edit | blame | history | raw

VoiceSnap 多语言与多模型总体产品规划

状态：产品规划稿
日期：2026-06-01
范围：安装语言识别、默认模型选择、用户可选大模型升级、未来多语言扩展

1. 核心产品判断

VoiceSnap 后续不应再把“模型”写死为某一个固定模型。产品层面应升级为：

语言版本 -> 推荐默认模型 -> 可选高级模型 -> 用户可手动切换/删除

第一阶段只支持两个语言版本：

  • 中文
  • English

但产品和架构必须按可扩展方式设计，未来可以增加更多语言。粤语应按独立语言版本处理，而不是简单并入中文。

2. 第一阶段目标

第一阶段目标不是做完整模型市场，而是把当前单模型产品升级成清晰的“双语言、双默认、双高级”产品结构。

语言版本 默认轻量模型 用户可选高级模型 产品定位
中文 SenseVoice Qwen3-ASR 中文、中英混输、未来可扩展粤语/方言
English Moonshine English Parakeet 英文输入、英文技术口述、英文离线听写

默认模型应尽量轻量、稳定、下载成本低。高级模型允许更大体积，但必须由用户主动选择下载。

3. 安装与首次启动逻辑

3.1 自动识别本机语言

安装或首次启动时，VoiceSnap 读取系统语言/区域设置。

MVP 规则：

系统语言 VoiceSnap 语言版本 默认模型
简体中文、繁体中文、中文区域 中文 SenseVoice
English English Moonshine English
其他暂未支持语言 English Moonshine English

说明：

  • 第一阶段不在安装流程中要求用户手动选择模型。
  • 中文用户默认进入中文产品体验。
  • 英文用户默认进入英文产品体验。
  • 其他语言第一阶段暂时回落到英文，未来再扩展。

3.2 默认模型安装

首次启动时，系统根据语言版本自动准备默认模型：

中文 -> SenseVoice
English -> Moonshine English

产品要求：

  • 用户不需要在首次启动时理解模型差异。
  • 默认模型准备完成后，用户即可开始离线输入。
  • 如果模型需要下载，应显示清晰下载进度。
  • 下载模型不等于上传用户数据；音频识别仍然离线。

4. 模型选择与保留策略

4.1 默认模型不自动删除

如果用户安装高级模型，默认轻量模型必须保留。

中文场景：

默认 SenseVoice
用户主动下载 Qwen3-ASR
切换到 Qwen3-ASR
SenseVoice 保留

English 场景：

默认 Moonshine English
用户主动下载 Parakeet
切换到 Parakeet
Moonshine English 保留

原因：

  • 高级模型更大，用户可能试用后回退。
  • 默认模型是低风险 fallback。
  • 删除模型是不可逆本地操作，应由用户明确触发。

4.2 用户可手动删除模型

模型管理规则：

  • 用户可以删除未使用的模型。
  • 当前正在使用的模型不能直接删除，必须先切换到其他已安装模型。
  • 如果用户删除高级模型，自动回退到该语言版本的默认模型。
  • 删除模型只删除本地模型文件，不删除用户词库、历史、设置。

4.3 模型切换规则

当用户选择一个未安装模型：

选择模型 -> 显示模型说明和体积 -> 用户确认下载 -> 下载完成 -> 初始化 -> 切换成功

当用户选择已安装模型：

选择模型 -> 释放当前引擎 -> 初始化目标模型 -> 切换成功

切换失败时：

  • 保持原模型不变。
  • 显示错误原因。
  • 不破坏已安装模型文件。

5. 设置页产品结构

设置页需要新增两个区域：

  1. 语言版本
  2. 识别模型

6. 语言版本设置

6.1 第一阶段 UI

第一阶段只显示：

语言版本
选择 VoiceSnap 的界面语言和默认识别方向。

自动（跟随系统）
中文
English

推荐默认：

  • 首次启动使用“自动”。
  • 一旦用户手动选择中文或 English，则保存为显式选择。

6.2 未来扩展

未来可以扩展为类似 TagLauncher 的多语言列表：

自动
简体中文
English
粤语
繁體中文
日本語
한국어
Français
Deutsch
Español
...

架构上必须支持：

  • 每个语言有独立 languageId。
  • 每个语言可以配置默认模型。
  • 每个语言可以配置多个可选模型。
  • 一个模型可以服务多个语言。
  • 粤语作为独立语言处理。

7. 识别模型设置

7.1 第一阶段模型列表

设置页显示四个模型。

建议 UI 结构：

识别模型

○ SenseVoice
  轻量中文模型，适合中文和中英混输。

○ Qwen3-ASR
  高质量多语言大模型，适合中文、中英混输、粤语和更多语言。体积较大。

○ Moonshine English
  轻量英文模型，适合英文离线输入和低延迟听写。

○ Parakeet
  高质量英文/欧洲语言模型，适合更高准确率需求。体积较大。

7.2 推荐与过滤

第一阶段可以按当前语言版本排序：

中文语言版本：

  1. SenseVoice，推荐
  2. Qwen3-ASR，高级
  3. Moonshine English
  4. Parakeet

English 语言版本：

  1. Moonshine English，推荐
  2. Parakeet，高级
  3. SenseVoice
  4. Qwen3-ASR

不建议隐藏其他语言模型。可以折叠到“其他模型”里，但不要让用户找不到。

7.3 模型状态展示

每个模型至少显示：

  • 模型名称
  • 适合语言
  • 模型特点
  • 体积提示
  • 状态：未安装 / 下载中 / 已安装 / 当前使用
  • 操作：下载 / 使用 / 删除

示例：

Moonshine English
适合：English
特点：轻量、英文专用、低延迟
大小：约 135 MB
状态：当前使用

8. 首批模型定位

8.1 SenseVoice

产品定位：

  • 中文默认轻量模型。
  • 适合中文、中英混输、常规离线输入。

说明：

  • 继续作为中文用户的默认选择。
  • 用户升级 Qwen3-ASR 后仍保留 SenseVoice。

8.2 Qwen3-ASR

产品定位：

  • 中文高级模型。
  • 适合更高质量、多语言、粤语、方言、中英混输场景。

说明：

  • 模型体积明显大于 SenseVoice。
  • 必须由用户主动下载。
  • 不作为第一阶段默认模型。

8.3 Moonshine English

产品定位：

  • English 默认轻量模型。
  • 适合英文用户日常离线输入。

说明：

  • 作为英文版默认模型。
  • 优先使用 sherpa-onnx Moonshine English quantized 路线，以复用现有 Go + sherpa-onnx 框架。

8.4 Parakeet

产品定位：

  • English 高级模型。
  • 适合用户愿意下载更大模型以换取更高英文识别质量的场景。

说明：

  • 不作为默认模型。
  • 用户主动下载后可切换。
  • Moonshine English 保留作为 fallback。

8.5 X-ASR-zh-en（未来候选）

产品定位：

  • 未来候选的中文/英文低延迟流式模型。
  • 适合“边说边出字”、中英自由混输、长句口述、代码/写作实时输入等交互方向。
  • 不替代当前第一阶段四模型，不作为默认模型；先作为研究和原型验证项。

相对现有模型的潜在用户价值：

  • 相对 SenseVoice：更明确面向中文/英文流式识别和低延迟部署，可能提升中英混输、长句、实时反馈体验。
  • 相对 Qwen3-ASR：质量指标整体低于 Qwen3-ASR 0.6B/1.7B，但模型规模更小、流式能力更强，可能成为“实时输入模式”的更合适选择。
  • 相对 Moonshine/Parakeet：覆盖中文和英文双语，能减少用户在中文/英文之间手动切换模型的频率。

已知资料摘要：

  • 项目：Gilgamesh-J/X-ASR
  • 模型：X-ASR-zh-en
  • 架构：Zipformer transducer
  • 运行时：sherpa-onnx
  • 语言：Chinese + English
  • 模式：offline decoding + true streaming decoding
  • chunk 选项：160 ms、480 ms、960 ms、1920 ms
  • License：Apache-2.0
  • 技术报告：Coming Soon

产品策略：

  • 不随 App 默认打包。
  • 不一次性带四个 chunk 变体；先选一个候选 chunk 做真机评估。
  • 初始评估优先 480 ms 或 960 ms：480 ms 偏实时反馈，960 ms 偏准确率和稳定性。是否采用 160 ms 或 1920 ms 由真机延迟/准确率测试决定。
  • 如果只服务当前“说完再上屏”模式，X-ASR 优先级低于 Qwen3-ASR；如果要做“实时边说边出字”，X-ASR 优先级升高。

进入产品前必须验证：

  • Go 端是否能用现有 sherpa-onnx 绑定稳定加载 Zipformer transducer streaming 模型。
  • 是否需要新增 OnlineRecognizer/streaming engine，而不是复用当前离线 Engine 接口。
  • Apple Silicon 上 CPU 延迟、内存占用、发热和长时间运行稳定性。
  • 中英混输、中文标点、英文大小写、技术词和噪声场景的真机样本效果。
  • 模型文件体积、下载速度、断点续传和磁盘占用。
  • Apache-2.0 license、模型卡、训练数据说明和后续技术报告发布后的合规复核。

9. 推荐用户流程

9.1 中文用户首次使用

安装/首次启动
-> 检测系统语言为中文
-> UI 使用中文
-> 默认准备 SenseVoice
-> 用户开始输入

后续：

设置 -> 识别模型 -> Qwen3-ASR -> 下载 -> 使用

如果不满意：

设置 -> 识别模型 -> SenseVoice -> 使用

9.2 English 用户首次使用

Install / first launch
-> Detect system language as English
-> UI uses English
-> Prepare Moonshine English
-> User starts dictation

后续：

Settings -> Recognition Model -> Parakeet -> Download -> Use

如果不满意：

Settings -> Recognition Model -> Moonshine English -> Use

10. 非目标

第一阶段不做：

  • 30 种语言完整 UI。
  • 自动识别用户说话语言并切换模型。
  • 自动删除旧模型。
  • 云端 ASR。
  • 模型市场。
  • 用户上传模型。
  • Moonshine Voice framework 重写。
  • 实时边说边出字。

第一阶段重点是：

语言版本 + 模型 profile + 默认模型 + 高级模型切换

11. 产品验收标准

11.1 中文默认路径

  • 中文系统首次启动进入中文体验。
  • 默认模型为 SenseVoice。
  • 用户未主动选择时，不提示英文模型。
  • 用户可下载并切换 Qwen3-ASR。
  • Qwen3-ASR 下载后 SenseVoice 仍保留。
  • 删除 Qwen3-ASR 后可以回到 SenseVoice。

11.2 English 默认路径

  • English 系统首次启动进入英文体验。
  • 默认模型为 Moonshine English。
  • 用户未主动选择时，不提示中文模型。
  • 用户可下载并切换 Parakeet。
  • Parakeet 下载后 Moonshine English 仍保留。
  • 删除 Parakeet 后可以回到 Moonshine English。

11.3 通用路径

  • 语言版本可手动切换。
  • 模型可手动切换。
  • 未安装模型不能直接使用，必须先下载。
  • 当前使用模型不能直接删除。
  • 删除模型不影响用户词库、历史和设置。
  • 模型切换失败时，原模型继续可用。

12. 参考资料