把复杂度放在后台
界面刻意做薄：一个耳机模式开关、一个开始停止按钮、两块文本显示区。全部界面与控制器代码 2849 行，其中 1009 行是控制器，占三分之一。识别、合成、音频采集、状态机都在后面，用户不需要面对任何设置项。
设备本地
音频不出端物理信号
音频采集、RMS 与 dBFS 音量度量
声学门控
瞬时阈值过滤，只驱动界面指示
语段判定
Silero VAD，端点检测驱动解码
停止后处理
三段式声学过滤，剔除缓冲区残留
随包模型
Parakeet-TDT
英文语音识别
Silero VAD
语段起止检测
Matcha-Icefall
中英语音合成
云端
机器翻译
英中双向
账号鉴权
云函数
语音数据不离开设备，仅分段文本上行
在本地把语音跑成字幕，延迟控制在可用范围内
英中双向实时同声传译应用。界面只有耳机按钮、开始停止和两块文本区，其余全部在后台：语音识别与端到点检测在设备本地完成，翻译与语音合成走云端。面向会议、讲座、跨境沟通等需要连续听译的场景，对延迟、串音与异常恢复都做了专门处理。
这个系统证明我们能
750 MB
端侧模型
4 架构
原生库打包
0
音频出端
技术实现
界面刻意做薄：一个耳机模式开关、一个开始停止按钮、两块文本显示区。全部界面与控制器代码 2849 行，其中 1009 行是控制器，占三分之一。识别、合成、音频采集、状态机都在后面，用户不需要面对任何设置项。
英文识别用 Parakeet-TDT，中英语音合成用 Matcha-Icefall，语段检测用 Silero VAD，三个模型随应用打包共约 750MB。推理走 ONNX Runtime，支持 arm64、armeabi-v7a、x86、x86_64 四种架构。首次运行即离线可用，弱网环境不降级。
把语音采集拆成物理信号、前端声学门控、VAD 语段判定、停止后处理四层，各层职责独立。瞬时音量只驱动界面指示，只有经过时长平滑的语段边界信号才触发识别，避免噪声抖动污染识别流程。
识别与语音合成各自运行在独立 isolate 线程，通过序列化协议与主界面通信。重推理不阻塞界面，在转写与合成同时进行时保持可响应。熄屏后可在通知栏继续运行与停止。
针对停止识别后缓冲区残留导致的幽灵输出，实现三段式声学过滤逐级剔除低能量残块。识别器重建时跳过模型加载、直接复用已稳定的本地文件，只做推理会话初始化以避免重复冷启动。
技术栈
下面是这套系统实际使用的技术。同一套能力可以直接用于承接企业项目。
我们是软件开发团队，自研系统主要用于验证工程能力，不是面向公众的商业化产品， 因此不会做推广运营。它的作用是让潜在客户看到—— 我们具备把一个想法完整做成系统的能力。如果你有需要落地的项目， 我们更愿意聊你的具体需求。
讨论你的项目下一套系统
轻课记 CourseNote
AI 陪伴课业打卡