本地就能跑Dart 离线语音转写的 3 个关键取舍【免费下载链接】whisper_dartspeech recognition in dart support all audio format and support server side client side, support all language, only support in cpu only项目地址: https://gitcode.com/gh_mirrors/wh/whisper_dartwhisper_dart 是一个把 Whisper 搬进 Dart 与 Flutter 的离线语音转写库音频在设备本地被转成文字纯 CPU 推理、无需联网服务端和客户端都能跑。不用部署 Python 环境也不用申请 GPU编译一个 so 文件就能开始你的 Dart 语音识别。它到底能干什么直接吃各种格式的音频底层用 FFmpeg 自动转码mp3、m4a 不用你手动转 wav扔进来就能转。纯 CPU 完成识别不依赖 GPU2GB 内存的旧安卓机上实测可用老设备也能跑。一份代码两端通用服务端批量转文件和 App 内调用是同一套 API不用写两遍。模型大小任选从 tiny 到 large用磁盘和内存换准确度档位自己定。本地 CPU 离线语音转写的 3 个关键取舍选 whisper.cpp 而不是 Python 版识别逻辑是 C 原生库Dart 通过 FFI 加载换来移动端能跑、进程占用低代价是每种平台要自己编译一遍 so 文件。音频转换交给 FFmpeg你只管传文件路径格式适配在库内完成不用关心采样率和声道。明确只跑 CPU好处是零硬件门槛代价是 large 模型速度慢。模型体积与内存差一个数量级先估设备内存再选型模型磁盘占用内存占用tiny75MB125MBlarge2.9GB3.3GBDart 语音识别什么场景下你会真的用到它播客剪辑师几小时的访谈录音本地转成文字后直接全文搜索找金句素材不出门也不等云端排队。听力障碍用户会议或课堂上离线听写没有网络也有字幕录音和结果都留在本地。后端开发者Linux 服务器夜间批量转写录音文件正好用上 CPU 的闲置时间。上手之前先看这几条平台Linux、Android、CLI 已测试Windows、macOS、iOS、web 在路线上先确认你的目标平台。离线模型下载后完全断网可用识别过程不产生网络请求。集成比纯 Dart 库多一步——先按 native/compile.md 用 CMake 把源码编译成共享库一次编译长期复用。短板如实说模型体积不小large 近 3GB首次下载要有耐心实时转写功能尚在补齐。调用本身很短把 so 库路径、音频和模型文件传进去结果就返回了Whisper whisper Whisper(); var res await whisper.request( whisperLib: libwhisper.so, whisperRequest: WhisperRequest.fromWavFile( audio: File(audio), model: File(model), ), );想动手的话执行git clone https://gitcode.com/gh_mirrors/wh/whisper_dart打开 package/whisper/example 下的示例工程按平台选对应的 import 就能跑起来。【免费下载链接】whisper_dartspeech recognition in dart support all audio format and support server side client side, support all language, only support in cpu only项目地址: https://gitcode.com/gh_mirrors/wh/whisper_dart创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 本地就能跑：Dart 离线语音转写的 3 个关键取舍
本地就能跑Dart 离线语音转写的 3 个关键取舍【免费下载链接】whisper_dartspeech recognition in dart support all audio format and support server side client side, support all language, only support in cpu only项目地址: https://gitcode.com/gh_mirrors/wh/whisper_dartwhisper_dart 是一个把 Whisper 搬进 Dart 与 Flutter 的离线语音转写库音频在设备本地被转成文字纯 CPU 推理、无需联网服务端和客户端都能跑。不用部署 Python 环境也不用申请 GPU编译一个 so 文件就能开始你的 Dart 语音识别。它到底能干什么直接吃各种格式的音频底层用 FFmpeg 自动转码mp3、m4a 不用你手动转 wav扔进来就能转。纯 CPU 完成识别不依赖 GPU2GB 内存的旧安卓机上实测可用老设备也能跑。一份代码两端通用服务端批量转文件和 App 内调用是同一套 API不用写两遍。模型大小任选从 tiny 到 large用磁盘和内存换准确度档位自己定。本地 CPU 离线语音转写的 3 个关键取舍选 whisper.cpp 而不是 Python 版识别逻辑是 C 原生库Dart 通过 FFI 加载换来移动端能跑、进程占用低代价是每种平台要自己编译一遍 so 文件。音频转换交给 FFmpeg你只管传文件路径格式适配在库内完成不用关心采样率和声道。明确只跑 CPU好处是零硬件门槛代价是 large 模型速度慢。模型体积与内存差一个数量级先估设备内存再选型模型磁盘占用内存占用tiny75MB125MBlarge2.9GB3.3GBDart 语音识别什么场景下你会真的用到它播客剪辑师几小时的访谈录音本地转成文字后直接全文搜索找金句素材不出门也不等云端排队。听力障碍用户会议或课堂上离线听写没有网络也有字幕录音和结果都留在本地。后端开发者Linux 服务器夜间批量转写录音文件正好用上 CPU 的闲置时间。上手之前先看这几条平台Linux、Android、CLI 已测试Windows、macOS、iOS、web 在路线上先确认你的目标平台。离线模型下载后完全断网可用识别过程不产生网络请求。集成比纯 Dart 库多一步——先按 native/compile.md 用 CMake 把源码编译成共享库一次编译长期复用。短板如实说模型体积不小large 近 3GB首次下载要有耐心实时转写功能尚在补齐。调用本身很短把 so 库路径、音频和模型文件传进去结果就返回了Whisper whisper Whisper(); var res await whisper.request( whisperLib: libwhisper.so, whisperRequest: WhisperRequest.fromWavFile( audio: File(audio), model: File(model), ), );想动手的话执行git clone https://gitcode.com/gh_mirrors/wh/whisper_dart打开 package/whisper/example 下的示例工程按平台选对应的 import 就能跑起来。【免费下载链接】whisper_dartspeech recognition in dart support all audio format and support server side client side, support all language, only support in cpu only项目地址: https://gitcode.com/gh_mirrors/wh/whisper_dart创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考