创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

本地AI中控的离线语音工程实录

AI 总结

这篇掘金工程实录区分了本地 AI 中控中按需调用的语音识别与常驻运行的唤醒词检测。作者记录了 Vosk 模型加载顺序修复、openWakeWord 训练环境的国内网络适配,以及 openWakeWord、Porcupine 和 Vosk 关键词方案的比较;自测结果包括平均 2.06 毫秒推理耗时和 556 项回归断言通过。作者同时说明,中文口音唤醒率以及 FunASR、faster-whisper 的准确率尚未实测,相关数据也缺少独立验证。

深度见解

文章给出了在云端推理或外部训练服务不便时,实现离线、常驻语音交互的具体路径与实测权衡。

一个本地 AI 中控要做到「随叫随到」,得先解决两件事:听清(ASR)和听见(唤醒)。 这两件事在国内网络环境下各有一串坑,我把踩过的都记在这了。


一、先把两件事拆开:很多人一开始就把它们混在一起

做语音时最常见的第一个错误,是把「语音识别」和「语音唤醒」当成一件事。

语音识别(ASR)语音唤醒(Wake Word)
干什么把波形转成文字判断「刚才那声是不是在叫我」
输出一整句文本(keyword, score) 一个事件
谁来打分语言模型(解码整段声学特征)小分类器(跑在冻结的特征提取器上)
延迟要求秒级可接受毫秒级,必须常驻
能不能云端可以(但违数据主权)绝对不行,要 7×24 在线
本项目对应Vosk / FunASR / faster-whisperopenWakeWord / Porcupine / Vosk 关键词

#openWakeWord#Porcupine#Vosk#FunASR#faster-whisper#Picovoice#Baidu AI Studio#ModelScope#ONNX Runtime#SAPI5

原文约 14 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。