sherpa-onnx 离线语音识别实战指南从模型选型到三步跑通本地 ASR 演示【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-onnxsherpa-onnx 是一套完全本地的离线语音识别ASR语音转文字工具集把 ONNX 格式的模型直接跑在设备 CPU 或 NPU神经网络处理单元上语音识别、语音合成TTS文字转语音、语音活动检测VAD定位音频中人声的起止位置一次配齐推理过程不依赖网络。对隐私敏感的产品和端侧部署场景它的价值很直接录音不出设备、延迟可控、没有按调用计费的云端账单。目标硬件是手机、树莓派或带 NPU 的开发板时可以把它放进候选清单。和单用途的转写脚本相比它的差异在覆盖面ASR、TTS、说话人分离、语音增强、声源分离装在同一个库里并提供 12 种编程语言的绑定。一句话概括适合需要本地语音全套件、又不想拼多个库的团队。 sherpa-onnx 支持哪些功能与哪些平台功能维度与支持平台合并成一张表维度支持项语音识别流式边说边出字与非流式整句解码Whisper、Paraformer、SenseVoice、Zipformer 等主流模型语音合成内置 VITS、Piper、Matcha、Kokoro 模型可切换说话人与语速输出 wav说话人识别 / 验证判断是谁在说分离把多人对话切成不同人的段落辅助能力VAD 端点检测、GTCRN / DPDFNet 语音增强降噪、Spleeter / UVR 声源分离、语言识别、音频事件标注、关键词唤醒、标点恢复桌面 / 服务器Windows、macOS、Linuxx86、x86_64、arm64、arm32、riscv64移动端Android含 WearOS、iOS、HarmonyOS嵌入式树莓派、RK / 昇腾 / 爱芯 NPU 板、Jetson、RISC-V 开发板应用框架Flutter、Tauri、WebAssembly编程语言C、C、Python、Go、C#、Java、Kotlin、Swift、JavaScript、Dart、Rust、Pascal性能数据用 RTF实时因子处理 1 秒音频所花的秒数来描述流式 Zipformer、Paraformer 在普通 CPU 上 RTF 普遍低于 0.1即处理 1 秒音频耗时小于 0.1 秒。TTS 侧下图演示中 5.2 秒音频用了 1.2 秒生成RTF ≈ 0.236树莓派级别硬件上普遍在 0.2~0.3 区间具体取决于模型与硬件。同一个 TTS 演示应用在 Ubuntu 虚拟机中同样可以直接运行 三步跑通第一个 demo获取示例与源码git clone https://gitcode.com/GitHub_Trending/sh/sherpa-onnx安装 Python 包官方脚本随附模型自动下载 ONNX 文件pip install sherpa-onnx传入一段 wav 做非流式识别直接输出转写文本python python-api-examples/offline-decode-files.py想看流式识别与语音合成对应示例在 python-api-examples/online-decode-files.py 和 python-api-examples/offline-tts.py。12 种语言各有独立示例目录结构一致照着替换即可。 边界说明它不做什么以及三个高频疑问先说两条边界避免期望错位只做推理不做训练。项目不提供训练工具模型需要由上游框架Whisper、Paraformer 等原项目训练后导出为 ONNX微调同样不在范围内。不追求云端大模型的精度上限。它的定位是端侧低延迟与成本可控如果只追转写准确率且预算充足云 API 是更省心的选择。三个高频疑问直接回答是否完全离线是。推理不依赖网络仅首次下载模型需要联网。音频会不会出设备不会。音频在本地解码不经过任何第三方服务器也没有按调用计费的账单模式。性能开销如何参考上文 RTF流式 ASR 在普通 CPU 上普遍低于 0.1TTS 约 0.2~0.3随模型与硬件浮动。✅ 选型速查什么场景适合什么场景不适合适合你如果产品涉及医疗、车载、金融等隐私数据录音不能出设备目标硬件是树莓派、手机或带 NPU 的开发板需要 ASR TTS VAD 组合不想拼多个库不适合你如果追求云端大模型的极限识别精度需要训练或微调模型请回上游框架完成业务量小且已深度绑定某家云厂商 API下一步建议先查根目录 README.md 里的模型列表确认你的语种和场景有对应模型再到 python-api-examples/ 等示例目录按语言绑定找对应样例跑起来。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考