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 12 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，可填写任意兼容 OpenAI Audio Transcriptions 的模型
DashScope 阿里云百炼	✅	3 分钟	qwen3-asr-flash，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
Zhipu 智谱	❌	20 分钟	GLM-ASR，支持上下文提示参数

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
Telespeech	伪流式 ¹	5 分钟	基于 sherpa-onnx，中文和方言优化
Paraformer	✅	无限制 ²	纯流式本地识别
Zipformer	✅	无限制 ²	纯流式本地识别

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
• 本地：Paraformer、Zipformer

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

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
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
Telespeech	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（Paraformer、Zipformer 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

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 中在免费可用的两个模型（FunAudioLLM/SenseVoiceSmall、TeleAI/TeleSpeechASR）之间切换

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 / TeleSpeech / Paraformer / Zipformer 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。

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