语音识别服务 (ASR) 总览与选型矩阵

语音识别（ASR, Automatic Speech Recognition）是 DuRT 的核心能力基石。在 DuRT 的整体设计中，我们将语音识别明确划分为两大独立能力面板：实时流式语音（Realtime Speech） 与 媒体文件转录（File Transcription）。

理解这两者的核心差异与底层引擎边界，有助于您根据具体任务选择最优的识别方案。

核心架构：流式 vs 非流式数据通道

DuRT 内部根据音频源的形态，设计了正交解耦的处理管线：

mermaid

flowchart TD
    subgraph AudioSources["输入音频源"]
        S1["实时音频流 (audioStream)<br>麦克风 / ScreenCaptureKit 系统内录"]
        S2["媒体文件 (audioFile / videoFile)<br>本地音视频文件 / 在线网络音视频直链"]
    end

    subgraph RealtimePanel["【面板 1】实时流式语音 (Realtime Speech)"]
        R1["🍎 Apple 原生语音 (100% 离线 / 零网络 / 零流量)"]
        R2["⚡️ OneASR 聚合网关 (WebSocket 低延迟流式)"]
        R3["🌐 OpenAI 实时语音通道 (云端流式转录)"]
    end

    subgraph FilePanel["【面板 2】媒体文件转录 (File Transcription)"]
        F1["⚡️ OneASR 聚合网关 (长文件批处理 / B站YouTube直链抓取 / 毫秒词戳 / 说话人分离)"]
        F2["🌐 OpenAI 语音转录 (Whisper-1 词戳 / GPT-4o-Transcribe)"]
        F3["⚠️ 注意：Apple 原生引擎不支持媒体文件转录"]
    end

    S1 --> RealtimePanel
    S2 --> FilePanel

IMPORTANT

关键认知：Apple 原生语音不支持文件转录 macOS 系统内置的 Apple 语音识别引擎主要设计用于麦克风听写与实时音频流捕获。因此在 DuRT 客户端中，Apple 原生语音仅挂载于《实时语音 (Realtime Speech)》面板，不支持对导入的本地音视频文件进行离线长文转录。若需要进行音视频文件转录，请使用 OneASR 聚合网关 或 OpenAI ASR。

ASR 引擎全景特性与能力对比矩阵

引擎服务	对应 App 设置面板	实时流式 (audioStream)	媒体文件 (audio/videoFile)	词级时间戳 (毫秒精度)	说话人分离 (Diarization)	在线网络视频直链提取	运行模式	费用与消耗	最佳适用场景
🍎 Apple 原生语音	Realtime Speech (仅实时)	✅ 支持 (系统内录/麦克风)	❌ 不支持	❌ 仅整句级	❌ 不支持	❌ 不支持	100% 本地离线	永久免费、0 流量消耗	线上会议实时字幕、YouTube双语同传、个人麦克风听写、绝对保密环境
⚡️ OneASR 聚合网关	Realtime & File (双支持)	✅ 支持 (WebSocket 流式)	✅ 支持 (长音视频批处理)	✅ 支持 (逐词高亮时间轴)	✅ 支持 (Speaker 0/1)	✅ 支持 (B站/YouTube/网盘直链)	局域网/自建算力	开源免费 (自建算力)	团队自建私有算力、长视频自媒体批量提取字幕、播客访谈说话人切分
🌐 OpenAI 语音转录	Realtime & File (双支持)	✅ 支持 (实时通道)	✅ 支持 (Whisper/4o)	✅ 支持 (Whisper-1 精准对齐)	❌ 依赖后处理	❌ 需本地上传	公有云 API	官方 Token 计费 (BYOK 零加价)	多语种混杂访谈、学术讨论、追求极致生僻词准确率的专业场景

两大能力面板详解与选型指南

1. 实时流式语音 (Realtime Speech)

输入数据契约：audioStream（来自系统的连续 PCM 音频缓冲区）。
运行特征：
- 音频随产生随消费，识别延迟通常控制在 200ms ~ 500ms 之间；
- 驱动桌面智能悬浮字幕窗口、系统扬声器双语实时同传；
- 支持随时暂停、继续或保存已转录的历史流文本。
推荐选型：
- 首选：Apple 原生语音。完全利用 Mac 本地 Neural Engine（ANE）算力，不联网、不发烫、无延迟，且不受网络波动影响；
- 备选：OneASR 流式服务。当需要识别小语种，或 Apple 引擎对某些特定专业方言识别不准时，可在局域网搭建 OneASR 提供流式推理。

2. 媒体文件转录 (File Transcription)

输入数据契约：audioFile / videoFile（本地音视频文件路径，或远程在线视频 URL 直链）。
运行特征：
- 针对大文件进行分段重采样、VAD（静音检测）智能分块并进行离线高并发推理；
- 输出携带毫秒级起始与结束时间戳的完整 SRT / VTT 结构；
- 可输出 词级时间戳（Word-level Timestamp），在 DuRT 字幕 Studio 中实现卡拉 OK 级别的逐词高亮与微调对齐；
- 可进行 无监督说话人分离（Speaker Diarization），自动标记“发言人 1 / 发言人 2”。
推荐选型：
- 首选：OneASR。支持一键粘贴 Bilibili、YouTube 或播客音频直链免下载提取，支持毫秒级词时间戳与说话人分离；
- 追求最高准确度：OpenAI Whisper-1。官方模型在多语言和嘈杂音频背景下的鲁棒性表现极其优异。

独立配置教程导航

深入了解各个 ASR 引擎的配置与运行指南，请点击下方独立技术手册：

语音识别服务 (ASR) 总览与选型矩阵 ​

核心架构：流式 vs 非流式数据通道 ​

ASR 引擎全景特性与能力对比矩阵 ​

两大能力面板详解与选型指南 ​

1. 实时流式语音 (Realtime Speech) ​

2. 媒体文件转录 (File Transcription) ​