TMSpeech

(旧版)视频演示：https://www.bilibili.com/video/BV1rX4y1p7Nx/

关键词：语音转文字，实时字幕，会议语音识别，歌词字幕展示，识别历史记录查看

TMSpeech 是一个Windows下的中文实时语音字幕，通过WASAPI的CaptureLoopback捕获电脑声音（录内音），将语音实时转文字，并以歌词字幕的形式展示。即使完全关闭电脑声音也能使用。

你可以：

• 开会时更放心地走神，突然被喊到的时候不会那么不知所措，只需要看一看识别的历史记录。（本项目的名字来源于此）
• 会议实时转录，自动生成会议纪要，并保存到文件。默认会将识别结果按日期保存到“我的文档”的TMSpeechLogs文件夹中

基于sherpa-onnx项目的语音识别框架和模型二次开发。实测在我的AMD 5800u的笔记本上CPU占用不到5%。

展示

无边框窗口，可任意拖动和调整大小

历史记录页面（可右键或者Ctrl-C复制）：

设置页面：

切换为命令行识别器：

使用

在Release页面中下载最新的release解压，运行TMSpeech.exe即可。在桌面创建快捷方式，使用起来更加方便。出现问题后可以运行重置配置的bat脚本，删除现有配置文件。

基于自定义外部命令的识别

在设置中选用“命令行识别器”。它基于程序和参数，启动子进程，并将标准输出（stdout）作为字幕格式识别，将标准错误输出（stderr）作为日志文件记录（都使用UTF-8编码）。

使用单个换行（'\n'）更新当前句子，使用多个换行（'\n\n'）表示当前行识别结束，样例输出如下：

一二
一二三四
一二三四五六七

七六
七六五四
七六五四三二一

参考python代码如下：

+ class MyPrinter:
+     def __init__(self):
+         self.prev_result = ""
+ 
+     def do_print(self, result):
+         if result and self.prev_result != result:
+             self.prev_result = result
+             print(result, end='\n', flush=True)
+ 
+     def on_endpoint(self):
+         print("\n", end="", flush=True)
+ 
+     printer = MyPrinter()
    with sd.InputStream(channels=1, dtype="float32", samplerate=sample_rate, device=device) as s:
        while True:
            samples, _ = s.read(samples_per_read)  # a blocking read
            samples = samples.reshape(-1)
            stream.accept_waveform(sample_rate, samples)
            while recognizer.is_ready(stream):
                recognizer.decode_stream(stream)
            is_endpoint = recognizer.is_endpoint(stream)
            result = recognizer.get_result(stream)

+           printer.do_print(result)
            if is_endpoint:
+               if result:
+                   printer.on_endpoint()
                recognizer.reset(stream)

注意事项：

1. 单个换行结尾的行是临时结果，只有多个换行结尾的行才会被存储到历史记录中，这种方式允许模型在后面纠正前面的识别结果。

2. 基于该方式需要子进程独立获取语音源。在设置中切换语音源将不会生效。

3. 程序接受多个参数时，使用空格分割，如果参数本身包含空格，比如带有空格的路径，则可能会出现问题，需要通过双引号转义。详见这里和这里

4. 程序指定为批处理脚本（'.bat'）时，记得前面加上@隐藏命令显示，同时不要在结尾加入pause这种命令（无法检测命令的退出）。

   @python ./speech-recognition-from-microphone-with-endpoint-detection.py
   

使用 Fun-ASR-Nano

Fun-ASR-Nano 是离线自回归模型，不能直接替换内置 C# 流式识别器。仓库中的 external_recognizer/simulate-streaming-funasr-nano.py 会复用现有的多设备录音和 Silero VAD：检测到完整语音段后调用 Nano，并按命令行识别器协议输出最终字幕。

先在仓库根目录安装支持 Nano API 的 sherpa-onnx：

python -m pip install --upgrade PyAudioWPatch sherpa_onnx==1.13.4 scipy

下载 Fun-ASR-Nano INT8 模型 （压缩包约 842 MB）和 Silero VAD，按下面的默认目录放置：

external_recognizer/
├── silero_vad.onnx
└── sherpa-onnx-funasr-nano-int8-2025-12-30/
    ├── encoder_adaptor.int8.onnx
    ├── llm.int8.onnx
    ├── embedding.int8.onnx
    └── Qwen3-0.6B/

可以先在命令行用 CPU 启动：

python .\external_recognizer\simulate-streaming-funasr-nano.py --provider cpu --num-threads 4

确认运行正常后，在 TMSpeech 设置中选择“命令行识别器”，填写：

命令路径：C:\Path\to\python.exe
命令参数：simulate-streaming-funasr-nano.py --provider cpu --num-threads 4
工作目录：C:\Path\to\TMSpeech\external_recognizer

需要热词时可以追加 --hotwords "TMSpeech,FunASR"。--language 默认留空；可用值和 识别范围以下载的 checkpoint 说明为准。--provider cuda 会把模型请求转给 CUDA， 但需要安装带 CUDA execution provider 的 sherpa-onnx 构建，普通 CPU wheel 不会因此 自动获得 GPU 支持。

这个脚本只解码 VAD 已完成的语音段，不会每 200 ms 重跑一次自回归模型。因此字幕会在 说完并出现短暂停顿后一次性提交；这是为了避免 Nano 在 CPU 上持续重复推理。可以通过 --min-silence-duration 和 --max-speech-duration 调整分段延迟与最长句长。

我们需要你的反馈

觉得很有用？但是还有不完美的地方？欢迎点击这里创建Discussion、提出反馈！

• 识别准确率不高？
  • 这可能需要更好的模型。当前我们支持sherpa-onnx的流式模型，可以在这里下载其他模型，并在设置中修改模型路径。
  • 想要用自己的模型？ 如果你发现了效果更好的开源模型，也欢迎推荐给我们！
• 还需要更多功能？
  • 请点击这里创建issue告诉我们！
  • 如果你懂Windows/C#开发，欢迎提交pull request，开发的过程中遇到任何问题可以创建issue和我们讨论。

带模型的Release打包流程

• 在github actions中下载构建好的安装包
• 放入正确的模型文件夹。放入正确的default_config.json，对应上当前的识别器。
• 打包为zip文件，在开发电脑，和另外一台电脑上测试各种功能。