sherpa-onnx｜离线语音识别与合成开发套件

这是什么

sherpa-onnx 是一个基于新一代 Kaldi 与 onnxruntime 的语音处理开发套件。官方说明它的核心功能均在本地离线运行，不需要联网把音频上传到云端。需要先说明定位：它是供开发者调用的开发库，附带若干演示应用和预编译示例，并非装上就能用的消费级成品软件。

能做什么

官方 README 列出的语音功能包括：

• 语音识别（ASR），支持流式与非流式两种模式
• 语音合成（TTS）
• 说话人分离、说话人识别、说话人验证
• 语种识别
• 音频打标、关键词检测
• 语音活动检测（VAD，例如 silero-vad）
• 语音增强（例如 gtcrn、DPDFNet 等）
• 源头分离（例如 spleeter、UVR 一类方案）
• 加标点

适合谁

需要把离线语音能力嵌入自己产品的工程师：做移动端语音输入、做会议录音转写与说话人区分、做字幕生成、做嵌入式离线唤醒或语音交互的团队。只想直接录音转文字、不写代码的用户，更适合用现成的转写软件。

输入输出

输入为音频数据或音频流（流式识别场景下为实时音频分片），文本类任务输出文字、字幕或带标点的转写结果，合成任务输出音频。具体每类模型的输入格式、采样率等参数以各模型文档为准，此处不逐一列举，待核查。

获取与上手

1. 按官方文档确定目标平台与开发语言；
2. 从项目发布的模型仓库下载对应预训练模型（ASR、TTS、VAD 等分别发布）；
3. 参考官方文档中对应语言与平台的示例程序接入。

官方同时提供可在线体验的网页示例和若干预编译 Android 演示应用，方便先判断效果再决定是否集成。具体下载方式与安装步骤请按官方文档执行，本文不复制命令。

示例任务（思路性描述）

• 给会议录音做说话人分离：先做 VAD 切出有效语音段，再做说话人分离，输出按人区分的片段；
• 给视频生成字幕：用非流式识别配合加标点模型，得到带标点的文本后转成字幕文件；
• 实时语音输入：用流式识别模型处理麦克风音频流，逐段输出文字。

以上为基于官方功能清单的组合思路，未做实测验证。

运行环境与平台

官方列出的架构包括 x86、x86_64、32 位 ARM、arm64、riscv64，以及 RK NPU、Ascend NPU、高通 QNN、Axera NPU、Intel NPU 等加速方案；系统覆盖 Linux、macOS、Windows、Android、iOS、HarmonyOS、WebAssembly、NodeJS，并提及树莓派、Jetson 板卡、RV1126、RK3588 等设备。支持的开发语言包括 C++、C、Python、Java、Kotlin、JavaScript、C#、Swift、Go、Dart、Rust、Pascal。

各平台与语言的成熟度、具体版本要求，以及 NPU 加速的实际效果，均需按官方文档核查，本文不给出最低硬件要求。

费用、许可与限制

• 代码许可：仓库声明为 Apache-2.0，可商用，但需保留版权与许可声明；
• 模型权重：各预训练模型可能由不同来源训练并附带各自的许可条款，商用前须逐个核对模型页说明，不能默认与代码同许可；
• 费用：项目本身免费，自行部署的硬件与电力成本由使用者承担；
• 国内访问：官方 README 提供了部分国内镜像入口与国内用户下载地址，实际可用性需自行核查；
• 隐私：离线运行为数据不出本机提供了条件，但若自行搭建 WebSocket 服务端对外提供接口，仍需自行处理录音数据的存储与访问控制；
• 效果：识别与合成质量取决于所选模型与音频条件，官方演示可作参考，生产环境需自行评测。

注意事项

项目未归档，仍在维护。Star 数不代表质量，选型请以实际测试和文档为准。

来源与使用边界

官方仓库：https://github.com/k2-fsa/sherpa-onnx

资料版本：https://github.com/k2-fsa/sherpa-onnx/blob/29b735c823c7cdfb69c846dd86ff1d4f2e325598/README.md

维护方：k2-fsa/sherpa-onnx；采集日期：2026-11-13。依据官方资料经AI整理，本站未安装、运行或实测。

许可标识：Apache-2.0，具体范围以原始许可文件为准；代码、模型权重、依赖及在线服务适用各自条款。开源不代表模型调用、托管或商业服务免费。国内访问、硬件及模型适配条件未经本站验证。