没网也能识别!「说点啥」BiBi Keyboard六大本地离线ASR模型(SenseVoice/Qwen3-ASR)完整教程
没网也能识别!「说点啥」BiBi Keyboard六大本地离线ASR模型(SenseVoice/Qwen3-ASR)完整教程
「说点啥」(BiBi Keyboard)是一款基于 Kotlin 的 Android 智能语音输入法,支持 6 个可完全离线运行的本地 ASR 模型(SenseVoice、Qwen3-ASR、FunASR Nano 等),在无网环境下也能完成离线语音识别。本教程带你从零完成本地离线 ASR 模型的下载、配置与使用,全程无需填写任何 API Key。
为什么你需要本地离线语音识别
云 ASR 虽然识别能力强,但有两个绕不开的痛点:
- 没网就用不了:地铁、电梯、高铁隧道里,云端语音输入直接失效;
- 隐私顾虑:录音需要上传到云端服务器,涉及敏感内容时难免犹豫。
「说点啥」内置的本地 ASR 引擎基于 sherpa-onnx 推理框架,所有识别过程都在手机本地完成——录音不上传、不依赖网络、零 API 费用,真正做到"没网也能识别"。
六大本地 ASR 模型对比:一次看懂选哪个
| 模型 | 可选版本与大小 | 支持语言 | 特点 |
|---|---|---|---|
| 🎙️ SenseVoice | Small int8(约 160MB)/ fp32(约 850MB) | 中、英、日、韩、粤语 | 体积小、速度快,支持伪流式预览 |
| 🌏 FunASR Nano | int8(约 690MB) | 中文、多语言版覆盖 30 种语言 | 支持用户提示词(User Prompt)引导识别 |
| ⚡ Qwen3-ASR | 0.6B Int8(806MB)/ 1.7B Int8(2.0GB) | 中文为主 | 大模型精度,适合对识别质量要求高的场景 |
| 🦜 Parakeet | 0.6B V3 欧洲版(456MB)/ V2 英语版(451MB) | 英语 / 欧洲语言 | 专注英文与欧洲语言的高精度识别 |
| 🔥 FireRedASR V2 | Zh+En CTC int8(约 740MB) | 中、英 | 中英混合识别,支持 ITN 与伪流式 |
| 🌊 X-ASR | Zh+En 480ms(530MB) | 中、英 | 流式识别,边说边出字,延迟最低 |
模型清单与下载地址定义在 AsrLocalModelSpecs.kt,六大模型的生命周期管理(预加载、卸载、就绪检查)统一收敛在 AsrLocalVendorLifecycle.kt 中。
快速选择建议:
- 日常中文输入、追求轻量 → SenseVoice int8(160MB),最省空间;
- 想要最强中文离线精度 → Qwen3-ASR(内存充足选 1.7B);
- 英文场景为主 → Parakeet;
- 中英混说 → FireRedASR V2;
- 想要"边说边出字"的流式体验 → X-ASR。
本地离线ASR模型下载:一键下载三步走
第一步:进入语音识别设置
打开「说点啥」设置 → 语音识别设置,将 ASR 供应商切换为对应本地模型(如 SenseVoice、Qwen3-ASR)。本地供应商在列表中带有"本地"标签(见 strings_asr.xml)。
第二步:一键下载模型
在对应模型的配置区点击**"一键下载模型"**,即可开始后台下载:
- 下载由 ModelDownloadService.kt 提供的前台服务执行,通知栏实时显示下载与解压进度;
- 模型文件自动解压到应用私有目录(如
sensevoice/、qwen3_asr/),无需手动搬运; - 也支持**"从本地导入模型"**:把模型 zip 包放到手机存储后导入,适合已提前用电脑下载好模型的用户;
- 下载支持多版本并行、断点容错,解压采用严格校验与原子替换,失败不会残留坏文件。
第三步:开始离线使用
模型安装完成后,切换到任意输入框,长按麦克风按钮说话、松手即识别。断网状态下流程完全一致——录音、VAD 判停、本地推理全部在设备内完成,语音活动检测使用内置的 ten-vad.onnx 模型。
进阶配置:让离线识别更快更准
每个本地模型都提供了一组实用的调优项(以 SenseVoice 为例,配置项定义见 AsrSettingsViewModel.kt):
| 配置项 | 作用 | 推荐 |
|---|---|---|
| 线程数(1-8) | 推理并发线程,影响识别速度 | 中低端机 2-4,旗舰机 4-8 |
| ITN 数字智能识别 | 把"一千二百三十四"转写成"1234",日期时间同理 | 开启 |
| 积极加载模型(预加载) | 键盘弹出时预加载模型,消除首次识别延迟 | 开启 |
| 模型卸载策略 | 识别后模型驻留内存 5/15/30 分钟或常驻,避免反复加载 | 频繁使用者选"常驻" |
| 伪流式预览(SenseVoice / FireRedASR) | 把长录音按固定长度分段本地预览,结尾整段精识别覆盖 | 长语音场景开启 |
| 识别语言 | SenseVoice 支持中/英/日/韩/粤语及自动检测 | 固定语言可提速 |
💡 小提示:Qwen3-ASR 1.7B 模型约 2.0GB,建议 8GB 以上内存的机型使用;日常使用 0.6B 版本(806MB)即可兼顾精度与速度。
本地离线识别的工程实现速览
对感兴趣的技术同学,核心实现都在 asr 模块 下:
- 各模型识别引擎:SenseVoiceFileAsrEngine.kt、Qwen3AsrFileAsrEngine.kt、ParakeetFileAsrEngine.kt、XAsrStreamAsrEngine.kt 等;
- 离线识别器公共骨架(recognizer 缓存、生命周期、自动卸载):BaseSherpaOfflineRecognizerManager.kt;
- 可选的本地标点模型(CT-Transformer,中英)由 SherpaPunctuationManager.kt 管理,可为本地识别结果自动补标点;
- 本地模型文件完整性校验:LocalModelIntegrity.kt。
常见问题 FAQ
Q1:识别时提示"模型缺失 / 本地 ASR 未就绪"? 说明对应模型还没下载。回到设置的语音识别设置,重新点击"一键下载模型",等待通知栏显示"模型已安装"即可。各模型的缺模型提示定义见 AsrLocalModelCatalog.kt。
Q2:首次识别有点慢? 首次识别需要加载模型到内存。开启"积极加载模型"后,键盘弹出即预加载,第二次起几乎无感。
Q3:模型太占空间? 每个模型都提供"清除已下载模型"按钮,可随时删除并换装更小的版本(如从 Qwen3-ASR 1.7B 换到 0.6B,从 fp32 换到 int8)。
Q4:离线识别支持哪些语言? 中文、英文是全部模型的共同基础;SenseVoice 额外支持日/韩/粤语,FunASR Nano 多语言版覆盖 30 种语言,Parakeet 专精英文与欧洲语言。
总结
「说点啥」BiBi Keyboard 的六大本地离线 ASR 模型覆盖了从 160MB 轻量款到 2.0GB 高精度款的完整梯度:SenseVoice 轻快全面、Qwen3-ASR 精度最强、FunASR Nano 多语言、Parakeet 英文专精、FireRedASR 中英混合、X-ASR 流式低延迟。一次下载、终身离线可用,是通勤、出差、无网场景下语音输入的最佳解。现在就可以打开设置,选一个模型开始你的离线语音输入体验。
