用途
ez-stt 是一个本地语音转文字（speech-to-text）工具，使用 ONNX Runtime 并采用 int8 量化运行，无需依赖云端服务。它提供统一接口，可在两种后端之间选择，以在准确率与速度之间取得平衡。
主要能力
- 后端可选：支持 Parakeet 与 Whisper 两种后端。
- Parakeet（默认后端）：对英语准确率最佳，能够正确捕捉人名和填充词。
- v2（默认）：仅支持英语，准确率最佳。
- v3：支持多语言。
- Whisper：推理速度最快，支持 99 种语言。
- base（默认）：快速多语言，是 onnx-asr 中唯一的 Whisper 变体。
- int8 量化：默认启用，可通过选项禁用。
- 进度控制：支持静默模式，抑制进度输出。
- Matrix 集成：支持通过
--room-id指定 Matrix 房间 ID 用于直接消息。
使用方式
使用前需要安装 ffmpeg。
基本调用（默认使用 Parakeet v2，英语准确率最佳）：
scripts/stt.py audio.ogg
显式选择后端：
scripts/stt.py audio.ogg -b whisper
scripts/stt.py audio.ogg -b parakeet -m v3
静默模式（抑制进度）：
scripts/stt.py audio.ogg --quiet
选项
-b/--backend：parakeet（默认）、whisper-m/--model：模型变体（见下文）--no-int8：禁用 int8 量化-q/--quiet：抑制进度--room-id：用于直接消息的 Matrix 房间 ID
模型
Parakeet（默认后端）：
| 模型 | 说明 |
|---|---|
| v2（默认） | 仅英语，准确率最佳 |
| v3 | 多语言 |
Whisper：
| 模型 | 说明 |
|---|---|
| base（默认） | 快速多语言（onnx-asr 中唯一的 Whisper 变体） |
性能基准（24 秒音频）
| 后端/模型 | 时间 | RTF | 备注 |
|---|---|---|---|
| Whisper Base int8 | 0.43s | 0.018x | 最快 |
| Parakeet v2 int8 | 0.60s | 0.025x | 准确率最佳 |
| Parakeet v3 int8 | 0.63s | 0.026x | 多语言 |
适用场景
适合需要在本地完成语音转文字、且对英语准确率或多语言支持有不同侧重的场景。若追求英语识别准确率，可选择默认的 Parakeet v2；若需要多语言支持，可选择 Parakeet v3 或 Whisper；若追求最快推理速度，可选择 Whisper Base。
限制
- 需要预先安装 ffmpeg。
- Parakeet v2 仅支持英语。
- Whisper 在 onnx-asr 中仅有 base 变体。
- 关于 OpenClaw 的专门设置与
openclaw.json配置，参见 references/OPENCLAW.md。 - 其他未在资料中说明的功能、收费、价格或平台支持情况暂未提供。