OpenClaw语音控制之使用 Vosk 实现离线语音控制

10.1 Vosk 简介与特性10.1.1 什么是 VoskVosk 是一个离线开源语音识别工具包，基于 Kaldi 语音识别框架开发。它能够在无需网络连接的情况下，为应用程序提供实时、准确的语音识别能力。Vosk 由 Alpha Cephei Inc 开发和维护，采用 Apache 2.0 开源协议，允许在商业和个人项目中免费使用。与云端语音识别服务（如百度语音识别、科大讯飞等）相比，Vosk 的最大优势在于完全离线运行。这意味着用户的语音数据不会上传到任何服务器，既保护了隐私，又避免了网络延迟带来的响应滞后。对于需要快速响应的语音控制场景，Vosk 是一个理想的选择。10.1.2 Vosk 的核心特性Vosk 具备以下显著特性，使其在离线语音识别领域脱颖而出：1. 多语言支持Vosk 支持超过 20 种语言和方言（官方确认 25+ 种），包括但不限于： - 中文（普通话） - 英语（美式、英式、印度英语） - 日语、韩语 - 德语、法语、西班牙语、葡萄牙语 - 俄语、阿拉伯语、印地语 - 意大利语、荷兰语、土耳其语、乌克兰语、瑞典语等这种广泛的语言支持使得 Vosk 可以服务于全球不同地区的用户。2. 轻量级部署Vosk 的小型模型（Small Model）仅约 40-50MB，却能在资源受限的设备上运行，包括： - 树莓派（Raspberry Pi） - Android 智能手机 - iOS 设备 - 嵌入式 Linux 系统小型模型在运行时内存占用约 300MB（基于实践经验，非官方规格），非常适合边缘计算场景。3. 简单易用的安装Vosk 可以通过 pip 一键安装：pip3 install vosk无需复杂的依赖配置，也无需编译安装，大大降低了使用门槛。4. 流式 API 支持Vosk 提供流式（Streaming）API，支持实时语音识别。与传统的整段音频识别不同，流式 API 可以在用户说话的同时进行识别，实现零延迟响应。这对于需要即时反馈的语音控制应用至关重要。5. 动态词汇重配置小型模型支持在运行时动态修改识别词汇表（Grammar），允许开发者根据应用场景限制识别范围，从而提高特定领域的识别准确率。例如，可以配置只识别“打开微信”、“发送消息”等特定命令。注意: Grammar 设置的 JSON 格式规范请参考 Vosk 官方文档，本文示例格式待进一步验证。6. 说话人识别除了语音识别，Vosk 还支持说话人识别（Speaker Identification），可以区分不同说话人的声音特征。这一功能在多用户场景下非常有用，例如区分不同家庭成员的语音命令。7. 多语言绑定Vosk 不仅支持 Python，还提供了 Java、C#、Node.js、C++、Rust、Go 等多种编程语言的绑定，方便不同技术栈的开发者集成。10.1.3 Vosk 的模型类型Vosk 提供两种类型的模型，分别适用于不同的应用场景：小型模型（Small Models）大小：约 40-50MB（官方数据：vosk-model-small-cn-0.22 为 41.9MB）内存需求：约 300MB（基于实践经验）适用场景：移动应用、IoT 设备、实时语音控制特点：支持动态词汇重配置，响应速度快代表模型：vosk-model-small-cn-0.22（中文小型模型，41.9MB） -[官方验证]vosk-model-small-en-us-0.15（美式英语小型模型，39.3MB） -[官方验证]大型模型（Big Models）大小：1GB - 4GB（官方数据：vosk-model-cn-0.22 为 1.3GB）内存需求：最高 16GB（基于实践经验，非官方规格）适用场景：服务器端高精度转录、离线字幕生成特点：识别准确率更高，但不支持动态词汇修改代表模型：vosk-model-cn-0.22（中文大型模型，1.3GB） -[官方验证]vosk-model-en-us-0.22（美式英语大型模型，1.8GB） -[官方验证]对于 OpenClaw 语音控制场景，推荐使用小型模型，因为它们在资源占用和响应速度之间取得了良好的平衡。词错误率说明: 文章中提及的词错误率数据（如 23.54%）来源于第三方测试，具体来源待验证。10.1.4 Vosk 的应用场景Vosk 可以广泛应用于以下场景：智能家居语音控制：通过语音命令控制灯光、空调、窗帘等智能设备聊天软件快捷操作：语音唤起微信、QQ、钉钉，发送消息或进行语音通话虚拟助手：构建个人语音助手，执行日程管理、天气查询等任务视频字幕生成：为视频内容自动生成字幕会议记录转录：实时转录会议内容，生成文字记录语音输入法：为特定应用提供离线语音输入功能10.2 安装与配置10.2.1 系统要求在安装 Vosk 之前，请确保系统满足以下要求：操作系统- Linux（Ubuntu 18.04+、Debian 10+、CentOS 7+） - Windows 10/11 - macOS 10.14+Python 版本- Python 3.5-3.9（官方支持范围） - 推荐：Python 3.7+ 以获得更好的兼容性注意: 官方文档明确支持 Python 3.5-3.9。pip 版本需 20.3 及以上。硬件要求- 内存：至少 1GB（推荐 2GB 以上） - 存储：至少 500MB 可用空间（用于模型存储） - 麦克风：用于语音输入平台支持Vosk 通过 pip 提供以下平台的预编译包： - Linux x86_64 - Raspbian (Raspberry Pi 3/4) - Linux arm64 - macOS (x86 和 M1) - Windows x86 和 x64不支持的平台: ARMv6 (Raspberry Pi Zero)、Windows ARM6410.2.2 安装 VoskVosk 可以通过 pip 松安装：# 使用 pip3 安装 Vosk pip3 install vosk # 验证安装 python3 -c "import vosk; print(vosk.__file__)"安装过程中，pip 会自动下载并安装 Vosk 及其依赖项（官方 pip 依赖）： -cffi：用于调用 C 语言库 -requests：用于下载模型 -srt：用于生成字幕文件 -tqdm：用于显示下载进度 -websockets：用于 WebSocket 支持10.2.3 安装音频处理依赖为了实现实时麦克风输入，可以选择以下音频库：方式一：使用 sounddevice（官方推荐）Vosk 官方示例使用sounddevice库：pip install sounddevice官方说明: 参考 test_microphone.py 注释：“prerequisites: python modulesounddevice”方式二：使用 pyaudio# Ubuntu/Debian sudo apt-get update sudo apt-get install python3-pyaudio portaudio19-dev # CentOS/RHEL sudo yum install python3-pyaudio portaudio-devel # macOS brew install portaudio pip3 install pyaudio安装完成后，验证音频库是否正常工作：# 使用 sounddevice import sounddevice as sd print(sd.query_devices()) # 或使用 pyaudio import pyaudio p = pyaudio.PyAudio() print(f"音频设备数量: {p.get_device_count()}") for i in range(p.get_device_count()): info = p.get_device_info_by_index(i) print(f"设备 {i}: {info['name']}") p.terminate()10.2.4 下载语音模型Vosk 需要下载预训练的语音模型才能进行识别。模型可以通过以下几种方式获取：方式一：自动下载（推荐）Vosk 支持在代码中自动下载模型：from vosk import Model # 自动下载中文小型模型（根据 lang 参数自动选择） model = Model(lang="zh-cn") # 或指定具体模型名称 model = Model(model_name="vosk-model-small-cn-0.22")首次运行时会自动从https://alphacephei.com/vosk/models/下载模型并缓存到本地。方式二：手动下载访问 Vosk 模型下载页面（https://alphacephei.com/vosk/models），选择适合的模型手动下载：模型名称大小（官方）适用场景vosk-model-small-cn-0.2241.9MB移动端/嵌入式vosk-model-cn-0.221.3GB服务器端下载完成后解压到指定目录：# 创建模型目录 mkdir -p ~/.cache/vosk # 解压模型 cd ~/.cache/vosk unzip vosk-model-small-cn-0.22.zip10.2.5 模型存储路径配置Vosk 会按以下顺序查找模型（官方源代码定义）：环境变量VOSK_MODEL_PATH指定的路径/usr/share/vosk~/AppData/Local/vosk（Windows）~/.cache/vosk（Linux/macOS）可以通过设置环境变量来自定义模型存储位置：export VOSK_MODEL_PATH=/path/to/your/models10.2.6 验证安装创建一个测试脚本验证 Vosk 是否安装成功：#!/usr/bin/env python3 # test_vosk_installation.py import vosk import sys def main(): print("Vosk 安装验证") print("=" * 40) # 检查版本 print(f"Vosk 路径: {vosk.__file__}") # 列出可用模型（需要网络连接） print("\n正在获取可用模型列表...") try: vosk.list_models() except Exception as e: print(f"获取模型列表失败: {e}") print("（可能需要网络连接，不影响本地使用）") # 列出支持的语言 print("\n支持的语言:") try: vosk.list_languages() except Exception as e: print(f"获取语言列表失败: {e}") print("\n验证完成！") if __name__ == "__main__": main()运行测试脚本：python3 test_vosk_installation.py如果看到模型列表和语言列表输出，说明 Vosk 安装成功。10.3 Python API 使用10.3.1 核心类介绍Vosk Python API 主要包含以下几个核心类（均已在官方源代码中验证）：Model 类Model类用于加载和管理语音模型：from vosk import Model # 通过语言自动加载模型（官方推荐方式） model = Model(lang="zh-cn") # 通过模型名称加载 model = Model(model_name="vosk-model-small-cn-0.22") # 通过本地路径加载 model = Model(model_path="/path/to/model")KaldiRecognizer 类KaldiRecognizer是主要的识别器类，负责执行语音识别：from vosk import Model, KaldiRecognizer model = Model(lang="zh-cn") # 创建识别器，参数：模型、采样率 recognizer = KaldiRecognizer(model, 16000)SpkModel 类SpkModel用于说话人识别：from vosk import Model, SpkModel, KaldiRecognizer model = Model(lang="zh-cn") spk_model = SpkModel("/path/to/spk_model") recognizer = KaldiRecognizer(model, 16000) recognizer.Set