Sherpa-ONNX：离线语音识别与本地 TTS 完整指南，三步跑通验证

Sherpa-ONNX：离线语音识别与本地 TTS 完整指南，三步跑通验证

【免费下载链接】sherpa-onnxSpeech-to-text, text-to-speech, speaker diarization, speech enhancement, source separation, and VAD using next-gen Kaldi with onnxruntime without Internet connection. Support embedded systems, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, x86_64 servers, websocket server/client, support 12 programming languages项目地址: https://gitcode.com/GitHub_Trending/sh/sherpa-onnx

Sherpa-ONNX 是一个完全离线的本地语音处理 SDK：把 ONNX（一种跨平台的模型文件格式）模型直接跑在设备 CPU 或 NPU（专做 AI 运算的处理器）上，离线语音识别、本地 TTS 全程无需联网。这篇文章依次讲清什么场景值得选它、三步跑通 demo 的命令、以及完整的能力全景，读完即可完成选型判断。

🎯 什么场景该选它

云端语音 API 按调用计费、延迟不受控，网络一断功能直接瘫痪；医疗、车载、金融这类隐私敏感场景里，录音更不能离开设备。如果产品有这类硬约束，本地语音处理就是必选项。

边界同样清楚：Sherpa-ONNX 不提供训练或微调工具，模型需要用其他框架导出为 ONNX 后才能在这里跑；它也不追求云端大模型的极限精度，强项在端侧低延迟与可控成本。

🚀 三步跑通 demo

1. 克隆仓库，拿到全部示例与源码：

   git clone https://gitcode.com/GitHub_Trending/sh/sherpa-onnx

2. 安装 Python 包，官方模型脚本会自动帮你下载 ONNX 模型：

   pip install sherpa-onnx

3. 运行非流式识别脚本，传入一段 wav，输出转写文本：

   python python-api-examples/offline-decode-files.py

想深入看代码逻辑，可以参考这两个示例：非流式 ASR 示例、本地 TTS 示例。

🗺️ 能力全景图：识别、合成与一堆辅助能力

语音识别（ASR）：流式与非流式都有

• 流式识别：边说边出字，适合实时字幕、会议纪要，写法见流式识别示例
• 非流式识别：整句解码，适合离线转写录音文件
• 模型覆盖 Whisper、Paraformer、SenseVoice、Zipformer 等主流方案

语音合成（TTS）：本地生成音频

输入文本，本地生成 wav 音频文件。内置 VITS、Piper、Matcha、Kokoro 等模型族，支持切换说话人、调节语速。

说话人相关：判断"是谁在说"

• 说话人识别 / 验证：判断说话人身份
• 说话人分离：把多人对话按人切分成不同段落

辅助能力：从 VAD 到标点恢复

• VAD（语音活动检测）：找出音频里人声的起止位置
• 语音增强：GTCRN、DPDFNet 降噪
• 声源分离：Spleeter、UVR 分轨
• 另有语言识别、音频事件标注、关键词唤醒、标点恢复

多平台与 12 种语言绑定

12 种编程语言绑定，每种都配有可直接运行的示例目录：

⚖️ 选型判断与高频疑问

适合你，如果：

• 产品涉及隐私数据，录音不能出设备
• 目标硬件是树莓派、手机或带 NPU 的开发板
• 需要 ASR + TTS + VAD 组合，不想拼多个库

不适合你，如果：

• 追求云端大模型的极限识别精度，且预算充足
• 需要训练 / 微调模型（本项目只做推理）
• 业务量小且已深度绑定某家云厂商 API

高频问答：

1. 是否完全离线？是。只有首次下载模型需要联网，之后模型放在本地，推理不依赖网络。
2. 数据会不会出设备？不会。音频在本地解码，不经过任何第三方服务器。
3. 性能开销如何？看一个指标 RTF（实时因子）：处理 1 秒音频花了多少真实时间，越小越快。流式 Zipformer / Paraformer 在普通 CPU 上 RTF 普遍低于 0.1；TTS 在树莓派级别设备 RTF 约 0.2~0.3。下图的 Windows 演示中，5 秒语音约 1.2 秒生成完毕，RTF ≈ 0.24：

下一步建议：先打开README 模型列表确认你的语种和场景有对应模型，再到对应语言的绑定示例目录里动手。

【免费下载链接】sherpa-onnxSpeech-to-text, text-to-speech, speaker diarization, speech enhancement, source separation, and VAD using next-gen Kaldi with onnxruntime without Internet connection. Support embedded systems, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, x86_64 servers, websocket server/client, support 12 programming languages项目地址: https://gitcode.com/GitHub_Trending/sh/sherpa-onnx