企业官网建设流程全解析

sherpa-onnx 离线语音识别：pip 一行安装，5 分钟本地跑通 ASR 和 TTS

【免费下载链接】sherpa-onnxSpeech-to-text, text-to-speech, speaker diarization, speech enhancement, source separation, and VAD using next-gen Kaldi with onnxruntime without Internet connection. Support embedded systems, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, x86_64 servers, websocket server/client, support 12 programming languages项目地址: https://gitcode.com/GitHub_Trending/sh/sherpa-onnx

一句话定位：sherpa-onnx 让开发者和产品团队在离线场景下，用 onnxruntime 在本地设备上完成语音识别（ASR）、文本转语音（TTS）、说话人分离等任务，数据不出设备、无需联网。

技术上它把新一代 Kaldi 的声学模型导出为 ONNX，推理端只依赖 onnxruntime，所以能同时跑在 Android、iOS、Linux 桌面、树莓派、RISC-V 服务器，甚至 RK/昇腾 NPU 上，覆盖 Python、C++、Go、Java 等 12 种语言。

先看它能干什么

• 给视频出字幕：你只需要一段本地音频和一个离线识别模型，就能批量转写出文字和时间戳，全程不上传云端。仓库里的 generate-subtitles.py 就是这个用法。
• 实时转写 App：你只需要用 Flutter 或 Tauri 模板接上麦克风，就能做出 Android/iOS/桌面多平台通用的流式识别 App，模板在 flutter-examples/ 和 tauri-examples/。
• 完全离线的 TTS 应用：你只需要选一个 VITS/Piper 模型，就能让设备本地朗读文字，中英双语可用，演示 App 在 flutter-examples/tts。

五分钟跑通最小路径

第 1 步：装包。一行命令装好 Python 包：

pip install sherpa-onnx

第 2 步：下模型。从项目 releases 下载一个预训练包并解压，这里以 SenseVoice 中文模型为例，之后所有路径都指向这个解压目录（需要克隆仓库时地址是 https://gitcode.com/GitHub_Trending/sh/sherpa-onnx ）：

tar xvf sherpa-onnx-sense-voice-zh-en-ja-ko-yue-2024-07-17.tar.bz2

第 3 步：写 8 行代码。下面是完整的最小识别流程：

import sherpa_onnx, wave, numpy as np recognizer = sherpa_onnx.OfflineRecognizer.from_sense_voice( model="your-model-dir/model.onnx", tokens="your-model-dir/tokens.txt", ) with wave.open("your-audio.wav") as f: samples = np.frombuffer(f.readframes(f.getnframes()), dtype=np.int16) s = recognizer.create_stream() s.accept_waveform(f.getframerate(), samples / 32768) recognizer.decode_stream(s) print(s.result.text)

控制台输出就是识别出的文本，比如今天天气不错。仓库里 python-api-examples/ 还有几十个可直接运行的脚本，换模型时改参数即可。

常见卡点与取舍

1. 模型架构不匹配：from_sense_voice只认 SenseVoice 模型，换成 Whisper 就要改用from_whisper——解法是对照你下的模型名选对应的from_*工厂方法。
2. 流式 vs 离线选反：要边说边出字就选流式模型（如 streaming-zipformer），转写完整文件用离线模型即可。原因：流式模型延迟低但精度略逊。
3. 音频格式不对：wav 必须是单声道、16-bit，采样率 8k/16k 都接受，库会自动重采样，别传双声道 MP3。

什么时候换方案？你需要 LLM 级别的语义纠错或云端 GPU 并发服务时，sherpa-onnx 不合适；它就是为"离线、隐私、多端部署"这三个词而生的。

周边与延伸

• 训练侧分工：模型由新一代 Kaldi 和 WeNet 训练、再导出 ONNX，sherpa-onnx 只管端侧推理，相当于"训练归上游，部署归它"。
• 浏览器场景：wasm/ 提供 WebAssembly 版，把同一个模型编译到浏览器里跑纯前端的语音识别，不用在服务器上装任何东西。

收尾

适合：离线推理、数据敏感、多平台多语言、低延迟端侧应用；不适合：需要大模型语义理解、或依赖云端 GPU 高并发服务的场景。

【免费下载链接】sherpa-onnxSpeech-to-text, text-to-speech, speaker diarization, speech enhancement, source separation, and VAD using next-gen Kaldi with onnxruntime without Internet connection. Support embedded systems, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, x86_64 servers, websocket server/client, support 12 programming languages项目地址: https://gitcode.com/GitHub_Trending/sh/sherpa-onnx