ASR Provider
DeLive 通过统一的 Provider 注册机制支持六种 ASR 后端。每个 Provider 实现相同的接口契约，但使用不同的传输和音频处理策略。
Provider 对比
| Provider | 类型 | 传输方式 | 音频格式 | 流式 | 翻译 | 说话人分离 |
|---|---|---|---|---|---|---|
| Soniox V4 | 云端 | WebSocket | MediaRecorder (WebM/Opus) | 是 | 是 | 是 |
| 火山引擎 | 云端 | WebSocket（经代理） | AudioWorklet (PCM16) | 是 | 否 | 否 |
| Groq | 云端 | REST（批量） | AudioWorklet (PCM16) | 否 | 否 | 否 |
| 硅基流动 | 云端 | REST（批量） | AudioWorklet (PCM16) | 否 | 否 | 否 |
| 本地 OpenAI | 本地 | REST（批量） | MediaRecorder (WebM/Opus) | 否 | 否 | 否 |
| whisper.cpp | 本地 | REST（本地） | AudioWorklet (PCM16) | 否 | 否 | 否 |
执行模式
实时流式
Soniox 和 火山引擎 使用。音频块通过 WebSocket 连接持续发送，转录更新实时到达。
- Soniox 发出 Token 级事件（
prefersTokenEvents: true），实现细粒度文本更新 - 火山引擎使用本地代理（端口 23456 的
/ws/volc）注入所需的认证 Header
窗口批处理
Groq、硅基流动、本地 OpenAI 兼容 和 whisper.cpp 使用。音频在滚动缓冲区（最长 45 秒）中累积，定期通过 REST 调用重新转录整个窗口。
- 定时模式（Groq、硅基流动、whisper.cpp）：每 1.5 秒重新转录
- 防抖模式（本地 OpenAI）：最后一个音频块到达后 1200ms 重新转录
TranscriptStabilizer比较连续转录结果，提交稳定文本前缀，防止文本闪烁
Electron 托管运行时
whisper.cpp 使用。DeLive 管理 whisper-server 二进制文件的生命周期：
- 导入或下载二进制文件和模型
- DeLive 启动进程并等待 HTTP 就绪（最长 20 秒）
- 音频以 WAV 格式发送到
POST /inference - 断开连接或应用退出时停止进程
Soniox V4
功能最丰富的 Provider，支持实时流式、翻译和说话人分离。
必填： apiKey
可选： model、languageHints、translationEnabled、translationTargetLanguage、enableSpeakerDiarization
火山引擎
中文优化的实时流式服务，通过内置代理工作。
必填： appKey、accessKey
可选： languageHints
浏览器无法设置自定义 WebSocket Header，因此 DeLive 在 Electron 主进程中运行内置 HTTP 代理，将 PCM16 音频转发到字节跳动的 openspeech.bytedance.com 端点并附加所需的认证 Header。
Groq
通过 Groq 高性能推理 API 使用 Whisper large-v3-turbo / large-v3。
必填： apiKey
可选： model、languageHints
硅基流动
通过硅基流动 API 使用 SenseVoice、TeleSpeech 和通义千问 Omni 模型。
必填： apiKey
可选： model、languageHints
本地 OpenAI 兼容
兼容 Ollama 或任何暴露 OpenAI 兼容音频转录端点的服务。
必填： baseUrl、model
可选： apiKey、languageHints
DeLive 可探测 baseUrl 处的服务，通过 /v1/models 列出已安装模型，如检测到 Ollama 还可拉取模型。
本地 whisper.cpp
使用 whisper-server 二进制文件的完全离线转录。
必填： modelPath
可选： binaryPath、port（默认 8177）、languageHints
DeLive 可导入或下载二进制文件和模型文件。静音音频块会自动跳过以减少不必要的推理。