企业官网建设流程全解析

RealtimeSTT 测试体系全指南：从快速单元测试到 Golden 转录与 FastAPI 多用户负载验证

【免费下载链接】RealtimeSTTA robust, efficient, low-latency speech-to-text library with advanced voice activity detection, wake word activation and instant transcription.项目地址: https://gitcode.com/GitHub_Trending/re/RealtimeSTT

RealtimeSTT 是一套集成了 VAD 语音活动检测、唤醒词与实时转写能力的语音转文本库，其测试体系围绕「快速、可离线、可复用」与「真实模型、真实音频、真实延迟」两个层次设计。本文将基于 docs/testing.md 展开，带你完整掌握 RealtimeSTT 的两类测试——不下载模型的快速单元/契约测试，以及需要真实语音模型的 opt-in Golden 转录测试——并深入讲解 FastAPI 多用户负载测试的指标含义、Windows 环境注意事项，以及为新增转录引擎编写测试的最佳实践。

一、测试体系总览：两条分层的主线

RealtimeSTT 的测试在设计上刻意分成两类，避免“跑一次测试要下载几个 GB 模型”成为常态：

• 快速单元测试与契约测试（Fast Unit and Contract Tests）：运行时不下载任何语音模型，完全依赖 mock 对象与假后端（fake runtime / fake backend），验证工厂选择、参数映射、音频校验、结果转换等契约行为。这是 CI 与日常开发的主力。
• Opt-in Golden 转录测试（Golden Transcription Tests）：下载或加载真实语音模型，把小段音频 fixture 转写后与期望文本比对。因为更慢、首次运行可能需要联网、部分平台还需要额外权限，默认被跳过，只有显式设置环境变量后才运行。

音频 fixture 统一存放在 tests/unit/audio，素材基于公有领域（Public Domain）的 LJ Speech 样本。而tests/目录下直接放置的手动演示脚本、回归压测脚本与历史实验，则在 docs/test-scripts.md 中单独说明——两者不要混淆。

从源码结构看，tests/unit 下每个转录引擎都对应一个独立测试文件（test_whisper_cpp_engine.py、test_sherpa_onnx_engine.py、test_kroko_onnx_engine.py、test_omnilingual_asr_engine.py等），这为“新增引擎必须伴随契约测试”提供了制度性保障。

二、音频 Fixture：LJ Speech 样本与 Manifest 校验

Golden 测试依赖确定性的音频输入。tests/unit/audio/中的样本基于 LJ Speech 1.1 数据集（公有领域），每个样本包含：

• 一个 16-bit PCM、单声道 WAV 文件（如LJ001-0002.wav）；
• 一个对应的期望文本文件（如LJ001-0002.txt）；
• 一份汇总的 manifest.json，声明了数据集、采样率、通道数、位深及每个样本的transcript与normalized_transcript。

以 manifest.json 为例，其核心字段包括dataset（LJ Speech 1.1）、license（Public Domain）、sample_rate_hz（22050）、channels（1）、sample_width_bits（16），以及 5 条样本记录，例如：

{ "id": "LJ001-0002", "file": "LJ001-0002.wav", "transcript_file": "LJ001-0002.txt", "transcript": "in being comparatively modern.", "normalized_transcript": "in being comparatively modern." }

test_audio_fixtures.py 中的AudioFixtureTests.test_manifest_points_to_valid_wav_and_transcript_files会对 fixture 本身做契约校验：manifest 必须指向真实存在的 WAV 与 transcript 文件、文本内容必须一致、WAV 必须是单声道 16-bit PCM 且采样率与 manifest 声明一致、帧数必须大于 0。

同文件中的FeedAudioTests则验证了录音器核心的feed_audio行为：

• 不足一个 buffer 的原始 PCM 字节会被暂存，凑满2 * buffer_size字节后才放入音频队列；
• 以original_sample_rate喂入非 16 kHz 音频时，会按16000 / sample_rate的比例重采样并正确分块（例如把 22050 Hz 的 LJ Speech 样本重采样到 16 kHz）。

这两组测试是理解后续 Golden 测试如何“喂音频”的基础：Golden 测试正是用 1024 样本一批的方式把 WAV 逐步feed_audio给录音器实例，再取出recorder.text()与期望文本比对。

三、快速单元测试：不下载模型的默认测试集

从仓库根目录运行默认快速测试集（PowerShell）：

python -m unittest -v tests.unit.test_audio_fixtures tests.unit.test_whisper_cpp_engine tests.unit.test_openai_whisper_engine tests.unit.test_additional_transcription_engines tests.unit.test_cohere_transcribe_engine tests.unit.test_granite_speech_engine tests.unit.test_moonshine_engine tests.unit.test_sherpa_onnx_engine tests.unit.test_kroko_onnx_engine tests.unit.test_omnilingual_asr_engine tests.unit.test_realtime_streaming_transcription tests.unit.test_fastapi_server_protocol tests.unit.test_fastapi_server_multi_user

请使用当前激活虚拟环境中的 Python 解释器（而非全局 Python）。运行要点：

• 没有设置 Golden 环境变量时，慢速模型测试会被有意跳过。结果中出现skipped意味着：快速测试全部通过，而 opt-in 的模型测试没有运行——这是预期行为，不是失败。
• 各引擎测试文件内部对真实后端的调用做了 mock。例如 test_whisper_cpp_engine.py 中WhisperCppFactoryTests通过 patchPyWhisperCppBackend为FakeBackend来验证工厂创建行为；WhisperCppEngineContractTests则验证了音频归一化（如[0.0, 2.0, -1.0]归一化为[0.0, 0.95, -0.475]）、beam_search/greedy 解码策略切换、initial_prompt与 token 提示词的传递、空音频报错等契约。
• 类似地，test_kroko_onnx_engine.py 使用FakeKrokoRecognizer、FakeKrokoStream等假对象，不安装也不导入 Kroko-ONNX 运行时即可跑通；test_omnilingual_asr_engine.py 使用假 Omnilingual 运行时对象，同样不安装不导入 Meta 的 Omnilingual ASR 包。

四、Golden 转录测试：真实模型驱动的端到端验证

Golden 测试是 RealtimeSTT 质量闭环的核心：加载真实模型 → 转写 fixture 音频 → 与期望文本比对。它们默认关闭，需要先安装可选依赖、再显式设置环境变量。所有环境变量在 PowerShell 中设置，test-model-cache/目录被 Git 忽略，可以放心存放下载的本地测试模型。

4.1 faster-whisper Golden 测试

$env:REALTIMESTT_RUN_GOLDEN_TRANSCRIPTION = "1" $env:REALTIMESTT_TEST_MODEL = "tiny" $env:REALTIMESTT_TEST_DEVICE = "cpu" $env:REALTIMESTT_TEST_COMPUTE_TYPE = "int8" python -m unittest -v tests.unit.test_audio_fixtures.GoldenTranscriptionTests

对应 test_audio_fixtures.py 中的GoldenTranscriptionTests：它以use_microphone=False创建AudioToTextRecorder，把 manifest 中第一个样本按 1024 样本分批feed_audio，等待录音器收集到帧后取text()，断言转写文本非空且前两个词与期望文本匹配。环境变量直接映射到录音器参数：REALTIMESTT_TEST_MODEL→model（默认tiny）、REALTIMESTT_TEST_DEVICE→device（默认cpu）、REALTIMESTT_TEST_COMPUTE_TYPE→compute_type（默认int8）。

4.2 whisper.cpp Golden 测试

python -m pip install "RealtimeSTT[whisper-cpp]" $env:REALTIMESTT_RUN_WHISPER_CPP = "1" $env:REALTIMESTT_WHISPER_CPP_MODEL = "tiny.en" $env:REALTIMESTT_WHISPER_CPP_MODEL_DIR = Join-Path (Get-Location) "test-model-cache\pywhispercpp" python -m unittest -v tests.unit.test_whisper_cpp_engine.WhisperCppGoldenTranscriptionTests

test_whisper_cpp_engine.py 中的WhisperCppGoldenTranscriptionTests会把 WAV 样本转为float32 / 32768.0的归一化音频，构造WhisperCppEngine（模型默认tiny.en、beam size 默认 5），转写后断言前两个词命中。该测试还要求 NumPy 可用，否则会 skip。

4.3 OpenAI Whisper Golden 测试

python -m pip install openai-whisper $env:REALTIMESTT_RUN_OPENAI_WHISPER = "1" $env:REALTIMESTT_OPENAI_WHISPER_MODEL = "tiny.en" $env:REALTIMESTT_OPENAI_WHISPER_DEVICE = "cpu" $env:REALTIMESTT_OPENAI_WHISPER_COMPUTE_TYPE = "float32" $env:REALTIMESTT_OPENAI_WHISPER_MODEL_DIR = Join-Path (Get-Location) "test-model-cache\openai-whisper" python -m unittest -v tests.unit.test_openai_whisper_engine.OpenAIWhisperGoldenTranscriptionTests

4.4 新一代模型家族的 opt-in Smoke 测试

Parakeet/NeMo、Cohere、Granite Speech、Qwen3-ASR、Moonshine 等较新引擎族的冒烟测试集中在 test_additional_transcription_engines.py：

# 只打开你要验证的那个引擎即可 $env:REALTIMESTT_RUN_PARAKEET = "1" $env:REALTIMESTT_RUN_COHERE_TRANSCRIBE = "1" $env:REALTIMESTT_RUN_GRANITE_SPEECH = "1" $env:REALTIMESTT_RUN_QWEN3_ASR = "1" $env:REALTIMESTT_RUN_MOONSHINE = "1" $env:REALTIMESTT_HF_MODEL_DIR = Join-Path (Get-Location) "test-model-cache\hf" python -m unittest -v tests.unit.test_additional_transcription_engines.AdditionalEngineGoldenTranscriptionTests

这些 smoke 测试需要numpy、各后端可选依赖及模型访问权限。特别注意：Cohere 目前要求先接受 Hugging Face 的门控（gated）访问授权，权重才能下载。

4.5 sherpa-onnx：先契约、后真实模型

sherpa-onnx 的快速契约测试会 mock 运行时、不下载模型：

python -m pip install sherpa-onnx python -m unittest -v tests.unit.test_sherpa_onnx_engine

若要拿到真实的 RTF（Real-Time Factor）对比数据，需要先把 sherpa-onnx 模型包下载并解压到test-model-cache\sherpa-onnx下，再运行对应的 opt-in smoke 测试。Parakeet 后端（INT8）：

$env:REALTIMESTT_RUN_SHERPA_ONNX_PARAKEET = "1" $env:REALTIMESTT_SHERPA_ONNX_PARAKEET_MODEL = Join-Path (Get-Location) "test-model-cache\sherpa-onnx\sherpa-onnx-nemo-parakeet-tdt-0.6b-v3-int8" $env:REALTIMESTT_SHERPA_ONNX_NUM_THREADS = "2" python -m unittest -v tests.unit.test_sherpa_onnx_engine.SherpaOnnxGoldenTranscriptionTests.test_transcribes_fixture_with_real_sherpa_parakeet_backend

Moonshine 后端（INT8）：

$env:REALTIMESTT_RUN_SHERPA_ONNX_MOONSHINE = "1" $env:REALTIMESTT_SHERPA_ONNX_MOONSHINE_MODEL = Join-Path (Get-Location) "test-model-cache\sherpa-onnx\sherpa-onnx-moonshine-tiny-en-int8" $env:REALTIMESTT_SHERPA_ONNX_NUM_THREADS = "1" python -m unittest -v tests.unit.test_sherpa_onnx_engine.SherpaOnnxGoldenTranscriptionTests.test_transcribes_fixture_with_real_sherpa_moonshine_backend

4.6 同时跑两条 Golden 路径

$env:REALTIMESTT_RUN_GOLDEN_TRANSCRIPTION = "1" $env:REALTIMESTT_TEST_MODEL = "tiny" $env:REALTIMESTT_TEST_DEVICE = "cpu" $env:REALTIMESTT_TEST_COMPUTE_TYPE = "int8" $env:REALTIMESTT_RUN_WHISPER_CPP = "1" $env:REALTIMESTT_WHISPER_CPP_MODEL = "tiny.en" $env:REALTIMESTT_WHISPER_CPP_MODEL_DIR = Join-Path (Get-Location) "test-model-cache\pywhispercpp" python -m unittest -v tests.unit.test_audio_fixtures tests.unit.test_whisper_cpp_engine

4.7 Kroko-ONNX：契约测试与真实模型 Community smoke

python -m unittest -v tests.unit.test_kroko_onnx_engine python -m unittest -v tests.unit.test_realtime_streaming_transcription

快速 Kroko 测试使用假运行时对象，不安装、不导入 Kroko-ONNX。要跑真实模型（Community 版）的 smoke 测试，需先安装 Kroko-ONNX 再 opt-in：

$env:REALTIMESTT_RUN_KROKO_ONNX = "1" $env:REALTIMESTT_KROKO_ONNX_MODEL = "test-model-cache\kroko-onnx\Kroko-EN-Community-64-L-Streaming-001.data" $env:REALTIMESTT_KROKO_ONNX_PROVIDER = "cpu" $env:REALTIMESTT_KROKO_ONNX_NUM_THREADS = "1" python -m unittest -v tests.unit.test_kroko_onnx_engine.KrokoOnnxGoldenTranscriptionTests

若使用需要授权的 Pro 模型，可设置REALTIMESTT_KROKO_ONNX_KEY、KROKO_ONNX_KEY或KROKO_KEY（三者取其一）。切勿把密钥写入命令历史、文档、生成报告或提交的文件中——这一点在 test_kroko_onnx_engine.py 的KROKO_ONNX_KEY_ENV_NAMES常量中同样体现。

4.8 Omnilingual ASR：Linux/WSL2 专属路径

python -m unittest -v tests.unit.test_omnilingual_asr_engine

这些测试使用假 Omnilingual 运行时对象，不安装不导入 Meta 的 Omnilingual ASR 包。它属于源码检出（source checkout）命令——只有在源码树与测试同时存在时才能工作；如果是干净 pip 安装的环境，请改用 docs/engines/omnilingual-asr.md 中基于文件的 smoke 测试。

真实模型 smoke 测试应在 Linux 或 WSL2 上运行，使用 Python 3.11.x 及与之匹配的torch/torchaudio构建。从omniASR_CTC_1B_v2开始尝试；如果遇到未知的_v2模型卡片，应将其视为 Omnilingual 依赖版本不匹配，而不是回退到旧的非 v2 卡片。源码检出下的运行方式：

python tests/realtimestt_omnilingual_test.py --file-smoke --device cuda

pip 安装场景请参照 docs/engines/omnilingual-asr.md 从对应发布分支下载独立脚本。

五、FastAPI 多用户负载测试：并发、公平调度与延迟指标

RealtimeSTT 的 FastAPI 浏览器服务器（见 example_fastapi_server）包含两类测试：快速假调度器测试与 opt-in 的真实引擎负载测试。

5.1 快速假调度器测试

python -m unittest -v tests.unit.test_fastapi_server_protocol tests.unit.test_fastapi_server_multi_user

这两组测试覆盖：会话隔离（session isolation）、公平调度（fair scheduling）、realtime 合并（coalescing）、过期 realtime 丢弃（stale realtime discard）、准入限制（admission limits）以及 clear/reset 行为。以 test_fastapi_server_protocol.py 为例，它还验证了音频数据包的编解码往返（encode_audio_packet/decode_audio_packet）、非法包拒绝、sampleRate正整数校验、JSON 对象解析及带连字符的引擎名归一化（如cohere-transcribe）；test_fastapi_server_multi_user.py 则验证了结构化实时文本稳定事件（RealtimeTextStabilizationEvent）到客户端消息字段（segmentId、stableText、stableDelta、unstableText等）的映射。

5.2 opt-in 真实引擎负载测试

该测试把 tests/unit/audio/asr-reference.wav（51.9 秒、16 kHz 参考音频）通过多个会话并行推流，将最终文本与 asr-reference.expected_sentences.json 中的combined_normalized比对，检查每个会话的延迟偏差，并打印计时报告：

$env:REALTIMESTT_RUN_FASTAPI_MULTI_USER_PERF = "1" $env:REALTIMESTT_FASTAPI_ASR_CLIENTS = "2" $env:REALTIMESTT_FASTAPI_ASR_ENGINE = "faster_whisper" $env:REALTIMESTT_FASTAPI_ASR_MODEL = "small.en" python -m unittest -v tests.unit.test_fastapi_server_multi_user_asr_integration

REALTIMESTT_RUN_FASTAPI_MULTI_USER_ASR=1会运行同一个测试，PERF名称只是在测量延迟时更清晰的开关（见 test_fastapi_server_multi_user_asr_integration.py 中run_real_asr_test_enabled的实现：两者任一为真即启用）。

报告内容（由build_performance_report生成，结构可从 test_fastapi_server_multi_user_asr_integration.py 确认）：

• 延迟类：首个 realtime 延迟、首个 final 延迟、音频上传结束后的 final 延迟、首次 recording/VAD-start 计时、首个 realtime 相对 recording 开始的延迟、流发送时长、stop 调用时长；
• 节奏类：realtime/final 事件的 p50/p95 节拍（cadence）；
• 质量类：每个会话的 WER（词错误率，内部实现为 token 级编辑距离除以期望词数）；
• 调度器类：final 的 p50/p95 调度延迟、会话间的firstFinalLatencySkewMs与schedulerFinalP95SkewMs偏差；
• 计数类：realtime/final 提交与完成数、合并的 realtime 数、丢弃的过期 realtime 数、被拒绝的任务数；
• 汇总类：客户端数、模型就绪耗时、报告墙钟耗时、各延迟指标的 p50/p95、最大 WER。

将报告另存为 JSON 以便跨运行对比：

$env:REALTIMESTT_FASTAPI_ASR_METRICS_JSON = "test-results\fastapi-multi-user-perf.json"

5.3 通过环境变量镜像手动服务器配置

负载测试接受后端与调度器的整套调参变量，从而能镜像一条手动启动的服务器命令。例如 sherpa-onnx Moonshine 在 CPU 上的配置：

$env:REALTIMESTT_RUN_FASTAPI_MULTI_USER_PERF = "1" $env:REALTIMESTT_FASTAPI_ASR_CLIENTS = "2" $env:REALTIMESTT_FASTAPI_ASR_ENGINE = "sherpa_onnx_moonshine" $env:REALTIMESTT_FASTAPI_ASR_MODEL = "sherpa-onnx-moonshine-base-en-int8" $env:REALTIMESTT_FASTAPI_ASR_REALTIME_ENGINE = "sherpa_onnx_moonshine" $env:REALTIMESTT_FASTAPI_ASR_REALTIME_MODEL = "sherpa-onnx-moonshine-tiny-en-int8" $env:REALTIMESTT_FASTAPI_ASR_DEVICE = "cpu" $env:REALTIMESTT_FASTAPI_ASR_DOWNLOAD_ROOT = "test-model-cache\sherpa-onnx" $env:REALTIMESTT_FASTAPI_ASR_ENGINE_OPTIONS = '{"num_threads":4,"provider":"cpu"}' $env:REALTIMESTT_FASTAPI_ASR_REALTIME_ENGINE_OPTIONS = '{"num_threads":2,"provider":"cpu"}' $env:REALTIMESTT_FASTAPI_ASR_REALTIME_PROCESSING_PAUSE = "0.8" $env:REALTIMESTT_FASTAPI_ASR_REALTIME_USE_SYLLABLE_BOUNDARIES = "1" $env:REALTIMESTT_FASTAPI_ASR_REALTIME_BOUNDARY_DETECTOR_SENSITIVITY = "0.6" $env:REALTIMESTT_FASTAPI_ASR_REALTIME_BOUNDARY_FOLLOWUP_DELAYS = "0.1,0.2,0.4" python -m unittest -v tests.unit.test_fastapi_server_multi_user_asr_integration.FastAPIMultiUserRealEngineASRTests

要点：

• 引擎选项既接受 JSON 也接受key=value列表，如num_threads=4,provider=cpu。后者是 cmd 友好的写法，可规避 Windows 引号转义问题。test_fastapi_server_multi_user_asr_integration.py 中的test_env_json_accepts_cmd_friendly_key_value_options和test_env_json_recovers_common_cmd_quote_forms专门验证了这两种解析路径，包括对{""num_threads"":4}这类双引号转义形式的恢复。
• 测试断言中，默认max_wer为 0.30、max_latency_skew_ms为 30000（均可通过环境变量覆盖），并校验每个会话的finalCompleted > 0及多会话时的 final p95 偏差上限。

5.4 Windows cmd.exe 一键脚本

针对 Windows cmd.exe 下最常见的 sherpa-onnx Moonshine 运行，仓库提供了带默认值的辅助脚本 example_fastapi_server/run_multi_user_perf.cmd。它会从脚本所在目录跳转到仓库根目录执行python -m unittest，默认设置 4 个客户端、sherpa-onnx Moonshine base/tiny 双模型、CPU 引擎选项等；仅在环境变量未定义时才填充默认值，因此可直接覆盖再运行：

set REALTIMESTT_FASTAPI_ASR_CLIENTS=8 set REALTIMESTT_FASTAPI_ASR_METRICS_JSON=test-results\fastapi-8-user-perf.json example_fastapi_server\run_multi_user_perf.cmd

更全面的REALTIMESTT_FASTAPI_ASR_*环境变量清单见 example_fastapi_server/README.md，可用于选择 CPU sherpa-onnx Moonshine、whisper.cpp、Parakeet 或其他已安装后端。

5.5 Kroko-ONNX 走同一 FastAPI 压测路径

$env:REALTIMESTT_RUN_FASTAPI_MULTI_USER_PERF = "1" $env:REALTIMESTT_FASTAPI_ASR_CLIENTS = "2" $env:REALTIMESTT_FASTAPI_ASR_ENGINE = "kroko_onnx" $env:REALTIMESTT_FASTAPI_ASR_MODEL = "test-model-cache\kroko-onnx\Kroko-EN-Community-64-L-Streaming-001.data" $env:REALTIMESTT_FASTAPI_ASR_REALTIME_ENGINE = "kroko_onnx" $env:REALTIMESTT_FASTAPI_ASR_REALTIME_MODEL = "test-model-cache\kroko-onnx\Kroko-EN-Community-64-L-Streaming-001.data" $env:REALTIMESTT_FASTAPI_ASR_DEVICE = "cpu" $env:REALTIMESTT_FASTAPI_ASR_ENGINE_OPTIONS = "provider=cpu,num_threads=2" $env:REALTIMESTT_FASTAPI_ASR_REALTIME_ENGINE_OPTIONS = "provider=cpu,num_threads=1" $env:REALTIMESTT_FASTAPI_ASR_METRICS_JSON = "test-results\kroko-onnx-fastapi-cpu-2clients.json" python -m unittest -v tests.unit.test_fastapi_server_multi_user_asr_integration.FastAPIMultiUserRealEngineASRTests

若要用 CUDA，在确认当前安装的 Kroko-ONNX 构建支持 CUDA provider 之后，把REALTIMESTT_FASTAPI_ASR_DEVICE及两个 provider 选项改为cuda即可。

六、Windows 注意事项：沙箱、权限与平台差异

• multiprocessing 管道权限：部分录音器测试使用 multiprocessing 管道。在 Windows 上，受限沙箱中可能无法创建 multiprocessing 队列/管道。若 Golden 测试在创建队列或管道时报PermissionError: [WinError 5] Zugriff verweigert（拒绝访问），请在普通终端中带上同样的环境变量重新运行。
• Parakeet/NeMo 与 Qwen vLLM 面向 Linux：在 Windows 工作站做真实模型验证时，建议在启用 CUDA 的 WSL2 Linux 环境中进行——安装可选后端依赖、把仓库挂载或克隆到 WSL 文件系统内，然后运行相同的python -m unittest命令。
• 默认 Windows 单元运行应聚焦 mock 契约测试：这样本地检查与 CI 都不需要 GPU 驱动、门控模型访问或多 GB 级下载。

七、为新增转录引擎添加测试

当为 RealtimeSTT 引入新转录引擎时，docs/testing.md 明确要求先写快速契约测试，覆盖以下行为：

1. 工厂选择与懒加载行为：create_transcription_engine能按引擎名创建实例、可选后端在导入失败时不阻塞（见 test_whisper_cpp_engine.py 的工厂测试与get_supported_transcription_engines()断言）。
2. 缺少可选依赖时的报错信息：mock 掉import_module抛ModuleNotFoundError，断言抛出的TranscriptionEngineError包含pip install ...指引。
3. TranscriptionEngineConfig到后端绑定的参数映射：如beam_size=1时切换 greedy 解码、engine_options中n_threads/single_segment透传、download_root映射到models_dir等。
4. 音频校验与归一化行为：空音频拒绝、峰值归一化、use_prompt开关、token 提示词（prompt_tokens/prompt_n_tokens）传递。
5. 后端 segments 到TranscriptionResult的转换：拼接文本、语言与置信度字段填充。

只有快速契约测试稳定之后，才添加真实模型的 Golden 测试，并且必须用环境变量保持 opt-in——这是整个测试体系保持“日常快速、按需完整”的关键约定。

八、测试路线图速查

结合这套分层体系，开发者既能在几秒内完成全部契约验证，也能按需对任意转录引擎做真实音频的端到端质量与延迟评估；而 FastAPI 多用户压测则把「并发公平性 + 延迟 p50/p95 + WER」固化成了可重复、可导出 JSON 对比的自动化检查。相关手动演示与回归脚本（如tests/final_transcription_gap_regression.py、tests/realtime_transcription_count_comparison.py）详见 docs/test-scripts.md，可与此处单元测试体系互补使用。

【免费下载链接】RealtimeSTTA robust, efficient, low-latency speech-to-text library with advanced voice activity detection, wake word activation and instant transcription.项目地址: https://gitcode.com/GitHub_Trending/re/RealtimeSTT