[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-mozilla--DeepSpeech-examples":3,"tool-mozilla--DeepSpeech-examples":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",150037,2,"2026-04-10T23:33:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":117,"forks":118,"last_commit_at":119,"license":77,"difficulty_score":120,"env_os":121,"env_gpu":122,"env_ram":122,"env_deps":123,"category_tags":132,"github_topics":134,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":142,"updated_at":143,"faqs":144,"releases":173},5804,"mozilla\u002FDeepSpeech-examples","DeepSpeech-examples","Examples of how to use or integrate DeepSpeech","DeepSpeech-examples 是 Mozilla DeepSpeech 语音识别引擎的官方示例代码库，旨在帮助开发者快速上手并集成这一强大的开源工具。它提供了一系列涵盖多种编程语言（如 Python、JavaScript、C#、Java 和 Nim）的实用案例，解决了从基础音频文件转录到复杂实时麦克风流处理的技术难题。\n\n对于希望将语音识别功能融入自身应用的开发者而言，这里提供了宝贵的“脚手架”。无论是需要实现自动字幕生成（AutoSub），还是处理带有语音活动检测（VAD）的实时音频流，亦或是构建基于 Electron 或 Web 的交互式语音应用，都能在这里找到对应的参考实现。这些示例不仅降低了学习门槛，让用户无需深究底层算法细节即可先行体验，还为解决常见的工程挑战（如噪音过滤、流式传输架构）提供了经过验证的思路。\n\n该资源主要面向软件工程师、全栈开发者以及正在探索语音技术落地的研究人员。其独特的技术亮点在于跨平台的广泛支持，覆盖了从桌面端（Windows\u002F.NET）、移动端（Android）到 Web 端的全场景开发需求，并针对不同版本的 DeepSpeech 提供了精","DeepSpeech-examples 是 Mozilla DeepSpeech 语音识别引擎的官方示例代码库，旨在帮助开发者快速上手并集成这一强大的开源工具。它提供了一系列涵盖多种编程语言（如 Python、JavaScript、C#、Java 和 Nim）的实用案例，解决了从基础音频文件转录到复杂实时麦克风流处理的技术难题。\n\n对于希望将语音识别功能融入自身应用的开发者而言，这里提供了宝贵的“脚手架”。无论是需要实现自动字幕生成（AutoSub），还是处理带有语音活动检测（VAD）的实时音频流，亦或是构建基于 Electron 或 Web 的交互式语音应用，都能在这里找到对应的参考实现。这些示例不仅降低了学习门槛，让用户无需深究底层算法细节即可先行体验，还为解决常见的工程挑战（如噪音过滤、流式传输架构）提供了经过验证的思路。\n\n该资源主要面向软件工程师、全栈开发者以及正在探索语音技术落地的研究人员。其独特的技术亮点在于跨平台的广泛支持，覆盖了从桌面端（Windows\u002F.NET）、移动端（Android）到 Web 端的全场景开发需求，并针对不同版本的 DeepSpeech 提供了精确分支匹配，确保集成的稳定性与兼容性。通过参考这些代码，用户可以高效地构建属于自己的语音交互系统。","DeepSpeech 0.9.x Examples\n==========================\n\nThese are various examples on how to use or integrate DeepSpeech using our packages.\n\nIt is a good way to just try out DeepSpeech before learning how it works in detail, as well as a source of inspiration for ways you can integrate it into your application or solve common tasks like voice activity detection (VAD) or microphone streaming.\n\nContributions are welcome!\n\n**Note:** These examples target DeepSpeech **0.9.x** only. If you're using a different release, you need to go to the corresponding branch for the release:\n\n* `v0.9.x \u003Chttps:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples\u002Ftree\u002Fr0.9>`_\n* `v0.8.x \u003Chttps:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples\u002Ftree\u002Fr0.8>`_\n* `v0.7.x \u003Chttps:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples\u002Ftree\u002Fr0.7>`_\n* `v0.6.x \u003Chttps:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples\u002Ftree\u002Fr0.6>`_\n* `master branch \u003Chttps:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples\u002Ftree\u002Fmaster>`_\n\n**List of examples**\n\nPython:\n-------\n\n* `Microphone VAD streaming \u003Cmic_vad_streaming\u002FREADME.rst>`_\n* `VAD transcriber \u003Cvad_transcriber\u002F>`_\n* `AutoSub \u003Cautosub\u002F>`_\n\nJavaScript:\n-----------\n\n* `FFMPEG VAD streaming \u003Cffmpeg_vad_streaming\u002FREADME.MD>`_\n* `Node.JS microphone VAD streaming \u003Cnodejs_mic_vad_streaming\u002FReadme.md>`_\n* `Node.JS wav \u003Cnodejs_wav\u002FReadme.md>`_\n* `Web Microphone Websocket streaming \u003Cweb_microphone_websocket\u002FReadme.md>`_\n* `Electron wav transcriber \u003Celectron\u002FReadme.md>`_\n\nWindows\u002FC#:\n-----------\n\n* `.NET framework \u003Cnet_framework\u002F>`_\n* `Universal Windows Platform (UWP) \u003Cuwp\u002F>`_.\n\nJava\u002FAndroid:\n-------------\n\n* `mozilla\u002Fandroidspeech library \u003Chttps:\u002F\u002Fgithub.com\u002Fmozilla\u002Fandroidspeech\u002F>`_\n\nNim:\n----\n\n* `nim_mic_vad_streaming \u003Cnim_mic_vad_streaming\u002FREADME.md>`_.\n","DeepSpeech 0.9.x 示例\n==========================\n\n这些是使用我们的软件包来使用或集成 DeepSpeech 的各种示例。\n\n在深入了解其工作原理之前，这些示例是一个很好的上手方式，同时也能为您提供灵感，帮助您将其集成到自己的应用中，或者解决诸如语音活动检测（VAD）或麦克风流式传输等常见任务。\n\n欢迎贡献！\n\n**注意：** 这些示例仅适用于 DeepSpeech **0.9.x** 版本。如果您使用的是其他版本，请切换到相应版本的分支：\n\n* `v0.9.x \u003Chttps:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples\u002Ftree\u002Fr0.9>`_\n* `v0.8.x \u003Chttps:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples\u002Ftree\u002Fr0.8>`_\n* `v0.7.x \u003Chttps:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples\u002Ftree\u002Fr0.7>`_\n* `v0.6.x \u003Chttps:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples\u002Ftree\u002Fr0.6>`_\n* `master 分支 \u003Chttps:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples\u002Ftree\u002Fmaster>`_\n\n**示例列表**\n\nPython:\n-------\n\n* `麦克风 VAD 流式传输 \u003Cmic_vad_streaming\u002FREADME.rst>`_\n* `VAD 转录器 \u003Cvad_transcriber\u002F>`_\n* `AutoSub \u003Cautosub\u002F>`_\n\nJavaScript:\n-----------\n\n* `FFMPEG VAD 流式传输 \u003Cffmpeg_vad_streaming\u002FREADME.MD>`_\n* `Node.js 麦克风 VAD 流式传输 \u003Cnodejs_mic_vad_streaming\u002FReadme.md>`_\n* `Node.js WAV 文件处理 \u003Cnodejs_wav\u002FReadme.md>`_\n* `Web 麦克风 WebSocket 流式传输 \u003Cweb_microphone_websocket\u002FReadme.md>`_\n* `Electron WAV 文件转录器 \u003Celectron\u002FReadme.md>`_\n\nWindows\u002FC#:\n-----------\n\n* `.NET 框架 \u003Cnet_framework\u002F>`_\n* `通用 Windows 平台 (UWP) \u003Cuwp\u002F>`_。\n\nJava\u002FAndroid:\n-------------\n\n* `mozilla\u002Fandroidspeech 库 \u003Chttps:\u002F\u002Fgithub.com\u002Fmozilla\u002Fandroidspeech\u002F>`_\n\nNim:\n----\n\n* `nim_mic_vad_streaming \u003Cnim_mic_vad_streaming\u002FREADME.md>`_。","# DeepSpeech-examples 快速上手指南\n\nDeepSpeech-examples 提供了多种语言（Python、JavaScript、C#、Nim 等）的示例代码，帮助开发者快速集成 Mozilla DeepSpeech 语音识别引擎。本指南以使用最广泛的 **Python** 环境为例，演示如何运行麦克风流式识别示例。\n\n> **注意**：本指南基于 DeepSpeech **0.9.x** 版本。若需其他版本（如 0.8.x, 0.7.x），请切换至对应的 Git 分支。\n\n## 1. 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux (推荐 Ubuntu 18.04\u002F20.04), macOS, 或 Windows (需配置相应编译环境)。\n*   **Python 版本**：Python 3.6 - 3.9 (DeepSpeech 0.9.x 支持范围)。\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   `git` (用于克隆仓库)\n    *   `sox` 或 `ffmpeg` (部分音频处理示例需要，建议安装)\n    *   `portaudio` (Linux\u002FmacOS 下麦克风采集需要，Windows 通常内置)\n\n**国内加速建议**：\n在安装 Python 依赖时，推荐使用清华或阿里云镜像源以提升下载速度。\n\n## 2. 安装步骤\n\n### 第一步：克隆项目仓库\n首先获取示例代码库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples.git\ncd DeepSpeech-examples\n```\n\n### 第二步：安装 DeepSpeech 核心库\n安装对应版本的 DeepSpeech Python 包。国内用户建议使用 `-i` 参数指定镜像源：\n\n```bash\npip install deepspeech==0.9.3 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 第三步：安装示例所需依赖\n进入具体的示例目录（以 `mic_vad_streaming` 为例）并安装其依赖：\n\n```bash\ncd mic_vad_streaming\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 第四步：下载预训练模型\nDeepSpeech 需要预训练的模型文件（`.pb`, `.lm`, `.trie`）才能工作。您可以从官方 GitHub Release 页面下载，或使用以下命令直接下载 0.9.3 版本的模型：\n\n```bash\n# 下载模型文件\nwget https:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech\u002Freleases\u002Fdownload\u002Fv0.9.3\u002Fdeepspeech-0.9.3-models.pbmm\nwget https:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech\u002Freleases\u002Fdownload\u002Fv0.9.3\u002Fdeepspeech-0.9.3-models.scorer\n\n# 如果 wget 速度慢，可尝试使用迅雷或国内代理下载后放入当前目录\n```\n\n## 3. 基本使用\n\n完成上述步骤后，即可运行最简单的麦克风实时语音识别示例。该示例集成了语音活动检测 (VAD)，仅在检测到说话时进行转录。\n\n**运行命令**：\n\n```bash\npython3 mic_vad_streaming.py --model deepspeech-0.9.3-models.pbmm --scorer deepspeech-0.9.3-models.scorer\n```\n\n**使用说明**：\n1.  运行命令后，程序将等待麦克风输入。\n2.  对着麦克风清晰说话。\n3.  终端将实时输出识别到的文本内容。\n4.  按 `Ctrl+C` 退出程序。\n\n**其他语言示例**：\n若您需要使用 JavaScript (Node.js\u002FElectron)、C# (.NET\u002FUWP) 或 Nim 进行开发，请进入项目中对应的子目录（如 `nodejs_mic_vad_streaming` 或 `net_framework`），参照该目录下的 `README` 文件安装特定语言的 SDK 并运行示例。","一家初创团队正在开发一款面向听障人士的实时会议记录助手，需要将用户的语音即时转化为文字并显示在屏幕上。\n\n### 没有 DeepSpeech-examples 时\n- 开发者需从零编写麦克风音频流捕获代码，难以处理不同采样率和缓冲区的兼容性问题。\n- 缺乏现成的语音活动检测（VAD）方案，导致背景噪音和沉默片段被错误转录，浪费大量算力。\n- 集成 DeepSpeech 引擎时，因不熟悉数据预处理格式而频繁遭遇推理报错，调试周期长达数周。\n- 前端与后端通信架构设计困难，无法低成本实现低延迟的 WebSocket 音频流传输。\n- 团队不得不反复查阅底层文档摸索示例，严重拖慢了原型验证和产品上线进度。\n\n### 使用 DeepSpeech-examples 后\n- 直接复用 `mic_vad_streaming` 示例，快速搭建起稳定的麦克风采集与缓冲区管理流程。\n- 引入内置的 VAD 逻辑，精准过滤静音与非人声干扰，显著提升了转录准确率并降低了资源消耗。\n- 参考官方提供的 Python 和 Node.js 集成模板，一天内即可完成引擎调用与数据格式对齐。\n- 利用 `web_microphone_websocket` 示例，迅速打通浏览器端到服务端的实时音频传输链路。\n- 基于成熟的代码骨架进行二次开发，将原本需要一个月的研发周期缩短至三天，加速产品迭代。\n\nDeepSpeech-examples 通过提供多语言、全场景的实战代码库，让开发者从繁琐的基础设施构建中解放出来，专注于核心业务逻辑的创新。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmozilla_DeepSpeech-examples_26ac50c0.png","mozilla","Mozilla","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmozilla_4f54b559.png","This technology could fall into the right hands.",null,"https:\u002F\u002Fwiki.mozilla.org\u002FGithub","https:\u002F\u002Fgithub.com\u002Fmozilla",[81,85,89,93,97,101,105,109,113],{"name":82,"color":83,"percentage":84},"Python","#3572A5",43.1,{"name":86,"color":87,"percentage":88},"C#","#178600",22.7,{"name":90,"color":91,"percentage":92},"JavaScript","#f1e05a",19.3,{"name":94,"color":95,"percentage":96},"Nim","#ffc200",7.1,{"name":98,"color":99,"percentage":100},"Kotlin","#A97BFF",2.7,{"name":102,"color":103,"percentage":104},"Shell","#89e051",2.4,{"name":106,"color":107,"percentage":108},"HTML","#e34c26",2.1,{"name":110,"color":111,"percentage":112},"PowerShell","#012456",0.4,{"name":114,"color":115,"percentage":116},"CSS","#663399",0.2,858,354,"2026-04-08T16:47:14",4,"Linux, macOS, Windows","未说明",{"notes":124,"python":125,"dependencies":126},"该仓库仅为 DeepSpeech 0.9.x 版本的示例代码集合，并非核心引擎。不同编程语言（Python, JS, C#, Java, Nim）的示例有各自特定的依赖环境。使用前需确保已安装对应版本的 DeepSpeech 主程序包。若使用其他版本（如 0.8.x 或 master），需切换至对应的 Git 分支。","未说明 (示例包含 Python, JavaScript, C#, Java, Nim 等多语言实现)",[127,128,129,130,131],"DeepSpeech 0.9.x","WebRTC VAD (用于语音活动检测示例)","FFmpeg (用于部分流媒体示例)","Node.js (用于 JS 示例)",".NET Framework (用于 C# 示例)",[14,133],"音频",[135,136,137,138,139,140,141],"deepspeech","machine-learning","speech-recognition","python","nodejs","dotnet","examples","2026-03-27T02:49:30.150509","2026-04-11T16:50:52.176538",[145,150,155,160,164,169],{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},26303,"为什么运行 Python 脚本时出现 'AttributeError: module 'deepspeech' has no attribute 'Model'' 错误？","这通常是因为您将测试脚本命名为 `deepspeech.py`，导致 Python 导入本地文件而不是官方的 deepspeech 库。解决方法是将您的脚本重命名为其他名称（例如 `test_deepspeech.py` 或 `main.py`），避免与库名冲突。","https:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples\u002Fissues\u002F5",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},26304,"Node.js 示例报错找不到特定版本的 binding 文件（如 node-v57）怎么办？","这是因为 Node.js 版本与预编译的 deepspeech 绑定不匹配。解决方案是使用 nvm (Node Version Manager) 切换到兼容的 Node.js 版本（例如 v10.23.1）。具体步骤：1. 安装 nvm；2. 运行 `nvm install 10`；3. 运行 `nvm use 10.23.1`；4. 重新运行脚本。同时确保下载了对应版本的模型文件（如 v0.9.3）。","https:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples\u002Fissues\u002F48",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},26305,"Android 示例应用在设备上无法识别语音或性能极差，但在模拟器上正常，如何解决？","这通常是由于设备硬件性能不足（特别是旧款 Android 设备）或 Android 版本过低导致的。建议升级到 DeepSpeech r0.8 或更高版本，因为新版本支持 TFLite 多线程，能显著改善性能。注意：不支持 Android 7 以下版本，且对于低端硬件（如 Cortex-A53\u002FA7），实时识别可能仍然困难。如果可能，请在较新的设备上测试。","https:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples\u002Fissues\u002F24",{"id":161,"question_zh":162,"answer_zh":163,"source_url":154},26306,"如何在 2023 年及以后成功运行 Node.js WAV 示例？","由于版本兼容性问题，建议按以下步骤操作：1. 安装 deepspeech 和 fluent-ffmpeg (`npm install deepspeech fluent-ffmpeg`)；2. 下载 v0.9.3 版本的模型文件 (.pbmm, .tflite, .scorer)；3. 使用 nvm 安装并切换到 Node.js v10.23.1 (`nvm install 10`, `nvm use 10.23.1`)；4. 确保模型文件路径正确，然后运行 `node index.js`。",{"id":165,"question_zh":166,"answer_zh":167,"source_url":168},26307,"使用第三方语言模型时，.NET  bindings 中的 CreateModel 参数（如 aNCep, aNContext）该如何获取？","这些参数依赖于具体的模型训练配置。如果您使用的是第三方预训练模型（如 GeorgeFedoseev 训练的俄语模型），通常需要查阅该模型发布者的文档或直接联系作者获取准确的参数值。官方示例主要针对官方模型，直接套用可能导致不兼容。建议不要强行修改 .NET 绑定去适配旧版或非官方模型，而是寻找已更新的支持新版本的实现。","https:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech-examples\u002Fissues\u002F29",{"id":170,"question_zh":171,"answer_zh":172,"source_url":154},26308,"启用外部 scorer 时遇到 'Invalid scorer file' 错误是什么原因？","这通常是因为下载的 scorer 文件（.scorer）与当前使用的 deepspeech 模型版本不匹配，或者文件损坏。请确保从同一发布版本（例如 v0.9.3）的 Release 页面同时下载模型文件 (.pbmm\u002F.tflite) 和对应的 scorer 文件，并将它们放在正确的目录下。",[]]