XHxiehuan/LiveBabel-Models

LiveBabel Models

LiveBabel 的本地语音模型仓库，供实时字幕、语音输入、会议记录和离线字幕使用。

模型清单

目录	模型/用途	v1.5 状态	约占用
vad/	Silero VAD 语音分段	当前使用	1 MB
zipformer/	流式 Zipformer 实时草稿（Pass1）	CPU 混合 INT8/FP32；GPU FP32	约 200 / 360 MB
qwen3-asr/	Qwen3-ASR-0.6B 高精度识别（Pass2、离线）	v1.5.0/v1.5.1 当前使用	CPU INT8 约 1.0 GB；GPU FP16 约 1.8 GB
speaker/	campplus / eres2net 会议说话人识别	当前使用	65 MB
chattts/	ChatTTS 本地朗读	CPU INT8 / GPU FP16 按需下载	470 / 940 MB
sense-voice/	SenseVoice 非流式识别	旧版本兼容保留	229 MB
whisper/	Whisper large-v3-turbo 离线识别	旧版本兼容保留	1.6 GB

Qwen3-ASR 文件

• 公共文件：conv_frontend.onnx、tokenizer/。
• CPU：encoder.int8.onnx、decoder.int8.onnx。
• NVIDIA GPU：encoder.fp16.onnx、decoder.fp16.onnx 及对应 .data 文件。
• 远端同时保存 INT8 和 FP16，程序按运行后端只下载/保留实际使用的一套。

Zipformer 文件

• CPU 实时草稿：encoder-epoch-99-avg-1.int8.onnx + decoder-epoch-99-avg-1.onnx（FP32） + joiner-epoch-99-avg-1.int8.onnx。
• NVIDIA GPU：三个不带 .int8 后缀的 FP32 图。
• 远端保留完整 INT8 图供旧版本兼容，但当前应用不使用 INT8 decoder， 因为该组合在部分语音中会产生重复草稿。

旧版本兼容

sense-voice/ 和 whisper/ 不会从仓库删除。v1.5 默认不再使用它们，但旧版 LiveBabel 仍会按原路径读取这些文件，因此旧版本用户可以继续运行。模型文件由程序从本仓库按需下载。

v1.5.0/v1.5.1 默认实时链路是 Zipformer 流式草稿 + Qwen3-ASR 最终修正；离线字幕直接使用 Qwen3-ASR。v1.4.1 使用同一 Zipformer 草稿链路，但定稿和离线字幕使用 SenseVoice。

版本对应关系

应用版本	Pass1 流式草稿	Pass2/离线	应用包
v1.4.1	Zipformer（CPU INT8 encoder/joiner + FP32 decoder；GPU FP32）	SenseVoice（CPU INT8 / GPU FP16）	LiveBabel-sherpa-onnx-wheels/app/v1.4.1/
v1.5.1	Zipformer（CPU INT8 encoder/joiner + FP32 decoder；GPU FP32）	Qwen3-ASR-0.6B（CPU INT8 / GPU FP16）	LiveBabel-sherpa-onnx-wheels/app/v1.5.1/

两套版本共用 VAD、声纹和 ChatTTS 文件。切换应用版本时，程序只下载当前后端所需的 ASR 变体；旧的 SenseVoice、Whisper 和 v1.5.0 兼容文件继续保留。