本文同步自 MAW 原始仓库的 docs/user/LOCAL_ASR.md。
本地模型已接入 Launcher，也可从独立 CLI 调用。它们与云端转写共用 SRT / .mosp / MAWE 流程，但运行环境、硬件性能和模型组合仍属实验范围，先用自己的短音频验收。
模型与时间码
| 模型 / 引擎 | 当前入口 | 时间码与主要边界 |
|---|---|---|
| Qwen3-ASR 0.6B / 1.7B | --engine qwen-asr |
默认 0.6B，配合共享 Forced Aligner 输出字词时间码，默认 30 秒分块。 |
| SenseVoice Small | --engine funasr --model iic/SenseVoiceSmall |
Launcher 的 FunASR 路线；FSMN-VAD 与富文本后处理，至少保留句级范围。 |
| Fun-ASR-Nano | --engine funasr --model FunAudioLLM/Fun-ASR-Nano-2512 |
使用远程模型代码，默认 VAD 与句级时间码请求；先验证设备和模型兼容。 |
| Paraformer | --engine funasr |
CLI 默认 paraformer-zh，Launcher 保留兼容选项。 |
| MOSS Transcribe-Diarize 0.9B | --engine moss |
段级说话人转写，独立运行环境；可再调用共享对齐器补字词时间码。 |
| FireRedASR2-CTC | --engine firered |
CPU int8 CTC 字词时间码，默认 ct-punc 增强断句；未接入 AED。 |
| Faster-Whisper | --engine whisper |
默认 large-v3，CTranslate2；词级时间码、VAD 与长音频处理由上游执行，无说话人分离。 |
所有有效时间码都归一化为整数毫秒。模型只返回段级时间时，不伪造精确字词 items。段内按文字比例拆分只是近似时间；工程用 timestamp_granularity 等字段标明能力。
超长句级段二次拆分时，插值切点会尝试吸附到 ±400ms 内明显的低能量处；原始句界、间隙和已有字词时间码不变。能量平坦、音频不可读或缺少 numpy / soundfile 时保留原切点。低能量只是参考，仍需在编辑器试听确认。
在 Launcher 准备
- 选择「本地模型」及目标模型。
- 安装或修复对应运行环境。
- 在「AI 模型」下载模型或重新扫描已有缓存。
- 选择设备，先转写约 30 秒，检查结果和速度后再处理长媒体。
Windows 打包版提供独立运行环境安装入口；不将 Torch 和权重放进基础冻结包。普通模型共用 local-runtime，MOSS 使用 local-runtime-moss，OCR 使用自己的环境。当前普通 runtime 版本为 7，MOSS 为 2；旧环境出现需要修复时应补齐依赖。
运行环境与权重分开保存，默认位于 MAW 用户数据目录；可在设置修改目录，模型根目录对应 MAW_MODEL_CACHE_ROOT。路径和配置读取见 PROVIDERS。
下载、扫描与中断
Qwen3-ASR、MOSS、Faster-Whisper 和 Qwen 对齐器先尝试 Hugging Face，连接失败回退 ModelScope；FunASR 路线本身使用 ModelScope，FireRed CTC 从固定官方地址下载。
缓存按来源保存到 model-cache/huggingface/hub、model-cache/modelscope，FireRed 对齐目录在 aligners。扫描识别已完成缓存，也允许显式指定本地模型目录。进度中的大小区间是估计值，不代表推理内存占用。
「取消准备」终止准备子进程并保留缓存；重新准备优先复用已有文件，单个临时文件是否支持字节级续传取决于下载器。完全离线使用前，需先准备权重、附加 VAD/标点/对齐器及运行环境。
从源码调用
普通本地引擎可由开发者手动安装可选组：
uv sync --group local
uv run --no-sync python generate_subtitle_local.py "clip.mp4" --engine qwen-asr --length-limit 30s --json --no-htmluv sync --group local 不包含 MOSS；MOSS 的 Transformers 5.x 依赖与 QwenASR 的 Transformers 4.x 不兼容，必须使用独立环境，依赖真源为 moss-requirements.in。在 Launcher 完成 MOSS 环境安装后，通过它运行，不把 MOSS 依赖混装到普通 .venv。
以下是独立脚本示例，模型选择也可在 Launcher 完成：
# 更大的 Qwen 模型
uv run --no-sync python generate_subtitle_local.py "clip.mp4" --engine qwen-asr --model Qwen/Qwen3-ASR-1.7B --json --no-html
# SenseVoice
uv run --no-sync python generate_subtitle_local.py "clip.mp4" --engine funasr --model iic/SenseVoiceSmall --json --no-html
# FireRed，禁用可选标点模型
uv run --no-sync python generate_subtitle_local.py "clip.mp4" --engine firered --firered-punc none --json --no-html
# Faster-Whisper
uv run --no-sync python generate_subtitle_local.py "clip.mp4" --engine whisper --model large-v3 --json --no-html参数速查
| 参数 | 作用 |
|---|---|
--engine / --model |
引擎和模型 ID。 |
--model-path PATH |
已下载好的模型目录。 |
--device auto|cpu|cuda|mps |
设备；MPS 仅用于 macOS Qwen 路线。 |
--language CODE |
语言提示。 |
--batch-size-s N |
分块秒数；Qwen 默认 30、FunASR 默认 300，FireRed 块不超过 75；Whisper 不使用此选项。 |
--hotword WORD / --hotword-file PATH |
可重复，合并去重；能力取决于引擎。 |
--firered-punc none|ct-punc |
FireRed 标点，默认 ct-punc，选择后加载失败会报错。 |
--vad-model / --punc-model / --speaker-model |
FunASR 附加组件，组合兼容性需验证。 |
--speaker-colors |
对已有说话人标签生成颜色快照。 |
--alignment-model ID / --alignment-model-path PATH |
为缺少字词时间码的转写选择共享对齐器。 |
--alignment-mode fill|generate |
补缺失或重新生成。 |
--forced-aligner ID |
QwenASR 自身配套对齐模型。 |
--audio-track N |
音频流序号，从 0 开始。 |
-ll / --length-limit |
截取短样本。 |
-o / --output PATH |
SRT 输出，工程同名。 |
--json / --no-html |
生成 .mosp / 关闭默认便携 HTML。 |
--with-waveform / --with-spectral |
预生成外置缓存；前者要求 --json，后者还要求波形开关。 |
--debug-raw |
保存原始/中间产物与 .local-debug.json 清单。 |
--no-model-tag |
省略默认文件名的模型段；实时率仍在日志中显示。 |
断句长度与停顿参数沿用统一字符型/单词型规则，详见 CLI。本页参数属于 generate_subtitle_local.py，不能直接传给公开 MAW.exe CLI。
设备与长音频
auto 优先 CUDA，不可用时 CPU；macOS 不自动选择 MPS。Qwen3-ASR 或 Qwen 对齐器可显式选 MPS，失败会报错，速度需与同一音频的 CPU 结果比较。FireRed 始终走 CPU。
Faster-Whisper 的 CUDA 运行库与 Torch 不共用，需要适配 CTranslate2 的 CUDA / cuDNN 库；自动设备可在缺库时回退 CPU，显式 CUDA 保留错误。CPU 使用 int8。
Qwen/FunASR/FireRed 分块后恢复原时间偏移。MOSS 不分块，避免不同块的说话人编号失去一致性；单次输入按约 90 分钟限制处理。Whisper 自行滑窗，不使用 MAW 分块参数。
MOSS 与 FireRed 的额外说明
MOSS 使用 trust_remote_code。默认 Hugging Face 模型固定提交 e8681d68e7042738ffca8ac8212bc8fcb1131ab8，推理包固定 e607537b1b870475e7898969d40b864de8b691b6；ModelScope 回退不对齐 HF 提交，自定义模型也不套用默认 revision。首次加载前确认模型代码来源。
MOSS 日志显示准备阶段和真实生成 token 数，无法预知最终长度，不给伪百分比。MOSS runtime 不含 quapeaks，缺少内核时跳过该容器生成；工程照常保存，波形可使用 .mopeaks 回退或由编辑器重建，不写进落盘工程。
FireRed 识别的 ct-punc 是可选组件：生成标点并改善断句，不为标点伪造时间码。关闭后保留 CTC 结果；对齐模式只使用 CTC，不需要 ct-punc。
共享时间码对齐
AI 模型页的「对齐模型」独立管理 Qwen3-ForcedAligner-0.6B 和 FireRedASR2-CTC。QwenASR、MOSS 与工具箱复用缓存，不重复保存权重。
工具箱「生成时间码」处理 SRT / MOSP / JSON：默认仅补缺失，或重新生成所有字词时间码。输入不覆盖，失败段保留原范围并报告。工程无有效媒体引用时必须指定原始媒体。用法见 工具箱。
tools/timestamp-compare.html 可在浏览器检查或按段序号比较工程时间码；SRT 只参加段级比较。它是检查工具，不是对齐器或自动验收结论。
安装失败与验证边界
Launcher 自动选择 PyPI 镜像；需要 GPU Torch 时另用 PyTorch 索引。MAW_PIP_INDEX 可覆盖候选源，MAW_PYTORCH_INDEX 可替换 PyTorch 源；镜像必须实际提供对应 wheel，替换 URL 不能解决版本/硬件不兼容。
模型下载量与推理内存不同，具体空间以准备界面和实际缓存为准。CPU、显存、长媒体速度、附加组件与多语种尚无完整跨硬件基准；不承诺统一实时率。先确认短样本可用，再扩大任务。