一、簡介
Vosk 是一個由 Alpha Cephei 團隊開發的開源離線語音識別（ASR）工具包。它的核心優勢在于完全離線運行和輕量級，使其非常適合在資源受限的環境、注重隱私的場景或需要低延遲的應用中使用。
二、核心特點
離線運行 (Offline)
這是 Vosk 最突出的特點。所有語音識別過程都在本地設備上完成，無需將音頻數據上傳到任何遠程服務器。這對于保護用戶隱私（如醫療、金融應用）或在沒有穩定網絡連接的環境下工作至關重要。
基于 Kaldi
Vosk 的后端引擎是業界知名的開源語音識別工具包 Kaldi。Kaldi 提供了強大的聲學模型和解碼器，保證了識別的準確性和魯棒性。Vosk 可以看作是 Kaldi 的一個封裝和簡化接口，使其更易于集成到應用程序中。
輕量級與高效
Vosk 模型經過優化，可以在 CPU 上高效運行，對內存和計算資源的需求相對較低。這使得它能在樹莓派、手機、嵌入式設備甚至普通筆記本電腦上流暢工作。
多語言支持
Vosk 支持多種語言，包括但不限于：英語、中文（普通話）、西班牙語、法語、德語、俄語、日語、韓語、阿拉伯語等。官方提供了這些語言的預訓練模型。
支持流式識別 (Streaming)
Vosk 支持實時流式語音識別。這意味著你可以一邊錄音，一邊將音頻數據塊（chunk）送入 Vosk 進行處理，并幾乎實時地獲得部分識別結果。這對于語音助手、實時字幕等應用非常有用。
小詞匯量識別 (Keyword Spotting)
除了全量語音識別，Vosk 還支持通過提供一個“詞匯表”（即一個包含有限詞語的列表）來實現小詞匯量識別。這可以顯著提高特定關鍵詞（如“打開”、“關閉”、“播放音樂”）的識別速度和準確率，同時降低資源消耗。
開源與免費
Vosk 在 Apache 2.0 許可下開源，可以免費用于商業和非商業項目。
三、主要應用場景
- 智能家居控制（離線語音指令）
- 移動端語音輸入（保護隱私）
- 嵌入式設備上的語音交互
- 實時會議/講座字幕生成
- 語音轉寫工具（離線版）
- 語音命令接口
四、應用實戰
1. 下載Vosk模型
地址：https://alphacephei.com/vosk/models
這里以小個頭的中文模型 vosk-model-small-cn-0.22 為例，體積只有42M，手機和樹莓派都可以跑。
直接點擊鏈接下載即可，然后解壓到任一目錄下，比如 D:/asr/model/vosk-model-small-cn-0.22，后邊代碼要用到這個路徑。
2. 安裝Python依賴
執行 pip3 install vosk，等待安裝完成后即可開始編碼。
3. 編寫Python測試代碼
離線識別代碼示例：
import json
import time
import wavefrom vosk import Model, KaldiRecognizer, SetLogLevelSetLogLevel(-1) # 禁止輸出調試日志信息
model = Model("D:/asr/model/vosk-model-small-cn-0.22")# 打開音頻文件
audio_file = input("請輸入音頻文件路徑：")
start = time.time()
wf = wave.open(audio_file, "rb")
rec = KaldiRecognizer(model, wf.getframerate())
# 檢查音頻參數
if wf.getnchannels() != 1 or wf.getsampwidth() != 2:print("警告：音頻文件應為單聲道，16位")while True:data = wf.readframes(4000)if len(data) == 0:breakrec.AcceptWaveform(data)# if rec.AcceptWaveform(data):# print(rec.Result())# else:# print(rec.PartialResult())wf.close()
# 獲取最終結果
print('最終識別結果：', json.loads(rec.FinalResult())['text'])
print(f'識別用時：{time.time() - start:.2f}秒')Model里邊的路徑就是第二步解壓模型的路徑。
程序運行后會提示輸入聲音文件路徑，輸入后回車即可識別輸出文本內容。
測試音頻：test.wav 是測試時錄制的一段話。
運行效果
識別效果還是可以的。
更多玩法請參考官方文檔：https://alphacephei.com/vosk/
其他功能示例代碼
1. 實時語音識別
import sys
from vosk import Model, KaldiRecognizer
import pyaudio# 創建模型對象
model = Model("D:/asr/model/vosk-model-small-cn-0.22")# 創建識別器 (sample_rate 需要與音頻流的采樣率一致)
rec = KaldiRecognizer(model, 16000)# 初始化音頻流
p = pyaudio.PyAudio()
stream = p.open(format=pyaudio.paInt16,channels=1,rate=16000,input=True,frames_per_buffer=8000)
stream.start_stream()print("開始錄音，請說話... (按 Ctrl+C 停止)")try:while True:# 讀取音頻數據塊data = stream.read(4000, exception_on_overflow=False)# 將數據送入識別器if rec.AcceptWaveform(data):# 獲取最終識別結果（JSON格式）result = rec.Result()print(result) # 通常包含 'text' 字段else:# 獲取部分識別結果（可選，用于實時反饋）partial_result = rec.PartialResult()# print(partial_result) # 可以取消注釋查看部分結果except KeyboardInterrupt:print("\n停止錄音。")finally:# 清理資源stream.stop_stream()stream.close()p.terminate()# 獲取最終的識別結果final_result = rec.FinalResult()print("最終識別結果:", final_result)
程序運行時會持續監聽麥克風，只要說話就會進行識別并輸出識別結果。
2. 小詞匯量識別
from vosk import Model, KaldiRecognizer
import pyaudio# 創建模型
model = Model("D:/asr/model/vosk-model-small-cn-0.22")# 傳入詞匯表（用空格分隔的詞語）
# 注意：對于中文，詞匯表中的詞需要是模型能識別的詞語
# 這里假設模型支持這些詞
keywords = "打開 關閉 開燈 關燈 播放 暫停 下一首 上一首"
rec = KaldiRecognizer(model, 16000, keywords) # 第三個參數是詞匯表p = pyaudio.PyAudio()
stream = p.open(format=pyaudio.paInt16, channels=1, rate=16000, input=True, frames_per_buffer=8000)
stream.start_stream()print("小詞匯量識別模式。可說：打開、關閉、開燈、關燈、播放、暫停、下一首、上一首")try:while True:data = stream.read(4000)if len(data) == 0:breakif rec.AcceptWaveform(data):result = rec.Result()print("識別到:", result)
except KeyboardInterrupt:pass
finally:stream.stop_stream()stream.close()p.terminate()
)
