WM Keyboard 离线语音输入终极指南:Whisper 等 7 种本地引擎横向对比
WM Keyboard 离线语音输入终极指南:Whisper 等 7 种本地引擎横向对比
WM Keyboard(WM Keyboard)是一款隐私优先的开源 Android 键盘,内置 离线语音输入 能力:无需联网,语音在手机上直接转成文字。本文带你快速上手,并横向对比 Whisper、Whistle、Asr4All、Parakeet、Moonshine、Sherpa、Omnilingual 这 7 种本地语音引擎,帮你选出最适合自己语言和设备的方案。
为什么选择离线语音输入?
大多数键盘的语音输入把音频上传到服务器识别,而 WM Keyboard 的本地引擎只下载一次模型,之后所有识别都在手机内完成,音频数据从不离开设备:
- 🔒 隐私:断网也能听写,密码字段之外的任何输入框都可用
- ⚡ 响应:无网络往返,短语音转写只需 1~2 秒
- 🌍 多语言:覆盖从英语到孟加拉语、斯瓦希里语等 380+ 种键盘语言
一键启用:如何开启离线语音输入
- 打开 WM Keyboard 设置 → 工具 → 语音输入(Voice typing)
- 在顶部 Recognition engine(识别引擎) 列表中,点击 Add a provider
- 选择 Whisper(或下面的其他引擎)并把它移到列表最上方
- 点击该引擎一行,进入其专属页面下载对应语言的模型
💡 小技巧:开启 Engine for each language 后,可以为每种语言指定不同引擎,例如英语用系统识别器、孟加拉语用 Whisper,切换布局时自动匹配。
7 种本地引擎一览表
| 引擎 | 语言 | 下载体积 | 工作方式 | 适合人群 |
|---|---|---|---|---|
| Whisper | 最多 99 种 | 约 40 MB ~ 1.5 GB | 录完整段后转写 | 需要多语言、追求准确率 |
| Whistle | 7 种(英德法等) | 16.9 MB | 录完整段后转写 | 小模型、快速响应 |
| Asr4All | 英语 | 38~123 MB | 边说边出字(流式) | 英语实时听写 |
| Parakeet | 25 种欧洲语言 | 719 MB | 录完整段后转写 | 欧洲语言高精度 |
| Moonshine | 英语 | 151 MB | 录完整段后转写 | 英语短句、快速应答 |
| Sherpa | 13 种(含孟加拉语) | 30~341 MB/语言 | 边说边出字(流式) | 非英语实时听写 |
| Omnilingual | 约 380 种 | 367 MB | 按短语整段转写 | 小众语言兜底方案 |
各引擎源码统一位于 core/voice/ 模块,其中 Whisper 引擎核心在 WhisperEngine.kt,音频录制与降噪由 WhisperRecorder.kt 负责。
重点引擎详解
🎙️ Whisper:离线语音输入的旗舰
Whisper 由 whisper.cpp 驱动(内置于应用),支持 Whisper 家族全部 99 种语言,可明确告诉模型你要说什么语言,还能把你自定义的「待监听词语」作为提示传入。
模型从 Tiny(最快)到 Large v3(最高精度)共 10 个 whisper.cpp 档位,外加 29 个社区 LiteRT 模型。多数 2018 年后的手机可启用 ARM dot-product 加速,骁龙芯片还能跑在 GPU 上。官方推荐 Small 档位:精度明显更好,手机上依然流畅。
⚡ Whistle 与 Moonshine:小而快
- Whistle:单个 16.9 MB 模型,覆盖英、德、法、西、意、荷、波 7 种语言,支持「待监听词语」偏好,速度大幅领先 Whisper Base,仅支持 64 位 ARM 手机。
- Moonshine:2700 万参数的英语小模型,只读取实际音频时长(3 秒的话只算 3 秒的编码量),短句应答速度最快。
📝 Asr4All:边说边出字
Asr4All 是英语专属的流式引擎:话语在你说话时就带下划线实时出现在输入框中,停顿后第二遍模型自动补上标点和大小写。38~123 MB 三档可选,手机上延迟约 1.5 秒。
🌐 Parakeet:25 种欧洲语言自动识别
基于 NVIDIA Parakeet TDT 0.6B v3 模型(719 MB 4-bit 手机构建),无需为每种语言单独选模型,说哪种语言它就自动听出哪种,文本自带标点与大小写。适合内存充足的较新设备。
🌏 Sherpa 与 Omnilingual:多语言长尾覆盖
- Sherpa(docs):13 种语言的流式 Zipformer 模型,边说边出字,每语种一个模型(英语 46~75 MB、孟加拉语 96 MB、中文 169 MB 等),支持热词提示,冷门人名识别率大幅提升。
- Omnilingual(docs):Meta 的单模型方案,367 MB 覆盖键盘中约 380 种语言——包括斯瓦希里语、约鲁巴语、波斯语,以及 Nuer、Nande 等几乎没有其他引擎支持的语种,是「冷门语言兜底」的最佳选择。
如何挑选适合你的引擎?
| 你的需求 | 推荐引擎 |
|---|---|
| 英语为主、要实时出字 | Asr4All(流式)或 Moonshine(更快) |
| 英语、7 种语言小体积 | Whistle(17 MB 起) |
| 多语言 + 最高准确率 | Whisper(Small / Turbo) |
| 欧洲语言办公 | Parakeet |
| 孟加拉语等亚洲语言实时听写 | Sherpa |
| 其他冷门语言 | Omnilingual |
如果语言被多个引擎覆盖,官方文档建议:有专属引擎时优先选专属引擎(更准或流式),Omnilingual 用于专属引擎缺失的语言。
进阶实用技巧
- 待监听词语(Words to listen for):把人名、术语加入列表,Whisper、Whistle、Sherpa 会优先按你的拼法输出
- 短语结束检测器:Silero VAD / FireRedVAD 能区分「你在停顿思考」和「你说完了」,避免风扇噪音拖长转写
- 背景降噪:强降噪(DPDFNet)可把 Whisper Tiny 的词错误率从 27% 降到 24%,嘈杂环境必开
- AI 整理听写:开启 Tidy dictation with AI 后,每段话由 AI 模型自动去除「嗯」「就是说」等口头禅和重复
- 完全离线导入:无法联网下载?用其他设备取好模型文件后,在设置里 Import 导入,同样做 SHA-256 校验
语音工具面板内还集成了删除、空格、回车和手写风格操作轨,配合 Keep listening 连续模式,可以一口气听写整段文字而无需反复点按麦克风;想深入了解三种语音视图(全面板 / 紧凑条 / 悬浮条)的差异,请参阅 语音输入完整文档 与 Whisper 文档。
总结
WM Keyboard 用 7 种本地语音引擎把「离线语音输入」做成了可自由组合的选项:追求快选 Whistle/Moonshine,追求全语言选 Whisper/Omnilingual,追求欧洲语言精度选 Parakeet,追求亚洲语言实时体验选 Sherpa。模型下载一次、校验一次,之后所有音频都留在你的手机里——这就是隐私优先听写的完整打开方式。🎯



