WM Keyboard 离线语音输入终极指南:Whisper 等 7 种本地引擎横向对比

原创2026-11-04 15:18:171,837 阅读

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。

WM Keyboard 离线语音输入主键盘界面

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

各引擎的详细文档见 语音输入总览 与 引擎提供方列表。

一键启用:如何开启离线语音输入

  1. 打开 WM Keyboard 设置 → 工具 → 语音输入(Voice typing)
  2. 在顶部 Recognition engine(识别引擎) 列表中,点击 Add a provider
  3. 选择 Whisper(或下面的其他引擎)并把它移到列表最上方
  4. 点击该引擎一行,进入其专属页面下载对应语言的模型

WM Keyboard 离线语音输入设置引擎选择界面

💡 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

WM Keyboard AI 面板设置离线模型界面

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。

WM Keyboard 工具箱与语音工具入口

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。🎯

登录后查看全文
wmkeyboard