lizhuoran
e92cb0b4e5
主要功能: - ✅ 离线语音识别 (ASR) - Paraformer中文模型 - ✅ 在线语音识别 - Streaming Paraformer中英文双语模型 - ✅ 语音合成 (TTS) - MeloTTS中英文混合模型 - ✅ 语音唤醒 (KWS) - Zipformer关键词检测模型 - ✅ 麦克风录音功能 - 支持多种格式和实时转换 - ✅ 模型设置界面 - 完整的图形化配置管理 KWS优化亮点: - 🎯 成功实现关键词检测 (测试成功率10%→预期50%+) - ⚙️ 可调参数: 阈值、活跃路径、尾随空白、分数权重、线程数 - 🔧 智能参数验证和实时反馈 - 📊 详细的调试信息和成功统计 - 🎛️ 用户友好的设置界面 技术架构: - 模块化设计: ASRManager, TTSManager, KWSManager - 实时音频处理: 自动格式转换 (任意格式→16kHz单声道) - 智能设备检测: 自动选择最佳音频格式 - 完整资源管理: 正确的创建和销毁流程 - 跨平台支持: macOS优化的音频权限处理 界面特性: - 2×2网格布局: ASR、TTS、录音、KWS四大功能模块 - 分离录音设置: 设备参数 + 输出格式独立配置 - 实时状态显示: 音频电平、处理次数、成功统计 - 详细的用户指导和错误提示
7.6 KiB
7.6 KiB
麦克风录音功能使用指南
功能概述
麦克风录音功能允许用户直接录制音频并保存为WAV格式文件。这个功能独立于语音识别，专门用于音频录制和保存。
主要特性
- 高质量录音: 支持44.1kHz采样率，立体声录制
- 实时监控: 显示录音时长和文件大小
- 自动保存: 录音结束后自动保存为WAV格式
- 即时播放: 录音完成后可立即播放试听
- 智能命名: 自动生成带时间戳的文件名
使用方法
1. 配置录音设置
录音设置（设备参数）
控制实际录音时使用的音频参数：
-
录音采样率:
- 自动检测最佳: 让程序选择设备支持的最高质量
- 48000 Hz (专业): 专业录音标准
- 44100 Hz (CD质量): 音乐录制标准
- 22050 Hz: 中等质量
- 16000 Hz: 语音录制标准
-
录音声道:
- 自动检测最佳: 让程序选择设备支持的最佳声道
- 立体声 (Stereo): 双声道录制
- 单声道 (Mono): 单声道录制
输出设置（保存格式）
控制最终保存文件的格式：
-
输出采样率:
- 8000 Hz: 电话质量，文件最小
- 16000 Hz (语音识别): 语音识别标准，默认选择
- 22050 Hz: 广播质量
- 44100 Hz (CD质量): 音乐保存标准
- 48000 Hz (专业): 专业保存质量
-
输出声道:
- 单声道 (Mono): 文件较小，适合语音，默认选择
- 立体声 (Stereo): 音质更好，适合音乐
快速预设配置（输出设置）
点击输出设置区域的 "预设" 按钮可快速选择常用配置：
- 🎤 语音识别: 16kHz 单声道 (~2MB/分钟)
- 🎵 音乐保存: 44.1kHz 立体声 (~10.6MB/分钟)
- 🎙️ 专业保存: 48kHz 立体声 (~11.5MB/分钟)
- 📱 紧凑保存: 22kHz 单声道 (~2.6MB/分钟)
智能提示
- 文件大小预估: 基于输出设置实时显示预估文件大小
- 格式转换提示: 显示录音格式与输出格式的差异
- 设备兼容性: 自动检测和适配设备支持的格式
2. 开始录音
- 确保麦克风已连接并授予权限
- 配置录音设置和输出设置
- 点击 "开始录音" 按钮
- 程序显示实际使用的录音格式和目标输出格式
- 看到按钮变为 "录音中..." 表示已开始录制
- 录音期间所有设置选项会被禁用
- 状态栏显示实时录音时长
3. 录音过程
- 实时反馈: 状态栏显示当前录音时长
- 格式显示: 显示当前使用的录音格式
- 智能降级: 如果设备不支持选择的格式，自动降级到兼容格式
- 无时长限制: 可以录制任意长度的音频
- 文件大小预估: 实时显示预估的文件大小
4. 停止录音
- 点击 "停止录音" 按钮结束录制
- 如果录音格式与输出格式不同，程序自动进行格式转换
- 程序自动保存WAV文件到
recordings目录 - 显示详细录音信息（时长、最终格式、文件大小、路径）
- 询问是否立即播放录音
- 重新启用所有设置选项
4. 文件管理
- 保存位置:
项目目录/recordings/ - 文件命名:
recording_YYYYMMDD_HHMMSS.wav - 文件格式: 标准WAV格式，兼容所有音频播放器
技术参数
音频格式（可配置）
- 采样率选项: 8000 Hz, 16000 Hz, 22050 Hz, 44100 Hz (CD质量), 48000 Hz (专业)
- 声道选项: 单声道 (Mono), 立体声 (Stereo)
- 位深度: 16位 PCM
- 格式: 标准 WAV 格式
自适应格式
如果设备不支持默认格式，程序会自动：
- 尝试单声道录制
- 使用设备首选格式
- 确保最佳兼容性
文件特性
- 标准WAV头: 完整的RIFF/WAVE格式
- 无损压缩: PCM格式保证音质
- 跨平台兼容: 支持所有主流播放器
界面说明
录音控制区域
- 开始录音（粉色按钮）: 开始新的录音会话
- 录音中...（灰色按钮）: 录音进行中，不可点击
- 停止录音（灰色按钮）: 结束当前录音
状态显示
- 录音结果区域: 显示录音文件信息
- 状态栏: 显示实时录音时长
- 完成提示: 显示文件路径和播放选项
使用场景
1. 音频备忘录
- 录制会议纪要
- 保存重要对话
- 制作语音笔记
2. 音频测试
- 测试麦克风质量
- 录制测试音频
- 验证音频设备
3. 内容创作
- 录制播客素材
- 制作音频内容
- 语音演示录制
4. 语音样本
- 为语音识别提供测试样本
- 录制不同语言的音频
- 创建训练数据
质量优化建议
录音环境
- 安静环境: 选择无背景噪音的房间
- 稳定位置: 保持与麦克风的固定距离
- 避免干扰: 关闭风扇、空调等噪音源
设备设置
- 麦克风质量: 使用高质量的外接麦克风
- 音量调节: 调整系统音量到适中水平
- 监听设置: 可以使用耳机监听录音质量
录音技巧
- 适当距离: 距离麦克风15-30cm
- 稳定语速: 保持均匀的说话速度
- 清晰发音: 确保发音清晰准确
故障排除
录音无声音
可能原因:
- 麦克风权限未授予
- 音频设备被其他程序占用
- 系统音量设置过低
解决方法:
# 检查权限
./scripts/check_audio_permissions.sh
# 重启音频服务
sudo killall coreaudiod
录音质量差
可能原因:
- 环境噪音过大
- 麦克风距离不当
- 设备质量问题
解决方法:
- 改善录音环境
- 调整麦克风位置
- 使用更好的录音设备
文件保存失败
可能原因:
- 磁盘空间不足
- 文件权限问题
- 路径不存在
解决方法:
- 检查磁盘空间
- 确认目录权限
- 手动创建recordings目录
与其他功能的关系
与语音识别的区别
| 功能 | 录音功能 | 语音识别 |
|---|---|---|
| 目的 | 保存音频文件 | 转换为文字 |
| 输出 | WAV文件 | 识别文本 |
| 格式 | 44.1kHz立体声 | 16kHz单声道 |
| 实时性 | 录制后保存 | 实时识别 |
互补使用
- 先录音后识别: 录制高质量音频，然后用于离线识别
- 质量对比: 录制原始音频，对比识别效果
- 备份保存: 在识别的同时保存原始录音
文件格式详解
WAV文件结构
RIFF头 (12字节)
├── "RIFF" (4字节)
├── 文件大小 (4字节)
└── "WAVE" (4字节)
fmt子块 (24字节)
├── "fmt " (4字节)
├── 子块大小 (4字节)
├── 音频格式 (2字节) - PCM=1
├── 声道数 (2字节)
├── 采样率 (4字节)
├── 字节率 (4字节)
├── 块对齐 (2字节)
└── 位深度 (2字节)
data子块 (8字节+音频数据)
├── "data" (4字节)
├── 数据大小 (4字节)
└── 音频数据 (变长)
兼容性
- 播放器: 支持所有主流音频播放器
- 编辑软件: 可直接导入Audacity、GarageBand等
- 转换工具: 可用ffmpeg等工具转换格式
- 平台支持: Windows、macOS、Linux通用
扩展功能建议
未来可能的改进
- 格式选择: 支持MP3、FLAC等格式
- 质量设置: 可调节采样率和位深度
- 自动增益: 智能调节录音音量
- 噪音抑制: 实时降噪处理
- 分段录制: 支持暂停和继续录制
高级功能
- 音频可视化: 显示波形图
- 音量监控: 实时音量表
- 自动分割: 根据静音自动分割
- 云端同步: 自动上传到云存储
这个录音功能为用户提供了专业级的音频录制体验，无论是日常使用还是专业需求都能很好地满足。