰值、CER），结果回填到选型表旁。
4. 诚实上报：服务 /health 与响应体必须携带真实 RTF/耗时，禁止编造性能数据；评测打分逻辑上线前用人工标注样本验证对齐正确性。
5. 离线优先：容器内设 HF_HUB_OFFLINE=1/disable_update=True，禁止服务运行时在线拉模型；下载走联网机→labs\models\ 人工同步。
6. 资源隔离：每容器限 cpus 与 memory（ASR 建议 8 核 8G 起步），多引擎并存时留足余量（宿主机 256G 内存充足，瓶颈在 CPU 核）。
7. 破坏性操作需确认：删除模型目录、重建容器卷、清理 F 盘数据前必须向用户确认。
8. 隐私：跟读音频含用户语音，临时文件用完即删（参考 app.py 的 finally unlink），禁止上传外部服务。