语音输入基础

说点啥的核心功能是高质量语音识别，支持多种 ASR 引擎和识别模式，让您在任何应用中都能轻松使用语音输入。

工作原理

语音输入流程分为三个阶段：

1. 录音阶段：应用录制您的语音，并根据设置自动检测静音或手动停止
2. 识别阶段：语音数据发送给 ASR 引擎（云端或本地），转换为文字
3. 输出阶段：识别结果经过可选的 AI 后处理后，提交到当前编辑器

支持的 ASR 供应商

说点啥支持 18 个 ASR 供应商，分为云端和本地两大类：

云端识别引擎

供应商	流式模式	时长限制（非流式）	特点
Volcengine 火山引擎	✅	1 小时	新用户通常赠送 20 小时免费额度，支持双向流式
SiliconFlow 硅基流动	❌	20 分钟	内置免费 ASR 服务（SenseVoiceSmall / TeleSpeechASR），支持 Qwen3-Omni 多模态转写（需自有 Key）
ElevenLabs	✅	20 分钟	高精度英文识别，支持文件与流式
OpenAI	✅	20 分钟	默认 gpt-4o-mini-transcribe，支持多渠道配置与 Realtime 流式识别
DashScope 阿里云百炼	✅	3 分钟	Qwen3-ASR-Flash / Fun-ASR-Flash / Qwen3.5-Omni，支持流式与非流式
Gemini Google	❌	4 小时	基于文件的多模态语音理解
Soniox	✅	1 小时	支持多语言提示，流式与文件双模式
StepAudio	❌	20 分钟	StepAudio 2.5 在线 ASR，支持中文、英文与 ITN
Zhipu 智谱	❌	20 分钟	GLM-ASR，支持上下文提示参数
OpenRouter	❌	20 分钟	通过 OpenRouter 调用兼容的 ASR / 多模态转写模型
MiMo 小米	❌	20 分钟	MiMo v2.5 ASR / 音频理解模型，支持语言选择与 System Prompt
Cohere	❌	12 分钟	Cohere Transcribe 多语言文件识别，含通用与阿拉伯语模型

本地识别引擎（离线）

供应商	流式模式	时长限制（非流式）	特点
SenseVoice	伪流式 ¹	5 分钟	基于 sherpa-onnx，支持多语言离线识别
FunASR Nano	❌	5 分钟	离线整段识别，支持语言选择、原生 ITN 与 MLT Nano 多语言变体
Qwen3-ASR	❌	5 分钟	本地 0.6B 模型，中文识别与数字格式化表现较好
Parakeet	❌	5 分钟	本地英语 / 欧洲语言识别模型
FireRedASR V2	伪流式 ¹	5 分钟	替代 TeleSpeech 的中英本地识别引擎
X-ASR	✅	无限制 ²	本地流式识别，支持中英 480ms 模型与可选 ITN

注释说明

¹ 伪流式：基于 VAD 分句提供部分结果预览，但非真正的实时流式识别

² 流式模式下无时长限制，可持续录音识别 表格中的“时长限制（非流式）”指的是应用内单段录音的上限，用于控制分段录音行为，并不代表各家收费套餐或免费额度的上限。 目前：火山引擎通常会为新用户赠送约 20 小时的免费识别时长；硅基流动提供内置免费 ASR 服务且没有总时长额度限制，其他供应商的配额/计费请以各自控制台为准。

更多关于各供应商支持的模型、推荐配置和最新配额，可参考整理的 提供商与模型指南。

云端 vs 本地识别

云端识别优势

• 高精度：使用大型云端模型，识别准确率更高
• 多语言支持：支持中英混合、方言、多国语言识别
• 免维护：无需下载模型，自动获取最新模型更新

本地识别优势

• 完全离线：无需网络连接，保护隐私
• 低延迟：本地处理，无网络传输延迟
• 无流量消耗：适合流量受限环境
• 无额度限制：无需担心 API 配额和费用

流式 vs 非流式模式

流式识别

工作原理：边录音边上传，实时返回识别结果

优势：

• ✅ 实时反馈，可见即时识别结果
• ✅ 无时长限制，支持长时间录音
• ✅ 延迟更低，说话即转文字

支持的引擎：

• 云端：Volcengine、Soniox、DashScope、ElevenLabs、OpenAI Realtime
• 本地：X-ASR

非流式识别（文件上传）

工作原理：录音结束后上传完整音频文件进行识别

优势：

• ✅ 处理精度更高（引擎可全局分析音频）
• ✅ 实现简单，稳定性好
• ✅ 支持更多供应商

限制：

• ⚠️ 有时长限制（见上表）
• ⚠️ 需等待录音结束才开始识别

本地非流式模型会在录音结束后分块识别长音频，以降低单次推理压力并更快产出完整结果；无需额外设置。

配置建议

• 支持双模式的供应商可在 设置 → 语音识别设置 → [供应商设置] 中切换模式
• 流式模式适合长时间录音和实时反馈需求
• 文件模式适合追求高精度的短语音识别

分段录音功能

对于非流式引擎，当录音超过应用内为该供应商设置的单段时长上限时，说点啥会自动进行分段录音：

工作机制

1. 自动分割：接近时长限制时，自动切分当前段并开始下一段录音
2. 后台上传：切分的音频段在后台上传识别，不影响继续录音
3. 无缝体验：界面保持录音状态，用户无感知中断
4. 结果合并：所有段的识别结果自动拼接为完整文本

各供应商时长限制（应用内单段上限）

供应商	单段限制	说明
Volcengine	1 小时	官方单次最长约 2 小时，这里预留安全边距，仅在应用内限制为 1 小时
SiliconFlow	20 分钟	应用内默认单段上限为 20 分钟，用于控制分段录音，与收费/免费额度无关
ElevenLabs	20 分钟	应用内默认单段上限为 20 分钟，防止超长音频导致失败
OpenAI	20 分钟	应用内默认单段上限为 20 分钟，可根据实际需求调整模型与用量
DashScope	3 分钟	默认采用 qwen3-asr-flash，应用内单段上限为 3 分钟
Gemini	4 小时	官方单次最长约 9.5 小时，这里预留安全边距，仅在应用内限制为 4 小时
Soniox	1 小时	未查到严格官方上限，应用内默认限制为 1 小时
StepAudio	20 分钟	应用内默认单段上限为 20 分钟，适合中短语音识别
OpenRouter	20 分钟	应用内默认单段上限为 20 分钟，适合调用兼容的文件转写模型
MiMo	20 分钟	应用内默认单段上限为 20 分钟，适合中短语音或多模态音频理解
SenseVoice	5 分钟	本地模型性能限制，避免超长推理占用过多内存与时间
FunASR Nano	5 分钟	本地模型性能限制，避免超长推理占用过多内存与时间
Qwen3-ASR	5 分钟	本地模型性能限制，避免超长推理占用过多内存与时间
Parakeet	5 分钟	本地模型性能限制，避免超长推理占用过多内存与时间
FireRedASR V2	5 分钟	本地模型性能限制，避免超长推理占用过多内存与时间

注意

• 流式引擎（X-ASR 等）无时长限制
• 分段录音仅在非流式模式下生效
• 每段识别可能产生独立的 API 调用费用

备用 ASR 引擎（并行主备）

当主用 ASR 偶发超时或失败时，可以启用「备用语音识别引擎」：录音只采集一次，由系统根据主用/备用的引擎能力和当前配置决定并行或本地懒加载兜底；主用在合理时间内给出可用结果则采用主用，否则自动采用备用结果。

开启方法

1. 打开 设置 → 语音识别设置
2. 找到「备用语音识别引擎」，开启「启用备用引擎」
3. 点击「备用服务商」，选择一个与主用不同的供应商
4. 确保备用供应商也已完成配置（API Key / 模型文件等）
5. 如果主用是本地模型或响应较慢的模型，可调整「备用引擎超时阈值敏感度」，让系统更早或更晚切到备用结果
6. 如果备用服务商是本地模型，可在「本地备用模式」中选择「按需加载」或「保持常驻」

本地备用模式

模式	说明	适用场景
按需加载	默认模式。需要兜底时再启动本地备用模型，空闲后释放，节省内存	偶尔需要备用、本地模型较大、希望降低常驻资源占用
保持常驻	提前保持本地备用模型可用，以换取更快的兜底响应	经常依赖本地备用、设备内存充足、希望减少第一次备用等待

注意

启用备用后，在线备用可能产生额外请求/费用；本地备用则可能占用更多内存。选择本地「保持常驻」前，建议确认设备内存余量。

快速配置详细介绍

1. 使用免费服务（推荐新用户）

无需配置，开箱即用：

1. 打开应用，默认使用 SiliconFlow 免费服务
2. 可在 设置 → 语音识别设置 → SiliconFlow 中在免费可用模型（如 FunAudioLLM/SenseVoiceSmall、TeleAI/TeleSpeechASR）之间切换，也可使用自有 Key 选择 Qwen3-Omni 多模态模型

2. 配置云端供应商

以 Volcengine 为例：

1. 前往 火山引擎控制台 注册账号
2. 创建应用，获取 App Key 和 Access Key
3. 在说点啥 设置 → 语音识别设置 → 供应商 中选择 Volcengine
4. 填入凭证并保存

3. 自动配置本地模型

1. 自动从 模型库 下载 SenseVoice Small 模型
2. 解压到手机存储的 Android/data/com.brycewg.asrkb/files/sensevoice/ 目录
3. 自动在 设置 → 语音识别设置 → 供应商 中选择 SenseVoice

提示

本地模型首次加载可能需要几秒钟，可启用“预加载模型”选项（SenseVoice / FunASR Nano / Qwen3-ASR / Parakeet / FireRedASR V2 / X-ASR 均可配置），在键盘或悬浮球首次显示时提前加载模型，从而减小首次识别时的等待时间。

本地模型标点（可选）

FireRedASR V2 支持使用额外的「通用标点模型」为离线识别结果自动补全标点（模型缺失时不影响识别，只是结果可能更“口语化”）。

1. 打开 设置 → 语音识别设置
2. 进入 FireRedASR V2 的设置区域
3. 在「通用标点模型」中点击「下载模型」（或导入 ZIP）

下载源选择

下载本地模型时会弹出“下载源选择”，并显示延迟测速结果；优先选延迟更低的源通常更稳定。

识别增强（可选）

• 可见时持续录音：设置 → 输入设置 → 可见时持续录音。键盘或悬浮球可见期间在本机持续录音，点击麦克风后可以更快开始识别，减少录音延迟；触发识别前的音频不会上传。
• 非流式识别降噪：设置 → 输入设置 → 非流式识别降噪（对文件识别与本地离线识别生效）
• 上传音频前压缩：设置 → 语音识别设置 → 上传音频前压缩。在线非流式识别在供应商支持时会先压缩为 M4A/AAC、OGG Opus 或 WAV，减少上传体积和等待时间；OpenAI 自定义兼容转写端点会使用 WAV 上传以提高兼容性。
• 去除句末标点与 emoji：设置 → 输入设置 → 去除句末标点与 emoji。可设置字数阈值，短句自动去掉末尾标点和 emoji，长文本保留完整结尾。

识别历史与统计项

可在 设置首页 → 识别历史 查看历史记录。历史来源包含：

• 键盘输入
• 悬浮球输入
• 外部输入（如通过外部 AIDL 接入）

每条记录会展示基础信息（供应商、来源、AI 处理状态、字数、音频时长），并在可统计时展示以下耗时项：

• 总耗时：从开始录音到最终文本提交完成的端到端耗时。
• 识别耗时：ASR 识别阶段耗时（供应商处理耗时）。
• AI 后处理耗时：启用并尝试 AI 后处理时显示，对应后处理阶段耗时。

旧记录可能不包含部分耗时字段，属于正常情况。

识别历史页还提供 API Log 与录音测试 入口，用于查看 ASR / LLM 调用摘要、本地模型加载记录以及当前配置的录音测试结果。

相关功能

• 悬浮球功能 - 在任意应用使用语音输入
• AI 后处理 - 使用 LLM 优化识别结果
• 录音模式 - 长按、点按、连续对话模式
• 智能判停 - 自动检测静音停止录音