企业官网建设流程全解析

如何用 Vosk 跑通 50MB 离线语音识别：从本地加载到流式转写的完整落地

【免费下载链接】vosk-apiOffline speech recognition API for Android, iOS, Raspberry Pi and servers with Python, Java, C# and Node项目地址: https://gitcode.com/GitHub_Trending/vo/vosk-api

Vosk 是开源的离线语音识别工具箱，把 ASR 模型直接跑在本机：模型 50MB，Python、Java、Node、Go、C 都能调用，支持 20 多种语言，边说话边出字，不依赖网络。以一场 2 小时的评审会为例，人工整理纪要约 1.5 小时（约 75 元），走云端 ASR 则要把录音传给第三方服务器，费用和隐私都卡住。Vosk 的做法是把识别搬到本地，音频不进云端，转写只花处理时间。

为什么离线识别值得单独做一套

云端 ASR 按量计费、数据出本机、网络往返带来延迟；大模型（如本地 Whisper）体积动辄数百 MB 到 GB，树莓派和手机装不下。Vosk 用 Kaldi（开源语音识别工具包）训练的 50MB 小模型换来了三件事：

• 体积小：小模型约 50MB，能塞进 Android 手机、树莓派这类端侧设备；
• 流式零延迟：streaming API 边收音频边出字，不用等整段说完；
• 一套内核多语言绑定：Python、Java、Node、Go、C、C#、Kotlin、Ruby 包的是同一个 C 内核，换语言不用换模型。

整体架构一览

音频按固定大小的块连续喂给识别器，每块都会尝试出结果：话没说完时给中间结果（partial），停顿时才给整句，最后FinalResult收尾。

核心模块拆解

选对模型：语言、名称与本地路径

模型有三种加载方式：lang按语言自动下载，model_name按名称、Model("路径")按本地文件夹加载。小模型体积约 50MB，是端侧首选：

from vosk import Model, SetLogLevel SetLogLevel(-1) # 关闭调试日志，生产环境建议 model = Model(lang="en-us") # 按语言自动下载，约 50MB # model = Model(model_name="vosk-model-en-us-0.21") # 按名称加载 # model = Model("models/en") # 按本地路径加载

产出：一个Model对象，后续所有识别器共享它。输入规格统一为 16kHz 单声道 PCM（原始未压缩采样），音频不符合会识别失败。

流式识别主循环：怎么喂、出什么

参考 python/example/test_simple.py，核心是AcceptWaveform返回值的分叉：返回True表示句末，给整句；否则给当前中间结果。开SetWords后还能拿到每个词的时间戳：

rec = KaldiRecognizer(model, wf.getframerate()) rec.SetWords(True) # 输出词级时间戳 while True: buf = wf.readframes(4000) # 每次读 4000 字节 if not buf: break if rec.AcceptWaveform(buf): # True = 句末，返回整句 print(json.loads(rec.Result())["text"]) else: print(json.loads(rec.PartialResult())["partial"]) # 实时中间结果

配什么：16kHz 单声道wave文件；怎么跑：每轮读 4000 字节喂入；产出：说话中的实时字幕 + 句末整句。

批量转写与字幕导出：整目录一键出 SRT

单文件够用，但会议纪要、访谈录音往往是几十上百个文件。仓库自带转写器 python/vosk/transcriber/cli.py 支持整目录并行转写，直接输出 SRT 字幕、TXT 或 JSON：

# 整目录转写，输出 SRT 字幕，10 个并行任务 python -m vosk.transcriber.cli \ --model models/en \ --input audio_dir/ \ --output srt_out/ \ --output-type srt \ --tasks 10

产出：与输入音频同名的.srt文件，词级时间戳已对齐；--tasks调高可加速批量处理。

底层 C API：所有绑定都包它

上层语言绑定其实都包同一个 C 内核。看 c/test_vosk.c 就明白整个识别流程只有四个函数：建模、喂块、取结果、释放。换语言时不用重新理解模型，只换调用封装：

#include <vosk_api.h> VoskModel *m = vosk_model_new("model"); // 加载模型 VoskRecognizer *r = vosk_recognizer_new(m, 16000.0); // 16kHz 识别器 char buf[3200]; int n; while ((n = fread(buf, 1, sizeof(buf), wavin)) > 0) { if (vosk_recognizer_accept_waveform(r, buf, n)) printf("%s\n", vosk_recognizer_result(r)); } printf("%s\n", vosk_recognizer_final_result(r)); vosk_recognizer_free(r); vosk_model_free(m); // 释放资源

效果验证：训练与转写的实测口径

training/目录提供基于 Kaldi 的自训管线（入口 training/run.sh），其结果文件里的 WER（字错误率，Word Error Rate，越低越好）是衡量模型质量的硬指标：

解读：WER 从 14.10% 降到 12.67% 说明语言模型重打分有效；对会议转写这类场景，这是可接受的起点，可通过扩大词典和语言模型进一步压低。

上生产：打包方式与最小集成

打包：Python 侧pip install vosk，模型解压为文件夹（约 50MB）；其他语言用各自包管理器引入，模型是同一份。

最小集成示例（安装后可直接运行，共 13 行）：

# pip install vosk 后整段运行 from vosk import Model, KaldiRecognizer, SetLogLevel import wave, json SetLogLevel(-1) model = Model(lang="en-us") # 首次运行自动下载 50MB 模型 wf = wave.open("test.wav", "rb") # 必须 16kHz 单声道 PCM rec = KaldiRecognizer(model, wf.getframerate()) while True: buf = wf.readframes(4000) if not buf: break if rec.AcceptWaveform(buf): print(json.loads(rec.Result())["text"]) print(json.loads(rec.FinalResult())["text"])

关键性能指标：

• 模型体积 50 MB，内存占用与其成正比，建议部署前用tracemalloc或系统工具实测；
• 输入规格 16 kHz 单声道 PCM，其他采样率需先用 ffmpeg 重采样；
• 实时率（RTF，Real-Time Factor）要求 < 1，即处理 10 秒音频不到 10 秒，转写器会用xRT打印实测值。

后续方向

Vosk 把 50MB 离线语音识别从云端搬到了本地，流式出字、多语言绑定、端侧可跑都已跑通。后续两个方向比较实际：一是用training/管线针对行业词汇（医学术语、产品名）重训压低 WER；二是把 C 内核封装进树莓派或手机的常驻服务，做离线会议纪要。欢迎在评论区交流你的实测数据和踩坑点。

【免费下载链接】vosk-apiOffline speech recognition API for Android, iOS, Raspberry Pi and servers with Python, Java, C# and Node项目地址: https://gitcode.com/GitHub_Trending/vo/vosk-api