ASR 语音输入 · OpenAI 实时转写 / DashScope / 火山引擎
ASR 是什么
ASR（Automatic Speech Recognition）让你可以直接说话而不用打字。点击聊天输入栏的麦克风图标，按住说话——RikkaHub 实时转录成文字并自动填入输入框，松开即停止。
配置 ASR 提供商
- 打开 设置 → 语音 → 切换到 ASR 标签页
- 点击 添加提供商
- 选择提供商并填写凭据
- 保存
可用的 ASR 提供商
OpenAI 实时 ASR
通过 WebSocket 连接的低延迟实时转录 API。
| 字段 | 默认值 | 说明 |
|---|---|---|
| apiKey | 必填 | OpenAI API 密钥 |
| model | gpt-4o-transcribe | 最佳准确率 |
| language | — | 留空自动检测，或指定 en / zh / ja |
| vadThreshold | 0.5 | 语音活动检测灵敏度（0 最灵敏 ~ 1 最不灵敏） |
| silenceDurationMs | 500 | 静音多久算结束 |
DashScope ASR（阿里云）
Qwen 语音模型驱动的实时流式 ASR，中文优化。
| 字段 | 默认值 | 说明 |
|---|---|---|
| model | qwen3-asr-flash-realtime | 低延迟变体 |
| vadThreshold | 0.2 | 较低，更积极截断静音 |
火山引擎 ASR（字节跳动）
SeedASR 模型驱动，普通话和多口音语音识别效果好。
| 字段 | 默认值 | 说明 |
|---|---|---|
| resourceId | volc.seedasr.sauc.duration | ASR 服务资源标识 |
使用 ASR
配置至少一个 ASR 提供商后：
- 聊天输入栏出现麦克风图标
- 点击并按住开始录音
- 自然说话，RikkaHub 实时转写
- 松开或再次点击 → 停止录音，转录文字留在输入框
- 正常点击发送
VAD 阈值说明
Voice Activity Detection（VAD） 检测什么时候有人在说话、什么时候是静音。
| 阈值 | 效果 | 适用场景 |
|---|---|---|
| 低（0.1 ~ 0.3） | 积极检测声音，容易触发 | 安静环境、轻声说话 |
| 中（0.4 ~ 0.6） | 默认平衡 | 大多数场景 |
| 高（0.7 ~ 1.0） | 只有明显声音才触发 | 嘈杂环境 |
如果你的 ASR 经常误触发（静音时也转录），把 VAD 阈值调高。如果经常漏字（轻声说话没被识别），调低。
语言自动检测
大多数 ASR 提供商支持自动检测语言。如果你主要说一种语言，也可以手动指定：
- 中文为主 →
zh - 英文为主 →
en - 多语言混合 → 留空让 ASR 自己判断
ASR 的延迟
ASR 的延迟取决于：
- 提供商（Web Socket 连接 vs REST API）
- 网络速度
- VAD 设置
OpenAI realtime 和 DashScope flash-realtime 都是低延迟流式方案，体验最好。
语音交互全流程
如果你想完全用语音交互（动口不动手）：
ASR 语音输入 → 自动转录成文字 → 模型生成回复 → TTS 朗读回复 → 新一轮 ASR 输入...- 按住麦克风说话 → 自动松开后发送
- 模型生成回复
- 点击扬声器图标朗读回复
- 继续说话 → 下一轮
整个流程只需要在开始和结束时按一下麦克风。中间可以手动发送 / 停止。
ASR vs 语音搜索
注意区分：
- ASR = 把你的语音转换成文字（输入）
- 网页搜索 = 让模型去搜索网络（获取实时信息）
两者独立配置、互不依赖。你可以用 ASR 输入一个搜索查询，也可以用键盘输入后让模型自动搜索。