ASR Provider

DeLive 通过统一的 Provider 注册机制支持十四种 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。

需要 API Key？ 请查看 API Key 获取指引，获取各服务商的 Key 获取步骤。

Provider 对比

Provider	类型	传输方式	音频格式	流式	翻译	说话人分离	文件
Soniox V5	云端	WebSocket	MediaRecorder (WebM/Opus)	是	是	是	是
火山引擎	云端	WebSocket（经代理）	AudioWorklet (PCM16)	是	否	否	是
ElevenLabs	云端	WebSocket（经代理）	AudioWorklet (PCM16)	是	否	否	是
Mistral AI	云端	WebSocket（经代理）	AudioWorklet (PCM16)	是	否	否	是
Gladia	云端	WebSocket（经代理）	AudioWorklet (PCM16)	是	否	否	是
Deepgram	云端	WebSocket（经代理）	AudioWorklet (PCM16)	是	否	否	是
AssemblyAI	云端	WebSocket（经代理）	AudioWorklet (PCM16)	是	否	否	是
60db	云端	WebSocket（经代理）	AudioWorklet (PCM16)	是	否	否	是
Cloudflare Workers AI	云端	REST（批量）	AudioWorklet (PCM16)	否	否	否	是
硅基流动	云端	REST（批量）	AudioWorklet (PCM16)	否	否	否	是
Groq	云端	REST（批量）	AudioWorklet (PCM16)	否	否	否	是
本地 OpenAI	本地	REST（批量）	MediaRecorder (WebM/Opus)	否	否	否	是
FunASR / SenseVoice	本地	REST（批量）	MediaRecorder (WebM/Opus)	否	否	否	是
whisper.cpp	本地	REST（本地）	AudioWorklet (PCM16)	否	否	否	是

执行模式

实时流式

Soniox、火山引擎、ElevenLabs、Mistral AI、Gladia、Deepgram、AssemblyAI 和 60db 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、ElevenLabs、Mistral AI、Gladia、Deepgram、AssemblyAI 和 60db 经内置代理（默认端口 23456）注入所需的认证 Header
• 如果 23456–23460 端口全被占用，代理会改用系统分配的空闲端口，DeLive 会自动获取实际端口

窗口批处理

Cloudflare Workers AI、硅基流动、Groq、本地 OpenAI 兼容、FunASR / SenseVoice 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（Cloudflare、硅基流动、Groq、whisper.cpp）：每 1.5 秒重新转录
• 防抖模式（本地 OpenAI、FunASR / SenseVoice）：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：

1. 导入或下载二进制文件和模型
2. DeLive 启动进程并等待 HTTP 就绪（最长 20 秒）
3. 音频以 WAV 格式发送到 POST /inference
4. 断开连接或应用退出时停止进程

文件转录

所有 Provider 都能转录上传的音频/视频文件（见上表「文件」列）。云端 Provider 调用各自的文件接口；本地 OpenAI 兼容和 FunASR / SenseVoice 把文件发送到 /v1/audio/transcriptions；whisper.cpp 会先启动本地 runtime，把文件解码为 16 kHz 单声道 WAV，再发送到 /inference。缺少配置时任务会直接显示失败，而不会悄悄改用其他 Provider。

Soniox V5

功能最丰富的 Provider，支持实时流式、翻译和说话人分离。DeLive 默认使用 Soniox 实时模型 stt-rt-v5。

必填： apiKey

可选： model（默认 stt-rt-v5）、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

Mistral AI

通过 Mistral API 使用 Voxtral Realtime 流式 ASR。

必填： apiKey

可选： model、languageHints

使用本地 WebSocket 代理（端口 23456 的 /ws/mistral）注入 Authorization Header。

Deepgram

通过 Deepgram API 使用 Nova-3 和 Nova-2 实时流式 ASR。

必填： apiKey

可选： model、languageHints

使用本地 WebSocket 代理（端口 23456 的 /ws/deepgram）注入 Authorization: Token Header。最适合英语和多语言内容。

AssemblyAI

通过 AssemblyAI WebSocket API 使用 Universal-3.5 Pro 实时流式 ASR。

必填： apiKey

可选： model

使用本地 WebSocket 代理（端口 23456 的 /ws/assemblyai）注入 Authorization Header。支持 6 种流式语言，最适合英语内容。

60db

通过 60db WebSocket API 实时转录，支持约 40 种语言，含印度语系与英语混说。

必填： apiKey

可选： languageHints（最多 5 个 ISO 639-1 语言代码；留空自动检测）

使用本地 WebSocket 代理（/ws/sixtydb）隐藏 API Key，并把 60db 的两阶段 final 结果归一为 DeLive 的 partial/final 事件。文件转录使用 60db REST /stt 接口，单个文件最大 10MB。

ElevenLabs

通过 ElevenLabs WebSocket API 使用 Scribe v2 Realtime ASR。可选实时模型：scribe_v2_realtime（默认）、scribe_v2_realtime_turbo、scribe_v2_realtime_lite。

必填： apiKey

可选： model、languageHints

使用本地 WebSocket 代理（端口 23456 的 /ws/elevenlabs）注入 xi-api-key Header。支持 90+ 种语言含普通话。音频以 base64 编码 JSON 格式发送。

Gladia

Solaria-1 实时流式 ASR，延迟低于 300ms，支持 100+ 种语言。文件/异步转录可选 solaria-1（默认）或 solaria-3（仅预录音频；英/法/德/西/意）。

必填： apiKey

可选： fileModel（仅文件任务）、languageHints

使用本地 WebSocket 代理（/ws/gladia）处理 HTTP POST 会话初始化并注入 x-gladia-key 认证 Header。实时转录始终使用 Solaria-1，solaria-3 不会发送到实时 WebSocket。

Cloudflare Workers AI

通过 Cloudflare Workers AI 平台进行基于 Whisper 的转录，成本低且有充足的免费额度。

必填： apiToken、accountId

可选： model、languageHints

使用窗口批处理重转录，带 VAD 过滤和防幻觉措施。支持实时采集和文件转录。可用模型包括 @cf/openai/whisper 和 @cf/openai/whisper-large-v3-turbo。

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 FunASR / SenseVoice

通过自建的 FunASR funasr-server 本地转录，该服务提供 OpenAI 兼容的 /v1/audio/transcriptions 接口，无 API 费用。

必填： baseUrl（默认 http://127.0.0.1:8000）

可选： model、languageHints

模型：sensevoice（默认；多语言，带情感与音频事件标签）、paraformer（中文生产级，含 VAD 与标点）、fun-asr-nano（基于 LLM，31 种语言）。

启动服务：

pip install funasr
funasr-server --device cuda --port 8000

没有 NVIDIA 显卡时用 --device cpu，Apple 芯片可用 --device mps。旧配置中的 paraformer-en（funasr-server 不支持）会自动回退为 sensevoice。

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。