[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-k2-fsa--sherpa-ncnn":3,"tool-k2-fsa--sherpa-ncnn":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":120,"forks":121,"last_commit_at":122,"license":123,"difficulty_score":124,"env_os":125,"env_gpu":126,"env_ram":127,"env_deps":128,"category_tags":133,"github_topics":134,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":145,"updated_at":146,"faqs":147,"releases":182},3647,"k2-fsa\u002Fsherpa-ncnn","sherpa-ncnn","Real-time speech recognition and voice activity detection (VAD) using next-gen Kaldi with ncnn without Internet connection. Support iOS, Android, Linux, macOS, Windows, Raspberry Pi, VisionFive2, LicheePi4A etc.","sherpa-ncnn 是一款强大的离线语音识别与合成工具，旨在让设备在没有网络连接的情况下，也能实现实时的“听”与“说”。它基于新一代 Kaldi 框架和腾讯开源的 ncnn 推理引擎，核心解决了传统语音技术依赖云端服务器、存在隐私泄露风险及网络延迟高的问题。\n\n无论是开发者还是研究人员，都能利用 sherpa-ncnn 轻松构建本地化的语音应用。它支持流式语音转文字、文本转语音（TTS）以及语音活动检测（VAD），功能全面且响应迅速。其最大的技术亮点在于极致的跨平台兼容性：不仅覆盖 Windows、macOS、Linux 等主流桌面系统，还完美支持 Android、iOS 移动端，甚至能运行在树莓派、RISC-V 开发板等资源受限的边缘设备上。\n\n此外，sherpa-ncnn 提供了 C++、Python、Go、Swift 等多种编程语言接口，并支持 WebAssembly，方便不同技术背景的开发者集成。由于不依赖 PyTorch 等大型框架，仅需静态链接即可编译，生成的程序轻量且仅依赖系统库，非常适合对隐私安全敏感、需要低延迟响应或希望在嵌入式设备上部署语音功能的场景。","### Supported functions\n\n|Real-time Speech recognition|Speech synthesis | Voice activity detection |\n|----------------------------|-----------------|--------------------------|\n|   ✔️                        |✔️                |         ✔️                |\n\n### Supported platforms\n\n|Architecture| Android          | iOS           | Windows    | macOS | linux |\n|------------|------------------|---------------|------------|-------|-------|\n|   x64      |  ✔️               |               |   ✔️        | ✔️     |  ✔️    |\n|   x86      |  ✔️               |               |   ✔️        |       |       |\n|   arm64    |  ✔️               | ✔️             |   ✔️        | ✔️     |  ✔️    |\n|   arm32    |  ✔️               |               |            |       |  ✔️    |\n|   riscv64  |                  |               |            |       |  ✔️    |\n\n### Supported programming languages\n\n| 1. C++ | 2. C  | 3. Python | 4. JavaScript |\n|--------|-------|-----------|---------------|\n|   ✔️    | ✔️     | ✔️         |    ✔️          |\n\n|5. Go   | 6. C# | 7. Kotlin | 8. Swift |\n|--------|-------|-----------|----------|\n| ✔️      |  ✔️    | ✔️         |  ✔️       |\n\n\nIt also supports WebAssembly.\n\n## Introduction\n\nThis repository supports running the following functions **locally**\n\n  - Streaming speech-to-text (i.e., real-time speech recognition)\n  - Text to speech (e.g., vits models from [piper](https:\u002F\u002Fgithub.com\u002FOHF-Voice\u002Fpiper1-gpl))\n  - VAD (e.g., [silero-vad](https:\u002F\u002Fgithub.com\u002Fsnakers4\u002Fsilero-vad))\n\non the following platforms and operating systems:\n\n  - x86, ``x86_64``, 32-bit ARM, 64-bit ARM (arm64, aarch64), RISC-V (riscv64)\n  - Linux, macOS, Windows, openKylin\n  - Android, WearOS\n  - iOS\n  - NodeJS\n  - WebAssembly\n  - [Raspberry Pi](https:\u002F\u002Fwww.raspberrypi.com\u002F)\n  - [RV1126](https:\u002F\u002Fwww.rock-chips.com\u002Fuploads\u002Fpdf\u002F2022.8.26\u002F191\u002FRV1126%20Brief%20Datasheet.pdf)\n  - [LicheePi4A](https:\u002F\u002Fsipeed.com\u002Flicheepi4a)\n  - [VisionFive 2](https:\u002F\u002Fwww.starfivetech.com\u002Fen\u002Fsite\u002Fboards)\n  - [旭日X3派](https:\u002F\u002Fdeveloper.horizon.ai\u002Fapi\u002Fv1\u002FfileData\u002Fdocuments_pi\u002Findex.html)\n  - etc\n\nwith the following APIs\n\n  - C++, C, Python, Go, ``C#``\n  - Kotlin\n  - JavaScript\n  - Swift\n\nWe support all platforms that [ncnn](https:\u002F\u002Fgithub.com\u002Ftencent\u002Fncnn) supports.\n\nEverything can be compiled from source with static link. The generated\nexecutable depends only on system libraries.\n\n**HINT**: It does not depend on PyTorch or any other inference frameworks\nother than [ncnn](https:\u002F\u002Fgithub.com\u002Ftencent\u002Fncnn).\n\nPlease see the documentation \u003Chttps:\u002F\u002Fk2-fsa.github.io\u002Fsherpa\u002Fncnn\u002Findex.html>\nfor installation and usages, e.g.,\n\n  - How to build an Android app\n  - How to download and use pre-trained models\n\nWe provide a few YouTube videos for demonstration about real-time speech recognition\nwith `sherpa-ncnn` using a microphone:\n\n  - `English`: \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1TP411p7dh\u002F>\n  - `Chinese`: \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1214y177vu>\n\n  - Multilingual (Chinese + English) with endpointing Python demo : \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1eK411y788\u002F>\n\n  - **Android demos**\n\n  - Multilingual (Chinese + English) Android demo 1: \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1Ge411A7XS>\n  - Multilingual (Chinese + English) Android demo 2: \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1eK411y788\u002F>\n  - `Chinese (with background noise)` Android demo : \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1GR4y167fx>\n  - `Chinese` Android demo : \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1744y1Z76H>\n  - `Chinese poem with background music` Android demo : \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1vR4y1k7eo>\n\n### Links for pre-built Android APKs\n\n| Description                    | URL                                                       |\n|--------------------------------|-----------------------------------------------------------|\n| Streaming speech recognition   | [Address](https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Freleases) |\n\n### Links for pre-trained models\n\nhttps:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Freleases\u002Ftag\u002Fmodels\n\n### Useful links\n\n- Documentation: https:\u002F\u002Fk2-fsa.github.io\u002Fsherpa\u002Fncnn\u002F\n- Bilibili 演示视频: https:\u002F\u002Fsearch.bilibili.com\u002Fall?keyword=%E6%96%B0%E4%B8%80%E4%BB%A3Kaldi\n\n### How to reach us\n\nPlease see\nhttps:\u002F\u002Fk2-fsa.github.io\u002Fsherpa\u002Fsocial-groups.html\nfor 新一代 Kaldi **微信交流群** and **QQ 交流群**.\n\n\n## See also\n\n  - \u003Chttps:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-onnx>\n  - \u003Chttps:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa>\n","### 支持的功能\n\n|实时语音识别|语音合成 | 语音活动检测 |\n|------------|----------|--------------|\n|   ✔️        |✔️        |         ✔️    |\n\n### 支持的平台\n\n|架构| 安卓          | iOS           | Windows    | macOS | Linux |\n|----|---------------|---------------|------------|-------|-------|\n|   x64      |  ✔️           |               |   ✔️        | ✔️     |  ✔️    |\n|   x86      |  ✔️           |               |   ✔️        |       |       |\n|   arm64    |  ✔️           | ✔️             |   ✔️        | ✔️     |  ✔️    |\n|   arm32    |  ✔️           |               |            |       |  ✔️    |\n|   riscv64  |                  |               |            |       |  ✔️    |\n\n### 支持的编程语言\n\n| 1. C++ | 2. C  | 3. Python | 4. JavaScript |\n|--------|-------|-----------|---------------|\n|   ✔️    | ✔️     | ✔️         |    ✔️          |\n\n|5. Go   | 6. C# | 7. Kotlin | 8. Swift |\n|--------|-------|-----------|----------|\n| ✔️      |  ✔️    | ✔️         |  ✔️       |\n\n\n它还支持 WebAssembly。\n\n## 简介\n\n本仓库支持在本地运行以下功能：\n\n  - 流式语音转文本（即实时语音识别）\n  - 文本转语音（例如来自 [piper](https:\u002F\u002Fgithub.com\u002FOHF-Voice\u002Fpiper1-gpl) 的 vits 模型）\n  - VAD（例如 [silero-vad](https:\u002F\u002Fgithub.com\u002Fsnakers4\u002Fsilero-vad)）\n\n可在以下平台和操作系统上运行：\n\n  - x86、x86_64、32位 ARM、64位 ARM（arm64、aarch64）、RISC-V（riscv64）\n  - Linux、macOS、Windows、openKylin\n  - 安卓、WearOS\n  - iOS\n  - NodeJS\n  - WebAssembly\n  - [树莓派](https:\u002F\u002Fwww.raspberrypi.com\u002F)\n  - [RV1126](https:\u002F\u002Fwww.rock-chips.com\u002Fuploads\u002Fpdf\u002F2022.8.26\u002F191\u002FRV1126%20Brief%20Datasheet.pdf)\n  - [LicheePi4A](https:\u002F\u002Fsipeed.com\u002Flicheepi4a)\n  - [VisionFive 2](https:\u002F\u002Fwww.starfivetech.com\u002Fen\u002Fsite\u002Fboards)\n  - [旭日X3派](https:\u002F\u002Fdeveloper.horizon.ai\u002Fapi\u002Fv1\u002FfileData\u002Fdocuments_pi\u002Findex.html)\n  - 等等\n\n并提供以下 API 支持：\n\n  - C++、C、Python、Go、C#\n  - Kotlin\n  - JavaScript\n  - Swift\n\n我们支持 [ncnn](https:\u002F\u002Fgithub.com\u002Ftencent\u002Fncnn) 所有支持的平台。\n\n所有内容均可通过静态链接从源代码编译。生成的可执行文件仅依赖于系统库。\n\n**提示**：它不依赖于 PyTorch 或其他推理框架，仅依赖于 [ncnn](https:\u002F\u002Fgithub.com\u002Ftencent\u002Fncnn)。\n\n请参阅文档 \u003Chttps:\u002F\u002Fk2-fsa.github.io\u002Fsherpa\u002Fncnn\u002Findex.html> 了解安装和使用方法，例如：\n\n  - 如何构建 Android 应用程序\n  - 如何下载和使用预训练模型\n\n我们提供了一些 YouTube 视频，演示使用 `sherpa-ncnn` 和麦克风进行实时语音识别：\n\n  - 英语： \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1TP411p7dh\u002F>\n  - 中文： \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1214y177vu>\n\n  - 多语言（中文 + 英语）带端点检测的 Python 示例： \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1eK411y788\u002F>\n\n  - **Android 演示**\n\n  - 多语言（中文 + 英语）Android 演示 1： \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1Ge411A7XS>\n  - 多语言（中文 + 英语）Android 演示 2： \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1eK411y788\u002F>\n  - 带背景噪声的中文 Android 演示： \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1GR4y167fx>\n  - 中文 Android 演示： \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1744y1Z76H>\n  - 背景音乐下的中文诗歌 Android 演示： \u003Chttps:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1vR4y1k7eo>\n\n### 预编译 Android APK 下载链接\n\n| 描述                    | URL                                                       |\n|-------------------------|-----------------------------------------------------------|\n| 流式语音识别           | [地址](https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Freleases) |\n\n### 预训练模型下载链接\n\nhttps:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Freleases\u002Ftag\u002Fmodels\n\n### 有用链接\n\n- 文档： https:\u002F\u002Fk2-fsa.github.io\u002Fsherpa\u002Fncnn\u002F\n- Bilibili 演示视频： https:\u002F\u002Fsearch.bilibili.com\u002Fall?keyword=%E6%96%B0%E4%B8%80%E4%BB%A3Kaldi\n\n### 联系我们\n\n请访问\nhttps:\u002F\u002Fk2-fsa.github.io\u002Fsherpa\u002Fsocial-groups.html\n以加入新一代 Kaldi **微信交流群** 和 **QQ 交流群**。\n\n\n## 参见\n\n  - \u003Chttps:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-onnx>\n  - \u003Chttps:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa>","# Sherpa-ncnn 快速上手指南\n\nSherpa-ncnn 是一个基于 ncnn 推理框架的开源工具，支持在多种平台（Linux, macOS, Windows, Android, iOS, RISC-V 等）上**离线**运行实时语音识别、语音合成 (TTS) 和语音活动检测 (VAD)。它不依赖 PyTorch 或其他重型推理框架，生成的可执行文件仅依赖系统库，非常适合嵌入式设备和移动端部署。\n\n## 1. 环境准备\n\n### 系统要求\nSherpa-ncnn 支持广泛的架构和操作系统：\n*   **架构**: x86, x86_64, ARM32, ARM64 (aarch64), RISC-V (riscv64)\n*   **操作系统**: Linux, macOS, Windows, openKylin, Android, WearOS, iOS\n*   **开发语言支持**: C++, C, Python, JavaScript, Go, C#, Kotlin, Swift\n\n### 前置依赖\n*   **CMake**: 版本 3.13 或更高\n*   **编译器**: 支持 C++17 的编译器 (GCC, Clang, MSVC 等)\n*   **Python** (可选): 如果使用 Python API，需安装 Python 3.6+\n*   **Node.js** (可选): 如果使用 JavaScript API\n\n> **注意**: 本项目静态链接 `ncnn`，无需单独安装 ncnn，构建时会自动下载或编译。\n\n## 2. 安装步骤\n\n以下以最常见的 **Linux\u002FmacOS** 环境下通过源码编译安装为例（支持 Python 和 C++）。\n\n### 步骤一：克隆仓库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn.git\ncd sherpa-ncnn\n```\n\n### 步骤二：创建构建目录并配置\n使用 CMake 配置项目。默认会启用 Python 支持。如果需要纯 C++ 构建，可添加 `-DBUILD_SHARED_LIBS=OFF` 等参数，但通常默认配置即可满足大多数需求。\n\n```bash\nmkdir build\ncd build\ncmake -DCMAKE_BUILD_TYPE=Release ..\n```\n\n> **提示**: 如果网络较慢导致下载子模块失败，请确保网络通畅，或手动配置 git 代理。目前官方未提供特定的国内构建镜像源，但模型文件可从国内加速节点下载（见下文）。\n\n### 步骤三：编译与安装\n```bash\n# 编译 (根据 CPU 核心数调整 -j 参数，例如 -j4)\nmake -j4\n\n# 安装到系统目录 (可选，需要 sudo 权限)\nsudo make install\n\n# 或者仅在 build 目录内使用，无需安装\n```\n\n对于 **Android** 或 **iOS** 开发，请参考官方文档中关于交叉编译的具体章节，或使用提供的预编译 APK 进行体验。\n\n## 3. 基本使用\n\n使用前需要先下载预训练模型。\n\n### 3.1 下载模型\n访问官方模型发布页下载适合你的模型（例如中文流式识别模型）：\n*   **模型下载地址**: https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Freleases\u002Ftag\u002Fmodels\n*   **推荐模型示例**: `sherpa-ncnn-streaming-zipformer-bilingual-zh-en-2023-02-13` (中英双语流式模型)\n\n解压模型到本地目录，假设路径为 `.\u002Fmodel`。\n\n### 3.2 Python 快速示例\n确保已安装 `sherpa_ncnn` 包（如果之前执行了 `sudo make install` 且配置了 Python 路径，或者在 build 目录中设置 `PYTHONPATH`）。\n\n```python\nimport sherpa_ncnn\nimport soundfile as sf\n\n# 1. 创建识别器配置\nconfig = sherpa_ncnn.RecognizerConfig(\n    feat_config=sherpa_ncnn.FeatureExtractorConfig(\n        sampling_rate=16000,\n        feature_dim=80\n    ),\n    model_config=sherpa_ncnn.ModelConfig(\n        transducer=sherpa_ncnn.TransducerModelConfig(\n            encoder_param=\".\u002Fmodel\u002Fencoder_jit_trace-pnnx.ncnn.param\",\n            encoder_bin=\".\u002Fmodel\u002Fencoder_jit_trace-pnnx.ncnn.bin\",\n            decoder_param=\".\u002Fmodel\u002Fdecoder_jit_trace-pnnx.ncnn.param\",\n            decoder_bin=\".\u002Fmodel\u002Fdecoder_jit_trace-pnnx.ncnn.bin\",\n            joiner_param=\".\u002Fmodel\u002Fjoiner_jit_trace-pnnx.ncnn.param\",\n            joiner_bin=\".\u002Fmodel\u002Fjoiner_jit_trace-pnnx.ncnn.bin\",\n            num_threads=2,\n            provider=\"cpu\",\n        ),\n        tokens=\".\u002Fmodel\u002Ftokens.txt\",\n    ),\n    enable_tracing=False,\n    sample_rate=16000,\n    feature_dim=80,\n    decoding_method=\"greedy_search\",\n    max_active_paths=4,\n)\n\n# 2. 创建识别器实例\nrecognizer = sherpa_ncnn.Recognizer(config)\n\n# 3. 读取音频文件并进行识别\n# 假设有一个 16kHz 单声道的 wav 文件\nwave, sample_rate = sf.read(\"test.wav\", dtype=\"float32\")\nassert sample_rate == 16000, f\"Expected 16000, got: {sample_rate}\"\n\nstream = recognizer.create_stream()\nstream.accept_waveform(sample_rate, wave)\n\nrecognizer.decode_stream(stream)\n\nprint(\"识别结果:\", stream.result.text)\n```\n\n### 3.3 C++ 快速示例\n在 `build` 目录下编译一个简单的 C++ 示例（假设已有 `main.cpp`）：\n\n```bash\ng++ main.cpp -o demo \\\n  -I..\u002Fsherpa-ncnn\u002Fcsrc \\\n  -I..\u002Fsherpa-ncnn\u002Fbuild\u002F_deps\u002Fkaldi-native-fbfs-src\u002Fkaldi-native-fbfs\u002Fcsrc \\\n  -L. -lsherpa-ncnn-c-api \\\n  -Wl,-rpath,.\n```\n\n运行程序：\n```bash\n.\u002Fdemo --tokens=.\u002Fmodel\u002Ftokens.txt \\\n       --encoder-param=.\u002Fmodel\u002Fencoder_jit_trace-pnnx.ncnn.param \\\n       --encoder-bin=.\u002Fmodel\u002Fencoder_jit_trace-pnnx.ncnn.bin \\\n       --decoder-param=.\u002Fmodel\u002Fdecoder_jit_trace-pnnx.ncnn.param \\\n       --decoder-bin=.\u002Fmodel\u002Fdecoder_jit_trace-pnnx.ncnn.bin \\\n       --joiner-param=.\u002Fmodel\u002Fjoiner_jit_trace-pnnx.ncnn.param \\\n       --joiner-bin=.\u002Fmodel\u002Fjoiner_jit_trace-pnnx.ncnn.bin \\\n       --sound-file=test.wav\n```\n\n---\n**更多资源**:\n*   详细文档: https:\u002F\u002Fk2-fsa.github.io\u002Fsherpa\u002Fncnn\u002F\n*   演示视频 (Bilibili): 搜索 \"新一代 Kaldi\"\n*   社区交流: 微信\u002FQQ 群请访问 https:\u002F\u002Fk2-fsa.github.io\u002Fsherpa\u002Fsocial-groups.html","某户外探险团队正在开发一款专为深山无人区设计的智能语音记录 App，旨在让队员在双手被占用时也能通过语音快速记录路况与发现。\n\n### 没有 sherpa-ncnn 时\n- **完全无法离线工作**：传统方案严重依赖云端 API，一旦进入无信号的深山峡谷，语音转文字功能立即瘫痪，导致关键数据丢失。\n- **硬件兼容性差**：团队使用的老旧安卓加固平板和国产 RISC-V 架构开发板难以部署庞大的深度学习框架（如 PyTorch），适配成本极高。\n- **响应延迟高且耗电**：即便在有网络区域，音频上传云端再返回结果的过程存在明显延迟，且持续联网传输极大缩短了设备续航。\n- **隐私泄露风险**：敏感的地理坐标和勘探数据需上传至第三方服务器处理，存在数据外泄隐患。\n\n### 使用 sherpa-ncnn 后\n- **纯本地实时识别**：sherpa-ncnn 利用 ncnn 引擎直接在设备端运行，无需任何网络连接即可在嘈杂风声中实现毫秒级语音转文字。\n- **全平台无缝覆盖**：凭借对 x86、ARM 乃至 RISC-V 架构的广泛支持，团队轻松将同一套模型部署到从高端手机到低功耗开发板的所有设备上。\n- **极致轻量与低功耗**：静态链接编译生成的可执行文件仅依赖系统库，去除了重型框架负担，显著降低 CPU 占用并延长野外作业时间。\n- **数据绝对安全**：所有语音处理均在本地完成，敏感勘探信息不出设备，彻底消除了云端传输带来的隐私顾虑。\n\nsherpa-ncnn 通过高性能的本地化推理能力，让智能语音交互真正突破了网络与硬件的限制，成为野外极端环境下的可靠助手。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fk2-fsa_sherpa-ncnn_16549443.png","k2-fsa","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fk2-fsa_fda504ee.png","",null,"https:\u002F\u002Fgithub.com\u002Fk2-fsa",[81,85,89,93,97,101,105,109,113,117],{"name":82,"color":83,"percentage":84},"C++","#f34b7d",55.7,{"name":86,"color":87,"percentage":88},"Python","#3572A5",14.3,{"name":90,"color":91,"percentage":92},"CMake","#DA3434",7.4,{"name":94,"color":95,"percentage":96},"Shell","#89e051",6,{"name":98,"color":99,"percentage":100},"Swift","#F05138",3.8,{"name":102,"color":103,"percentage":104},"Kotlin","#A97BFF",3.4,{"name":106,"color":107,"percentage":108},"JavaScript","#f1e05a",3.2,{"name":110,"color":111,"percentage":112},"C#","#178600",1.9,{"name":114,"color":115,"percentage":116},"Go","#00ADD8",1.7,{"name":118,"color":119,"percentage":116},"C","#555555",1657,211,"2026-04-04T02:01:06","Apache-2.0",4,"Linux, macOS, Windows, Android, iOS","不需要 GPU，基于 ncnn 框架仅依赖 CPU 运行","未说明",{"notes":129,"python":130,"dependencies":131},"该工具完全本地运行，不依赖 PyTorch 或其他推理框架（仅依赖 ncnn）。支持多种架构（x86, x64, arm32, arm64, riscv64）及嵌入式设备（如树莓派）。所有组件均可从源码编译并静态链接，生成的可执行文件仅依赖系统库。支持 WebAssembly。","未说明具体版本，但支持 Python API",[132],"ncnn",[26,51,13,55,54,15,53,14],[135,136,137,138,139,140,141,142,143,144],"python","speech-recognition","cpp","asr","c","csharp","go","kotlin","vad","voice-activity-detection","2026-03-27T02:49:30.150509","2026-04-06T05:44:20.735331",[148,153,158,162,167,172,177],{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},16706,"为什么在 Android 低端设备上运行 sherpa-ncnn 会闪退或识别不准？","设备的计算性能直接影响推理速度。如果推理速度过慢导致 RTF（实时率）大于 1，就会丢失音频数据从而影响准确度甚至导致崩溃。\n解决方案：\n1. 首先使用可执行文件 `sherpa-ncnn` 测试当前模型在设备上的 RTF，确保 RTF \u003C 1 才能正常使用。\n2. 对于低端设备，请专门使用为小设备优化的模型，参考文档：https:\u002F\u002Fk2-fsa.github.io\u002Fsherpa\u002Fncnn\u002Fpretrained_models\u002Fsmall-models.html\n3. 可以尝试调整解码方法或减少线程数量来优化 RTF。","https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fissues\u002F125",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},16707,"如何判断下载的模型是否支持流式识别（Streaming）？","查看模型文件夹或文件名：如果名字中没有包含 \"streaming\" 字样，那么该模型 99.99% 不支持流式识别。\n例如，SenseVoice 的某些模型如果不带 streaming 标识，则无法用于流式演示，强行使用会导致没有识别结果。请务必下载文件名中明确带有 \"streaming\" 的模型版本。","https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fissues\u002F370",{"id":159,"question_zh":160,"answer_zh":161,"source_url":157},16708,"在 iOS 开发中遇到模型文件路径报错（如 .onnx 文件不存在）怎么办？","这通常是因为模型文件未正确添加到 Xcode 项目中或路径配置错误。\n解决步骤：\n1. 确保下载的模型文件夹（如 sherpa-onnx-punct-ct-transformer...）已完整复制到项目的资源目录中。\n2. 在 Xcode 中检查文件是否已加入 Target 的 \"Copy Bundle Resources\" 列表中。\n3. 确认代码中读取的路径是相对于 App Bundle 的正确相对路径。\n4. 注意区分 sherpa-onnx 和 sherpa-ncnn 的模型格式，确保使用的模型文件与当前引擎匹配。",{"id":163,"question_zh":164,"answer_zh":165,"source_url":166},16709,"运行 dotnet-examples 时出现 'Attempted to read or write protected memory' (AccessViolationException) 错误如何解决？","该错误通常是由于代码中覆盖了错误的配置值或参数设置不当导致的内存访问违规。\n解决方法：\n1. 优先运行官方提供的示例代码（如 DecodeFile.cs），确认环境本身无误。\n2. 对比自己的代码与官方示例（参考链接：https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fblob\u002Fmain\u002Fdotnet-examples\u002Fdecode-file\u002FDecodeFile.cs），检查是否有额外的配置项覆盖（overriding setting value）了默认值。\n3. 确保传入 Recognizer 或 OnlineStream 的配置对象（Config）中的所有路径和参数均合法且未被错误修改。","https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fissues\u002F377",{"id":168,"question_zh":169,"answer_zh":170,"source_url":171},16710,"Python 调用时报错 'TypeError: Recognizer() takes no arguments' 是什么原因？","这通常是因为安装的库版本与示例代码不匹配，或者导入方式有误。\n排查步骤：\n1. 确保同时卸载并重新安装了最新版本的 `sherpa-onnx` 和 `sherpa-ncnn`（命令：`pip uninstall sherpa-onnx sherpa-ncnn` 然后 `pip install ...`）。\n2. 检查 import 语句顺序，确保 `import numpy as np`, `import sherpa_onnx` 等导入语句位于类定义之前。\n3. 确认使用的示例代码版本与安装的库版本一致。官方示例应当无需修改即可运行，如果仍然报错，可能是本地环境缓存问题，建议清理后重试。","https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fissues\u002F363",{"id":173,"question_zh":174,"answer_zh":175,"source_url":176},16711,"在 aarch64 架构设备上运行语音识别有明显延迟（约 3 秒）且提示不使用 GPU，如何优化？","延迟通常是因为模型文件未正确解压或加载了错误的配置。\n解决方法：\n1. 检查模型压缩包是否已完全解压，直接使用压缩包内的文件会导致读取失败或回退到慢速模式。\n2. 确认日志中 `has_gpu: 0` 和 `config.use_vulkan_compute: 0` 是否符合预期。如果在纯 CPU 设备上运行，需确保使用了针对 CPU 优化的轻量级模型。\n3. 如果是文件路径问题（如 alsa-lib 相关），尝试重命名或重新放置依赖库文件。","https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fissues\u002F122",{"id":178,"question_zh":179,"answer_zh":180,"source_url":181},16712,"Android APK 安装后闪退（Flash back），即使在模拟器中也无法运行，可能是什么原因？","除了模型过大导致内存不足外，还可能是模型导出版本与代码不兼容。\n建议操作：\n1. 确保使用的是最新的 icefall 代码库进行模型导出，旧版导出的模型可能在新版 sherpa-ncnn 中不兼容。\n2. 参考官方导出文档（https:\u002F\u002Ficefall.readthedocs.io\u002Fen\u002Flatest\u002Fmodel-export\u002Fexport-ncnn-zipformer.html）重新导出模型。\n3. 检查 Logcat 日志，确认是否在 `SherpaNcnn_new` 或 `Model::Create` 阶段崩溃，这通常意味着模型配置文件（.param\u002F.bin）损坏或格式不匹配。","https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fissues\u002F216",[183,188,192,197,202,206,211,216,221,226,231,236,241,246,251,256,260,264,268,272],{"id":184,"version":185,"summary_zh":186,"released_at":187},98974,"v2.1.15","## 变更内容\n* 更新 README，加入由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F412 中添加的 TTS 功能\n* 更新 ncnn 以修复 #330，由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F414 中完成\n* 将 SenseVoice 导出至 sherpa-ncnn，由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F416 中完成\n* 为 SenseVoice ASR 模型添加 C++ 运行时，由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F418 中完成\n* 为 SenseVoice ASR 模型添加 Python API，由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F419 中完成\n* 修复 Windows 平台的构建问题，由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F421 中完成\n* 添加 VAD + 麦克风的 C++ 示例，由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F422 中完成\n* 添加 SenseVoice + VAD 的 C++ 实时语音识别示例，由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F423 中完成\n* 发布 v2.1.15 版本，由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F424 中完成\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fcompare\u002Fv2.1.14...v2.1.15","2025-09-16T08:09:03",{"id":189,"version":190,"summary_zh":78,"released_at":191},98975,"asr-models","2025-09-13T10:48:34",{"id":193,"version":194,"summary_zh":195,"released_at":196},98976,"v2.1.14","## 变更内容\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F405 中修复 CI\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F406 中修复 NuGet 包发布问题\n* 支持多说话人 Piper TTS 模型。由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F407 中实现\n* 添加来自 nihui 的 Piper TTS 导出脚本。由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F408 中实现\n* 将更多 Piper TTS 模型导出到 sherpa-ncnn。由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F409 中实现\n* 添加 TTS 的 Python API。由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F410 中实现\n* 发布 v2.1.14。由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F411 中完成\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fcompare\u002Fv2.1.13...v2.1.14","2025-09-05T15:43:18",{"id":198,"version":199,"summary_zh":200,"released_at":201},98977,"v2.1.13","## 变更内容\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F380 中修复了 npm 包的构建问题。\n* 由 @chen-junqiao 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F381 中添加了 Node.js 热词示例。\n* 由 @chen-junqiao 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F382 中新增了 hotwords-decode-file.js 示例。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F384 中修复了 Node.js 相关问题。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F385 中更新了 Node.js 麦克风示例，使其使用麦克风输入。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F387 中添加了从 Kaldi 解析选项的功能。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F388 中将 ncnn 更新至 tencent\u002Fncnn 的最新主分支。\n* 由 @naivetoby 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F389 中适配了 CMake 版本。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F396 中更新了 CMake 依赖项。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F397 中再次添加了从 Kaldi 解析选项的功能。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F399 中添加了 Piper TTS 功能。\n* 修复（Windows）：支持离线 TTS 使用 GB2312 编码的输入文本，由 @HeiSir2014 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F400 中完成。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F401 中更新 CI，以包含 TTS 测试。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F402 中重构了 Python wheel 的构建流程。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F403 中发布了 Python 包 sherpa-ncnn-bin 和 sherpa-ncnn-core。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F404 中发布了 v2.1.13 版本。\n\n## 新贡献者\n* @naivetoby 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F389 中完成了首次贡献。\n* @HeiSir2014 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F400 中完成了首次贡献。\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fcompare\u002Fv2.1.11...v2.1.13","2025-09-03T15:42:58",{"id":203,"version":204,"summary_zh":78,"released_at":205},98978,"tts-models","2025-08-15T10:08:50",{"id":207,"version":208,"summary_zh":209,"released_at":210},98979,"v2.1.11","## 变更内容\n* 修复构建问题，由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F325 中完成\n* 在 JNI 中增加更详细的日志输出，由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F333 中完成\n* 修复 alsa-lib 的版本问题，由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F348 中完成\n* 添加 Silero VAD 版本 4，由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F353 中完成\n* 更新 wave-reader.cc 文件，由 @Abandon-ht 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F356 中完成\n* 使用来自腾讯的最新版 ncnn 主分支代码，由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F372 中完成\n* 添加热词文件功能，由 @chen-junqiao 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F378 中完成\n* 发布 v2.1.11 版本，由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F379 中完成\n\n## 新贡献者\n* @Abandon-ht 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F356 中完成了首次贡献\n* @chen-junqiao 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F378 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fcompare\u002Fv2.1.10...v2.1.11","2025-04-15T20:52:49",{"id":212,"version":213,"summary_zh":214,"released_at":215},98980,"v2.1.10","## 变更内容\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F315 中提出：将 \u003Cunk> 视为空白处理\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F319 中添加了 Android WearOS 示例\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F320 中使用 tencent\u002Fncnn 的 master 分支\n* 由 @pkufool 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F281 中为热词添加自定义得分，并为流添加 Finalize 方法\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F324 中添加了使用 alsa 的 Python ASR 示例\n\n## 新贡献者\n* @pkufool 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F281 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fcompare\u002Fv2.1.9...v2.1.10","2024-03-08T05:39:04",{"id":217,"version":218,"summary_zh":219,"released_at":220},98981,"v2.1.9","## 变更内容\n* 添加 WebAssembly + Node.js 示例。由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F311 中完成。\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fcompare\u002Fv2.1.8...v2.1.9","2024-02-24T04:48:07",{"id":222,"version":223,"summary_zh":224,"released_at":225},98982,"v2.1.8","## 变更内容\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F302 中实现，支持将 wasm 文件上传至 Hugging Face Spaces。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F304 中修复了 Windows 平台的 wheel 包构建问题。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F309 中将 wasm 发布到 Model Scope。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F310 中在发布版本中同时发布 Android 预编译库。\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fcompare\u002Fv2.1.7...v2.1.8","2024-02-23T01:59:09",{"id":227,"version":228,"summary_zh":229,"released_at":230},98983,"v2.1.7","## 变更内容\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F297 中提出，改用位于中国的 GitHub 镜像源下载依赖，而非 Huggingface。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F300 中添加 WebAssembly 支持。\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fcompare\u002Fv2.1.6...v2.1.7","2024-02-06T09:23:44",{"id":232,"version":233,"summary_zh":234,"released_at":235},98984,"v2.1.6","## 变更内容\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F295 中将 kaldi-native-fbank 从 1.18.5 更新至 1.18.6\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fcompare\u002Fv2.1.5...v2.1.6","2024-01-12T11:24:55",{"id":237,"version":238,"summary_zh":239,"released_at":240},98985,"v2.1.5","## 变更内容\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F280 中添加了 NodeJS 示例。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F283 中支持构建 macOS 通用轮子包。\n* 由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F285 中为 Python 示例添加了热词功能。\n* 在计算滤波器组特征时使用高频截止值 -400。由 @csukuangfj 在 https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F294 中实现。\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fcompare\u002Fv2.1.4...v2.1.5","2024-01-04T05:57:18",{"id":242,"version":243,"summary_zh":244,"released_at":245},98986,"models","Please refer to\r\nhttps:\u002F\u002Fk2-fsa.github.io\u002Fsherpa\u002Fncnn\u002Fpretrained_models\u002Findex.html\r\nfor more models.","2023-11-22T10:11:27",{"id":247,"version":248,"summary_zh":249,"released_at":250},98987,"v2.1.4","## What's Changed\r\n* Provide pre-built wheels for armv7l (e.g., 32-bit Raspberry Pi) by @csukuangfj in https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F270\r\n* Update kaldi native fbank by @csukuangfj in https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F273\r\n\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fcompare\u002Fv2.1.3...v2.1.4","2023-10-17T07:55:42",{"id":252,"version":253,"summary_zh":254,"released_at":255},98988,"v2.1.3","## What's Changed\r\n* Fix crash for Android by @csukuangfj in https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F267\r\n* Fix MFC examples by @csukuangfj in https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fpull\u002F268\r\n\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fk2-fsa\u002Fsherpa-ncnn\u002Fcompare\u002Fv2.1.2...v2.1.3","2023-09-19T04:50:51",{"id":257,"version":258,"summary_zh":78,"released_at":259},98989,"v2.1.2","2023-09-05T06:54:34",{"id":261,"version":262,"summary_zh":78,"released_at":263},98990,"v2.1.1","2023-08-31T12:22:50",{"id":265,"version":266,"summary_zh":78,"released_at":267},98991,"v2.1.0","2023-08-31T05:41:26",{"id":269,"version":270,"summary_zh":78,"released_at":271},98992,"v2.0.7","2023-08-18T03:28:53",{"id":273,"version":274,"summary_zh":78,"released_at":275},98993,"v2.0.6","2023-08-18T02:11:46"]