语音转文本

Xime 的语音转文本支持两种方式：本地离线识别（内置，v2.6.0+）与在线语音识别插件（如阿里百炼 FunAsr、火山引擎），均可将语音实时转换为文字输入。

权限声明

使用语音转文本功能需要以下权限：

• 录音权限（必需） - 录制语音用于识别
• 网络权限（在线识别需要） - 在线识别需连接服务商；本地离线识别仅下载模型时需要网络

首次使用时，系统会请求麦克风权限，请务必点击「允许」。如果拒绝权限，语音功能将无法使用。

功能定位

• 本地离线识别：无需联网、不上传语音数据，适合注重隐私或网络不便的场景，识别能力依赖本地模型。
• 在线识别：基于在线 ASR 插件，识别准确率与响应速度更高。如果您追求更高的识别准确率、更丰富的功能（如语音命令、多语言混合识别等），建议使用商业输入法（如讯飞、百度、搜狗等）。

功能特点

• 本地离线识别（v2.6.0+） - 内置离线识别引擎与独立进程识别服务，本地模型下载后无需联网即可使用
• 在线实时识别 - 基于在线 ASR 插件，实时流式识别
• 流式输出 - 识别结果实时显示；句子结束时（或长按松开时）一次性提交完整句子，整句连贯、不重复、不会因按键而丢失
• 自带标点 - 在线 ASR 插件识别结果自带标点，宿主不再重复追加
• 音量与频谱可视化 - 显示麦克风音量波动；常驻语音模式下候选栏显示实时频谱动画
• 常驻语音模式（v2.6.0+） - 点击工具栏语音按钮进入常驻语音状态，无需长按空格键
• 预缓冲机制 - 按住空格键时立即开始录音，缓存音频数据，防止语音丢失（吃字）
• 模型预热 - 本地模型提前加载预热，避免识别启动延迟导致音频丢失
• STT 开关 - 可在设置中启用或禁用语音转文字功能，禁用后长按空格键输出连续空格
• 服务商单选 - 在线语音识别服务商只能同时使用一个，可在设置中切换

本地离线识别

v2.6.0 起内置离线语音识别能力，识别在本地独立进程中完成，语音数据不上传。

启用步骤

1. 进入「设置 → 扩展商店 → 模型」标签页，在语音模型区域下载本地语音识别模型
2. 进入「设置 → 语音转文本」
3. 在引擎切换开关中选择「本地」引擎
4. 授予麦克风权限即可使用

特性说明

• 独立进程服务 - 识别运行在独立进程（AsrInferenceService）中，与键盘进程隔离，避免识别负载影响打字流畅度
• 模型预热 - 支持模型预热机制，避免首次识别时模型加载延迟导致音频丢失
• 前缓冲 - 弱音开头的音频内容会被缓存，不会被丢弃
• 空闲释放 - 模型空闲时自动释放，降低内存与功耗占用

语音识别插件

在线语音识别以插件形式提供。语音识别完全插件化，标点预测模型已移除；如需在线识别，请安装并启用相应插件。

可用插件

插件	服务商	特点
FunAsr	阿里百炼	WebSocket 流式，自带标点，高准确率
Volc ASR	火山引擎	WebSocket 流式二进制协议，支持中间结果
Tencent ASR	腾讯云	实时语音识别 V2（WebSocket），支持中英粤及 30 种方言、说话人分离引擎、临时热词表

kaomoji、meme-bunny、funasr-asr 插件随 APK 内置；volc-asr、tencent-asr 插件可在「扩展商店 → 插件」中下载。

启用步骤

1. 确保已安装并启用至少一个语音识别插件（「设置 → 插件管理」确认启用状态）
2. 进入「设置 → 语音转文本」
3. 在服务商列表中选择一个提供商，点击激活（未配置的插件会跳转配置页）
4. 填写 API Key 等配置信息
5. 授予麦克风权限

配置 FunAsr 插件

获取 API Key

1. 访问 阿里云百炼平台
2. 登录/注册阿里云账号
3. 在模型广场获取 API Key

配置步骤

1. 在「扩展商店 → 插件」中下载 funasr-asr 插件（或确认已安装）
2. 进入「设置 → 语音转文本」
3. 选择「阿里百炼 FunAsr」服务商
4. 将 API Key 粘贴到输入框并保存
5. 点击激活，授予麦克风权限

配置 Volc ASR 插件

1. 确认 volc-asr 插件已启用
2. 进入「设置 → 语音转文本」
3. 选择「火山引擎流式语音识别」服务商
4. 按提示填写 API Key / 鉴权信息
5. 在插件中心为该插件声明的域名授权（openspeech.bytedance.com）
6. 点击激活

配置 Tencent ASR 插件

1. 确认 tencent-asr 插件已安装并启用
2. 前往腾讯云语音识别控制台开通语音识别服务，并在「API 密钥管理」页面获取 AppID / SecretId / SecretKey
3. 进入「设置 → 语音转文本」，选择「腾讯云实时语音识别」服务商，填写三要素
4. 可选配置：
   • 引擎模型：默认 16k_zh_en_2.0（中英粤 + 30 种方言）；如需说话人分离，改为 16k_zh_en_speaker_2.0
   • 临时热词表：格式 热词|权重，多个用英文逗号分隔（如 腾讯云|10,语音识别|5），提升专有名词识别率
5. 在插件中心为该插件声明的域名授权（asr.cloud.tencent.com）
6. 点击激活

使用方法

启用语音功能

在「设置 → 语音转文本」中开启语音转文字开关。如果关闭该开关，长按空格键将不会进入语音模式，而是连续输出空格字符。

启动语音输入

1. 在输入状态下，长按空格键进入语音模式
2. 或点击键盘上的麦克风图标
3. 开始说话，识别结果会实时显示

预缓冲机制：长按空格键时，系统会立即开始录音并缓存音频数据，避免因录音启动延迟导致的语音丢失（吃字）。松开空格键后，缓存的音频会与后续录音一起发送给识别引擎。

结束语音输入

• 松开空格键：提交识别结果
• 点击发送按钮：提交结果并关闭语音模式
• 点击取消按钮：放弃结果并关闭语音模式

常驻语音模式

除了长按空格键，v2.6.0 起还支持常驻语音模式，适合长时间连续语音输入：

1. 点击键盘工具栏上的语音按钮（麦克风图标）进入常驻语音状态
2. 候选栏显示当前语音引擎名称和实时频谱动画
3. 说话过程中识别结果实时上屏
4. 结束方式二选一：轻触空格键，或点击候选栏上的频谱动画（v3.0.0+），都会结束识别并提交结果（带震动反馈）

权限要求

语音转文本功能需要以下权限：

权限	用途	必需场景	如何授予
麦克风（RECORD_AUDIO）	录制语音用于识别	所有场景必需	首次使用时弹窗请求，点击「允许」
网络（INTERNET）	在线识别连接服务商；下载本地模型	在线识别 / 首次下载模型	应用安装时自动授予

权限检查

如果语音功能无法使用，请检查权限设置：

1. 进入「系统设置 → 应用 → Xime → 权限」
2. 确保「麦克风」权限已开启
3. 确保网络连接正常

提示

• 拒绝麦克风权限后，语音功能将完全无法使用
• 可以在系统设置中重新授予麦克风权限

技术细节

语音识别架构

• 宿主仅负责音频采集：AudioRecord 16kHz / 单声道 / PCM 16-bit
• 本地识别运行在独立进程服务 AsrInferenceService 中，支持模型预热与空闲释放
• 在线后端按需加载：首次语音识别时加载，不预加载
• 在线插件引擎按需初始化：首次 startRecognition() 时后台线程加载

在线 API 技术参数

• 采样率：16000 Hz
• 格式：PCM 16-bit 单声道
• 识别服务：由所选插件提供（WebSocket 流式协议）

相关文件

文件	说明
SpeechRecognitionManager.kt	语音识别管理器（录音 + 后端调度）
AsrInferenceService.kt	本地离线识别服务（独立进程）
PluginAsrBackendAdapter.kt	插件 ASR 后端适配器
VoiceRecognitionHandler.kt	语音识别 UI 处理
JsAsrBackend.kt（plugin-core）	JS ASR 后端实现
funasr-asr/main.ts（插件）	FunAsr WebSocket 协议实现（TypeScript）
volc-asr/main.ts（插件）	火山引擎协议实现（TypeScript）
tencent-asr/main.ts（插件）	腾讯云实时语音识别实现（TypeScript）

常见问题

Q: 语音识别无反应？

检查以下几点：

1. 是否已授予麦克风权限
2. 引擎选择是否正确（本地引擎需已下载模型；在线引擎需已安装并启用插件）
3. 在线识别需检查：API Key 是否正确配置、是否已激活服务商、网络连接是否正常

Q: 本地离线识别和在线识别怎么选？

• 本地离线识别：无需联网、语音数据不出设备，但需要下载模型，占用一定存储与内存
• 在线识别：准确率通常更高，但需要联网并配置 API Key，语音数据会上传至服务商

Q: 识别准确率低？

1. 确保在安静环境下使用
2. 说话清晰，语速适中
3. 麦克风没有被遮挡

Q: 连接失败？

1. 检查网络连接
2. 确认 API Key 有效
3. 检查插件声明的网络域名是否已授权（插件管理 → 网络权限）
4. 稍后重试，可能是服务端临时故障

Q: 识别结果标点很多、句子被切碎？

已优化为整句提交：识别过程中的部分结果只做实时预览，句子结束（或长按松开）时才一次性提交完整句子，整句连贯、不重复。在线 ASR 自带标点，宿主不会再重复追加（避免"。。"）。

Q: 语音输入时按其他键，已识别的内容消失了？

语音模式为长按触发：说话时部分结果实时上屏，松开空格键时会立即提交当前已识别内容并结束识别，不会因按其他键而丢失。如果仍遇到，请确认已更新到包含该修复的版本。

注意事项

• 本地离线识别无需联网使用，下载模型时需要网络
• 在线识别需要联网，API Key 请妥善保管，不要泄露
• 在线识别的语音数据会上传至所选服务商进行处理；本地识别的语音数据不出设备
• 在线识别建议在 WiFi 环境下使用，避免消耗移动数据流量