实时语音转文字 (STT) 与模型选择

无界音流的核心功能是基于本地模型的实时语音转文字（STT）。它能够精准、快速地将您的语音转化为文字，并支持多种输出方式。

实时 STT 功能介绍

无界音流支持 SenseVoice ONNX 与 FunASR 两条本地实时 STT 路径。两者都支持临时流式结果与句级最终结果，您说话时即可持续看到文字上屏。

输出方式

在设置中，您可以选择不同的输出方式：

• 跟随光标注入（推荐）：边说边写，识别结果直接输入到您当前光标所在的位置。开启后，请先用鼠标点到你想输入的地方（如 Word、网页输入框），再开始说话。
• 实时输出：在应用界面内实时显示识别结果。
• 最终自动回车：在一段话讲完后，自动输出最终结果并换行。

如何开启实时 STT

选择与配置不同模型

为了让语音识别功能正常工作，您需要进行简单的模型配置：

选择后端并配置模型目录

1. 打开应用主界面，进入 设置 (Settings)。
2. 在 STT 后端中选择要使用的实时后端（ONNX 或 FunASR）。
3. 在 模型目录 中选择对应后端的模型文件夹路径。

推荐模型下载（ModelScope）

无界音流默认使用 SenseVoice 本地模型（ONNX）。推荐使用 ModelScope 下载（参考 ModelScope 文档；小白安装指南见 附录 A）：

modelscope download --model iic/SenseVoiceSmall --local_dir ./SenseVoiceSmall

下载完成后，将设置里的 模型目录 指向下载目录（例如 ./SenseVoiceSmall 或 Windows 绝对路径）。

如果您选择 FunASR 后端，请下载 FunASR-Nano 模型，并将 模型目录 指向该目录：

modelscope download --model FunAudioLLM/Fun-ASR-Nano-2512 --local_dir ./Fun-ASR-Nano-2512

高级 STT 设置

• 发送帧间隔（毫秒）：决定语音识别的实时性。建议设置为 20ms（接近实时）。数值越小，文字上屏越快，但会增加电脑性能消耗。
• 识别语言：强制指定识别的语言（如中文、英文、日文等）。推荐选择 自动 (auto)，让 AI 自动判断。
• TextNorm：文本标准化处理。推荐保持 auto（默认）。

native-stt 离线文件转写

升级后的 native-stt 提供了一条与实时麦克风 STT 并行的离线转写路径。它适合较长录音、历史音频、会议回放和本地批量转写场景。

适用场景与特点

• 仅用于音频文件转写：该路径用于上传/本地音频文件，不替代实时麦克风识别；实时录音请使用 ONNX 或 FunASR 实时后端。
• 支持原生后端：可切换 Whisper 或 SenseVoice，按模型类型选择最适合的转写引擎。
• 长音频更稳妥：应用会按片段处理较长文件，并把结果持续追加到“原始结果”区域。
• 可中途中止：转写过程中可以点击停止按钮终止当前任务。
• 自动优先 CUDA：系统具备可用 CUDA 环境时，native-stt 会优先尝试 GPU 加速。

如何配置 native-stt

1. 在主界面的 STT 面板中，将后端切换为 Whisper 或 SenseVoice。
2. 选择对应的 模型文件 或模型路径。
3. 再选择需要转写的 音频文件。
4. 点击 转写文件，结果会逐步写入“原始结果”区域。

模型与格式说明

• Whisper：适合使用 .bin、.ggml、.gguf 模型文件。
• SenseVoice：适合使用 .bin 或 .gguf 模型文件。
• 语言建议：大多数情况下保持 auto 即可；如需提高稳定性，可手动指定语言。