离线听写1.2.2 App应用:话筒一绿,字就在手机里长出来

QUOTE

录音留在手机里。你一边说，字一边长出来。开完会，还能按人把话拆开。

我做这个应用，就想要一种很具体的手感。点一下话筒，它变绿，字跟着往外长，说完再点一下就停。微信里把语音转成文字，大概就是这个节奏。

再往前多走一步。一段会议录音丢进去，能看出谁在什么时候说了哪句，还能给常出现的人留个名字。

下面写的都是现在这版离线听写 1.2.2里真有的功能。页面上的字、文件大小、能打开的格式，都按这版安装包来说。

本文看点

三件事，三个页面。听写负责边说边出字。会议分离负责把一段录音拆开。记人这件事，就发生在会议结果里。

听写页的空状态写着：点右侧话筒，变绿后文字会直接写进输入框。真的开始听了，提示换成：话筒已变绿，说完再点一次即可停。空闲时话筒是白的，听的时候变成微信那种绿。

听的过程中，字写在一块会刷新的区域里。停下来之后，才回到输入框，方便改字、发送。这个区分是故意的，输入框在聚焦时，外面往里填字经常刷不出来。

— 听写页。绿话筒和实时文字都在这一屏

会议那一页叫会议分离。说明文字写的是支持 wav、mp3、m4a、amr。选完文件，它先分人，再把每一段转成字。

声音的计算都在手机上。听写和会议不会为了转写再上传一段录音。要联网的时候，是第一次把模型下到本机。

听写模型来自 sherpa-onnx 1.13.7 的官方包，是中英双语的流式 Zipformer，量化到 int8。流式的意思很直白：你还在说，它就先给一版字，停顿之后把这句定下来，再听下一句。

选它，是因为手机输入框吃不消太大的模型。项目里对照过：在线那档 Paraformer 大约 1 GB，塞不进这种实时输入；FireRedASR、Qwen 那一类更重。Whisper 更适合整段出结果，这版没有拿它做边说边出字。

手机会按它能开的采样率来听，再转成模型要的样子，送进去的是一小段一小段的波形。如果手机没把声音交出来，页面会提示没有收到麦克风数据。这时候去看权限，比反复点话筒有用。

安卓上采集和识别放在同一页里做。两处同时抢麦克风，很容易一边变绿、一边没字。这个坑是这版特意避开的。

第一次点话筒，如果模型还没下，页面会说：听写模型还没下载，点下方状态开始下载。模型没到齐，识别不会硬跑。

早先把模型打进安装包，包大约 229 MB。装一次就很沉，以后更新还得把模型再传一遍。现在这版把权重拿出去了，安装包大约 14 MB，模型等装好再下。

14 MB 对应的安装包是 14,835,404 字节。听写这一套是运行时加模型，加起来 212,209,477 字节，大约 202 MB。说话人那一套是 57,951,877 字节，大约 55 MB。数字按文件原始字节换算，没有四舍五入成好看的整数。

四个文件放在阿里云 OSS 的 sherpa 目录，对象设成公共读，应用里不放密钥。地址是：

字节分别是 13,150,239、199,059,238、12,364,192、45,587,685。表里按 MB 取了一位，方便看。

只想边说边出字，下「下载听写模型」就够。要拆会议，两组都要下。分离负责分人，转写还是用上面那套听写模型。

下载会核对文件大小。已经下全、大小对得上的，不会再下一次。所以后面换一个新安装包，只要还是这四份模型，本机不用重新下。

听写模型只管把声音变成字，它不认识人。分人用的是另一套官方包：分段来自 pyannote，用来判断哪一段像同一个人；声音嵌入来自 3D-Speaker 的 ERes2Net。分完之后，每一段再送进同一个听写模型。

所以会议结果是两层。上面一层是谁、从几秒到几秒。下面一层才是这句话的文字。

解不开的时候，页面会说：这段音频解不出来，请换 wav、mp3、m4a 或 amr。网页版没有安卓这套解码器，amr 在浏览器里通常走不通。

记住一个人，存的是一小段原话

某段话说得清楚，点登记，起个名字。应用留下这个人大约 5 秒的原话，存在本机。下次再导入会议，这段原话会接到录音前面，中间留大约半秒空白，免得两段粘在一起。然后整段一起做分离。

和这段原话在时间上对上的那一簇，显示你起的名字。同名再登记一次，会盖掉旧的。这个名字和原话只留在这台手机。

安装包直接装到安卓手机。装好先别急着点话筒，模型还没在里面。

先把字听出来

再把一段会拆开

这版发出去的安装包是安卓 1.2.2。小程序跑不了模型。网页可以做听写，会议里的 m4a、amr 仍以安卓这条解码路径为准。

两个人叠着说，分离容易糊。很长的会要同时把两套模型放在内存里，手机会发热、会变慢。安静、轮流说的会，结果清楚得多。

记人靠的是那段大约 5 秒的原话对上下一场会议。它适合「这就是上次那个人」。拿去当开户、打卡那种核验，不在这版的能力里。文章里也没有写识别率，因为这版没有做过一套对外的字错测评。

你手头如果有一段会，更想先试哪一种：边说边出字，还是把录音按人拆开？评论里留一句就行。用过 m4a 或 amr 的，也可以说一声顺不顺。