Stream ASR

极速纯端侧 流式语音识别引擎

在浏览器内直接运行的纯端侧流式语音识别。支持中文与英文，说话实时上屏，音频绝不上云，断网也能秒级转写。

点击下方麦克风，体验边说边实时出字

为什么选择端侧流式识别？

告别昂贵的云端 API 与网络抖动，让浏览器直接拥有极速离线转写能力

快到无感

0.45x 极速转写，说话即出字

处理 1 秒录音只需 0.45 秒。原生支持中文与英文，单核 CPU 即可轻松跑满，毫秒级流式上屏，延迟低至 120ms。

@firetable/stream-asr (This)0.950x· < 120ms
Wasm SIMD128 + MNN100% 纯端侧 · 0 云端依赖
SenseVoice Small (ONNX Web)~0.75x · > 800ms
Whisper.cpp (int8 Wasm SIMD)~0.85x · ~600ms
Cloud ASR APIs (Cluster)~0.30x + 400ms 网络抖动
Cloud GPU Cluster音频出网 · 合规风险
绝对安全

声音不出设备，断网照样用

麦克风声音只在浏览器本地内存处理，不发一条网络请求，彻底告别隐私泄漏风险。

麦克风 PCM
100% 内存流转
Wasm 沙箱
网络外发请求0 次 (物理无外联)
音频数据留存0 字节 (转写即弃)
执行环境隔离Wasm 独立线性沙箱
网络抓包检测: 0 KB/s · 零遥测认证Air-Gapped
聪明断句

自动识别停顿，智能加标点

听得出人声换气和停顿。说完一句话自动切句、打逗号句号，长篇转写利落又整洁。

SPEECH (0.92)PAUSE 探测截断SILENCE (< 0.1)
分段阈值: 0.50自适应插入标点「，」「。」
轻巧高效

极简架构，单核电脑也毫无压力

从声音采集、特征提取到本地模型推理一气呵成。内存开销极小，完全不卡主线程。

01 / 预处理Kaldi FBank80 维特征提取
02 / 声学网络Causal INT840 层 Transformer
03 / 语音截断Neural VAD毫秒级静音探测
04 / 解码上屏TextDecoderBPE 贪婪平滑
80 维 FBank · 10ms 帧移|连续线性内存 · 零 GC 停顿|SIMD128 4x 加速

快速接入端侧语音识别

复制提示词交由 AI 自动配置，或通过包管理器手动安装。

请在当前项目中集成 @firetable/stream-asr 端侧流式语音识别：

1. 根据本项目包管理器（npm / pnpm / yarn / bun）安装 @firetable/stream-asr

2. 初始化 StreamRecognizer 实例（采用 Mode 3 通用流式模式，启用神经网络 VAD）

3. 接入麦克风音频流并监听 recognizing / recognized 实时文本回调

参考官方文档与示例：https://github.com/firetable/stream-asr#readme
GitHub 仓库与文档