基于ONNX Runtime的本地语音转文本工具，支持Parakeet高精度英语识别与Whisper多语言快速转录，无需联网即可保障隐私安全。
说明：
## 核心用法
local-stt 是一款本地运行的语音转文本（STT）工具，通过 ONNX Runtime 实现高效推理，支持两种可选后端：
– **Parakeet（默认）**：专为英语优化，v2 版本提供最佳准确率，能正确捕捉专有名词和填充词；v3 版本扩展至多语言支持
– **Whisper**：OpenAI 开源模型，推理速度最快，支持 99 种语言，提供 tiny/base/small/large-v3-turbo 四级模型可选
用户通过命令行直接调用，支持 `-b` 指定后端、`-m` 选择模型变体、、`–no-int8` 关闭量化以获得更高精度，，`–quiet` 静默模式适合脚本集成。工具同时提供 Matrix 房间消息发送的扩展能力。
## 显著优点
1. **完全本地运行**：音频数据无需上传云端，从根本上杜绝隐私泄露风险，适合敏感场景
2. **双后端灵活选择**：英语场景选 Parakeet 追求极致准确率，多语言或速度优先选 Whisper
3. **INT8 量化加速**：默认启用量化推理，Parakeet v2 处理 24 秒音频仅需 0.6 秒，实时率（RTF）低至 0.025x
4. **零配置开箱即用**：依赖通过 PEP 723 锁定，模型首次自动从 HuggingFace 下载，无需手动部署
5. **openclaw 原生集成**：提供标准 JSON 配置模板，可直接嵌入自动化工作流
## 潜在缺点与局限性
– **非流式处理**：仅支持完整音频文件转录，无法满足实时语音输入场景
– **环境依赖**：强制要求 Python 3.12+ 和 ffmpeg 二进制文件，老旧系统兼容性受限
– **模型体积**：Whisper large-v3-turbo 等高质量模型占用显存/内存较大，边缘设备可能吃力
– **T3 来源风险**：由个人开发者账号维护，长期更新稳定性存疑
– **Matrix 功能需额外配置**：消息发送依赖环境变量手动设置，非全自动集成
## 适合的目标群体
– 注重隐私的开发者与内容创作者（播客、访谈转录）
– 需要离线 STT 能力的企业内网环境
– openclaw/Matrix 生态用户，寻求语音理解自动化
– 英语为主、偶尔多语言的中小团队
## 使用风险
– **首次冷启动延迟**：模型下载依赖 HuggingFace 连接，网络不畅时可能超时
– **ffmpeg 版本兼容性**：不同系统 ffmpeg 编解码支持差异可能导致特定格式解析失败
– **量化精度损失**：INT8 模式虽快，但对低质量音频或口音较重内容的识别率可能下降
– **临时文件清理**：虽已实现 try-finally 保障，但异常中断时仍可能残留中间文件
会员专属
