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