本地语音转文本工具，支持Parakeet（英语高精度）与Whisper（99语言极速）双后端，ONNX Runtime int8量化加速
说明：
## 核心功能
local-stt 是一个统一的本地语音转文本（Speech-to-Text）解决方案，基于 ONNX Runtime 实现 int8 量化推理，无需依赖云服务即可完成语音识别任务。
### 双后端架构
| 后端 | 优势 | 适用场景 |
|——|——|———-|
| **Parakeet** (默认) | 英语识别精度最高，能准确捕获专有名词和填充词 | 英语播客、会议记录 |
| **Whisper** | 推理速度最快，支持99种语言 | 多语言内容、实时转写 |
### 技术亮点
– **本地优先**：数据不出设备，隐私保障
– **int8量化**：内存占用低，CPU推理高效（24秒音频0.4-0.6秒完成）
– **模型灵活**：Parakeet v2/v3、Whisper tiny→large-v3-turbo 多档可选
– **集成友好**：通过 `openclaw.json` 可直接嵌入媒体处理工作流
### 使用方式
“`bash
# 默认Parakeet v2（最佳英语精度）
local-stt.py audio.ogg
# 切换Whisper多语言
local-stt.py audio.ogg -b whisper
# 安静模式（适合脚本调用）
local-stt.py audio.ogg –quiet
“`
### 局限性
– **硬件依赖**：需安装 `ffmpeg`，ONNX Runtime 对旧CPU指令集支持有限
– **首载延迟**：模型首次加载需下载（Parakeet ~100MB，Whisper base ~75MB）
– **语言权衡**：Parakeet v2仅英语，v3多语言但精度略降；Whisper小模型速快但错字率高
– **无GPU加速**：当前仅CPU推理，large模型较慢
### 适合人群
隐私敏感用户、离线环境工作者、需要将语音自动化集成到CLI工作流的开发者。不适合需要实时字幕（RTF虽低但非流式）或专业级转写（无标点预测、说话人分离）的场景。
### 常规风险
– **模型偏见**：训练数据偏差可能导致特定口音识别率下降
– **量化损失**：int8虽快，极端音频质量下精度可能劣于fp16
– **依赖安全**：`ffmpeg`解析多媒体文件存在潜在漏洞面
会员专属
