AI录音卡转写引擎换装实录：8.9秒录音，0.3秒出稿

买

AI录音卡之前，我最好奇的问题只有一个：转写引擎，到底能不能自己换？

市面上的录音卡不少，但敢把协议和 SDK 开源的，难寻。厂商的演示视频里都是"一键出纪要"，但一键背后跑的是谁的转写、传到了谁的云上、每月会员费几何——没人演示这个。所以我干脆自己做了一遍实验：把录音卡同步出来的录音文件，换一个自己选的开源转写引擎，在一台普通办公笔记本上，全程离线跑通。

结果是：一段 8.9 秒的测试录音，本地转写耗时 0.3 秒，速度是音频长度的 32 倍，全程断网、没登录任何账号、没花一分钱。

这次实验的主角，是一张 199 元的蓝牙 AI 录音卡，信用卡大小、往会议桌上一放就开录。

硬件参数：

数只是入场券——真正让我选它的，是它把连接协议和 SDK 开源在了 GitHub 上（组织 SonicloudTech，主仓库两千五百多 star）：录音通过蓝牙同步到电脑，落下来的是标准音频文件，不被锁在自家 App 里。文件是标准的，谁都能读，转写引擎自然想换谁就换谁——这次换的是 SenseVoice，阿里开源的语音识别模型，中英文混说、方言、日语韩语粤语都能听。

下面是完整的部署过程。

整个流程分六步：装运行环境 → 下载转写模型 → 准备一段测试录音 → 转成模型认的格式 → 跑转写 → 看结果。

部署实录：六步

第一步，装推理框架。 SenseVoice 本地跑，社区通用的方案是 sherpa-onnx 推理框架，一行命令装完：pip install sherpa-onnx

第二步，下载转写模型。 从 sherpa-onnx 官方仓库的模型区，下载 SenseVoice 多语种版（中英日韩粤五种语言），选择 int8 量化版——228MB，比一张高清图还小，普通电脑完全无压力。

第三步，准备一段测试录音。 真实场景里，这一步就是录音卡本卡：会议桌上开录，蓝牙同步到电脑，落下一个标准音频文件。这次实验为了排除干扰，我用语音合成造了一段 8.9 秒的中文测试音频，内容里故意埋了"转写引擎""部署方案"这类专业词。

第四步，转格式。 模型要求 16kHz 单声道的标准 wav，一行命令完成转换：ffmpeg -i test.mp3 -ar 16000 -ac 1 test.wav

第五步，跑转写。 十几行 Python：加载模型，喂进音频文件，解码。完整脚本不用自己写——仓库 Speech-to-text—text-to-speech 目录里就有现成的 Python 示例，照抄就能跑。然后是全程最爽的一行输出——AUDIO_DURATION_SECONDS: 8.9；INFER_SECONDS: 0.3；RTF: 0.031

8.9 秒的录音，转写只花了 0.3 秒。RTF（实时率）0.031 的意思是：这段音频的长度是转写耗时的 32

倍。按这个速度推算，两小时的长会，8 分钟上下就能出全文

第六步，看结果。 转写出来的文字是：

这条会议纪要录音是转写引擎本地部署实测的测试音频。我们讨论AI录音卡的转写部署方案。

AI 录音卡的官方 App 有它省心的地方——开箱即用，自带转写免费额度，区分发言人，自动出纪要，配套的 App / PC 端能力也齐全：

但额度用完之后，转写这条路走不走得通，取决于协议开不开放。

这张卡把协议开源在了 GitHub 上，录音同步下来的文件是标准格式——所以这张卡同步下来的任何一段录音，都能照着上面六步做。引擎是自己的，模型是自己的，账单也是自己的。顺带说一句，这套方案连模型带框架都是可商用的开源协议，企业拿去做内部工具没有许可上的顾虑。

开源仓库：https://github.com/SonicloudTech/sonicloud_opensdk