从“能识别”到“稳定识别”：离线ASR在真实会议场景中的问题与工程优化实践

做语音转写项目以后，我对一个问题的感受越来越明显：

ASR模型跑通，并不代表语音系统真正可用。

实验室里拿一段十几秒的干净录音测试，识别结果往往不错。但一旦进入真实会议环境，问题很快就出来了：

空调声、键盘声导致误识别；
说话人停顿以后，下一句话开头被截掉；
多人连续讲话时出现断句异常；
长时间会议转写越来越慢；
CPU和内存持续升高；
端侧设备运行一段时间以后发热明显；
断网环境下模型和服务不好维护。

这类问题不能靠"换一个更大的模型"全部解决。

真正需要优化的是

编辑

这一整条链路。

本文就从这个角度，把几个比较典型的问题拆开分析。

一、先把问题定义清楚：ASR为什么"测试很好，实际不好"？

一个完整的离线语音处理链路，大致可以设计成：

编辑

问题恰恰出在这里。

ASR只是其中一个环节。

如果麦克风采集的声音质量不好，ASR模型拿到的输入本身就是有问题的。

如果VAD切错了，模型甚至没有机会看到完整的一句话。

如果任务调度设计不合理，即使模型本身速度不错，系统仍然可能出现排队。

所以实际优化时，第一原则是：

不要一上来就改ASR模型，先确认问题到底发生在哪一层。

二、第一个问题：噪音环境下，为什么识别结果突然下降？

这是最常见的问题。

例如会议室里有人敲键盘，空调持续运行，旁边还有人在低声讨论。

这时候ASR可能出现：

复制代码

正常：
"项目计划下周开始执行"

异常：
"项目计划下周......开始执行"

甚至出现一些完全不存在的文字。

解决思路

不要直接：

复制代码

麦克风 → ASR

而是增加音频前处理。

比较基础的流程是：

编辑

其中，**VAD（Voice Activity Detection）**非常关键。

它的目标不是识别文字，而是判断：

当前这段声音是不是有效的人声？

WebRTC等方案本身就包含VAD相关实现，并且实际处理时通常会按照较小的音频帧进行判断。

三、第二个问题：VAD为什么容易把一句话切掉？

这是实际项目里非常容易踩的坑。

比如用户说：

"我们今天主要讨论三个问题。"

如果VAD太敏感，可能切成：

复制代码

我们今天
主要讨论三个问题

甚至：

复制代码

我们今天主要
讨论三个问题

更麻烦的是一句话结尾。

用户说完以后停顿500ms，然后继续说：

"第一个是项目进度。"

如果系统把500ms停顿当成一句话结束，那么最终可能变成两个非常短的片段。

解决方法：不要用"一帧决定结果"

可以采用一个简单的状态机。

编辑

核心思想是：

检测到一次静音，不要立即结束。

给它一个缓冲窗口。

例如：

ini 复制代码

public class VadStateMachine {

    private static final int END_SILENCE_MS = 700;

    private boolean speaking = false;
    private long silenceStart = -1;

    public boolean process(boolean speechDetected, long now) {

        if (speechDetected) {
            speaking = true;
            silenceStart = -1;
            return true;
        }

        if (!speaking) {
            return false;
        }

        if (silenceStart < 0) {
            silenceStart = now;
        }

        if (now - silenceStart >= END_SILENCE_MS) {
            speaking = false;
            silenceStart = -1;
            return false;
        }

        return true;
    }
}

这个代码虽然简单，但里面体现了一个很重要的工程思想：

语音边界判断需要考虑上下文，而不是只看当前帧。

实际项目中还可以进一步增加：

最短语音长度；
最短静音长度；
前置padding；
后置padding；
连续多帧确认；
噪声环境自适应阈值。

这样可以明显减少"吞掉句首"和"过早截断"的问题。

四、第三个问题：为什么长会议越转越慢？

假设一场会议持续两个小时。

最简单的实现可能是：

编辑

这种方式短音频没什么问题。

但长音频很容易出现内存压力和异常恢复困难。

更合理的方式应该是：

编辑

这里实际上涉及一个非常重要的知识点：

生产者-消费者模型

音频处理线程负责产生任务：

复制代码

Producer

ASR线程负责消费任务：

复制代码

Consumer

两者之间使用阻塞队列连接。

Java实现可以非常简单：

ini 复制代码

BlockingQueue<AudioSegment> queue =
        new LinkedBlockingQueue<>(100);

ExecutorService executor =
        Executors.newFixedThreadPool(2);

executor.submit(() -> {
    while (!Thread.currentThread().isInterrupted()) {
        AudioSegment segment = queue.take();

        String text = asrService.recognize(
                segment.getAudio()
        );

        resultService.save(
                segment.getStart(),
                segment.getEnd(),
                text
        );
    }
});

这样做有两个好处。

第一，音频采集不需要等待ASR结束。

第二，可以通过队列长度控制系统压力。

如果：

复制代码

队列长度 > 阈值

就说明当前ASR处理速度跟不上输入速度。

这时候应该：

降低并发；
增加Worker；
缩短分片；
调整模型；
或者启用硬件加速。

而不是无限创建线程。

五、第四个问题：为什么"并发越高"反而越慢？

这是很多刚开始做AI推理服务时容易遇到的问题。

假设设备只有有限的CPU资源。

同时启动10个ASR任务：

erlang 复制代码

Task1
Task2
Task3
...
Task10

并不代表速度会变成原来的10倍。

很可能变成：

复制代码

CPU争抢
 ↓
缓存命中率下降
 ↓
内存压力增加
 ↓
上下文切换
 ↓
整体延迟增加

因此端侧语音服务更适合采用：

有限Worker + 有界队列

而不是无限并发。

例如：

ini 复制代码

int workers = Math.max(
        1,
        Runtime.getRuntime().availableProcessors() / 2
);

ThreadPoolExecutor executor =
        new ThreadPoolExecutor(
                workers,
                workers,
                60,
                TimeUnit.SECONDS,
                new ArrayBlockingQueue<>(50),
                new ThreadPoolExecutor.CallerRunsPolicy()
        );

这里的 CallerRunsPolicy 也有一个好处。

当队列满了以后，提交任务的线程自己执行任务，相当于给系统施加背压。

这比任务无限堆积更加安全。

六、第五个问题：模型太大，端侧设备跑不动怎么办？

这个问题才涉及模型优化。

常见手段包括：

模型剪枝；
蒸馏；
FP16；
INT8量化；
图优化；
硬件加速；
模型分层加载。

其中量化比较常见。

以ONNX Runtime为例，它支持动态量化和静态量化，也提供了量化调试能力。需要注意的是，量化并不是无损操作，精度可能发生变化，所以不能只比较模型大小，还应该重新跑验证集。

一个简单的动态INT8量化示例：

ini 复制代码

from onnxruntime.quantization import (
    quantize_dynamic,
    QuantType
)

quantize_dynamic(
    model_input="asr_fp32.onnx",
    model_output="asr_int8.onnx",
    weight_type=QuantType.QInt8
)

但是这里有一个误区：

模型变小 ≠ 一定跑得更快。

实际速度还和CPU指令集、推理后端、内存访问以及模型算子有关。

ONNX Runtime官方文档也明确说明，量化带来的性能收益依赖具体模型和硬件，某些老旧硬件上甚至可能出现收益不明显的情况。

所以正确做法是：

编辑

而不是看到"INT8"三个字就直接替换生产模型。

七、第六个问题：如何判断优化到底有没有效果？

这一步非常容易被忽略。

如果没有指标，所谓优化最后很容易变成：

"感觉快了一点。"

这在工程项目里是不够的。

建议至少记录下面几个指标。

指标	含义
WER	语音识别错误率
RTF	音频时长 / 推理耗时
P95延迟	95%请求的延迟
CPU	CPU平均/峰值
Memory	内存占用
Queue Size	等待任务数量
VAD误检	非语音被判断为语音
VAD漏检	人声被过滤

其中WER可以简单表示为：

ini 复制代码

WER = (S + D + I) / N

其中：

S：替换错误；
D：删除错误；
I：插入错误；
N：参考文本词数。

例如参考文本：

复制代码

今天讨论项目进度

识别结果：

复制代码

今天讨论项目进度问题

多出了一个词，就属于插入错误。

八、一个更实用的测试方案

如果我要验证一套离线ASR系统，不会只准备一段干净音频。

建议至少准备五组数据：

css 复制代码

Dataset-A
安静普通话

Dataset-B
空调/键盘噪声

Dataset-C
远距离讲话

Dataset-D
多人会议

Dataset-E
口音/专业术语

然后分别统计：

复制代码

WER
RTF
P95延迟
CPU
内存
VAD误检率
VAD漏检率

这样最后得到的结果才有意义。

例如：

场景	WER	RTF	P95延迟
安静环境	测试值	测试值	测试值
空调噪声	测试值	测试值	测试值
远场	测试值	测试值	测试值
多人会议	测试值	测试值	测试值
口音	测试值	测试值	测试值

这里我特意没有填"漂亮的数据"。

因为没有真实测试集和硬件环境，直接写一个98%、99%并没有意义。

工程文章最忌讳的就是拿没有测试依据的数据当结论。

九、最终落地架构可以这样设计

如果要把上面的方案真正做成一个离线会议语音服务，我比较推荐下面这种结构：

编辑

这个架构最大的特点不是复杂，而是模块之间职责比较清楚。

以后如果更换ASR模型，不需要把整个业务系统推倒重来。

换VAD，也只需要替换对应模块。

如果端侧硬件发生变化，也可以针对推理层重新优化。

十、实际项目中我更推荐"先定位，再优化"

最后总结一下。

真实会议场景中的ASR问题，大致可以按照下面的方法排查：

编辑

不要一看到识别错误，就马上换模型。

也不要一看到设备占用高，就直接增加线程。

语音系统本质上是一个完整的工程链路。

从我实际观察离线会议产品，包括熙瑾会悟这类产品时，一个比较明显的感受就是：真正决定体验的，往往不是某一个模型参数，而是模型、音频处理、调度和设备资源之间的配合。

十一、写在最后

以前我们说"语音识别"，更多是在讨论：

能不能把声音变成文字？

现在进入端侧AI时代以后，这个问题已经不够了。

真正需要解决的是：

在有限算力、复杂噪声、长时间运行和离线环境下，系统能不能稳定地听懂人说的话？

所以一套成熟的端侧语音系统，至少应该同时考虑：

准确率、实时性、稳定性、功耗和数据安全。

模型只是基础。

VAD负责判断什么时候该听。

ASR负责判断说了什么。

声纹负责判断是谁说的。

任务调度负责保证系统不被压垮。

量化和硬件加速负责让模型真正跑得动。

这些能力组合起来，才是一套真正可以落地的离线语音方案。

我现在越来越认同一个判断：

离线语音，不只是能听，还要听得懂、反应快、功耗低。

这可能也是未来端侧语音真正需要解决的问题。