从 8 月 24 日到 10 月 20 日，我们推送了 30 次代码更新，涉及 42 个核心文件，累计新增 1500+ 行代码。主要是在架构上做了一些重构，让小奥录音支持并发，AI 摘要的准确率优化，音频处理进度回调，会议操作交互优化，同时安装部署也做了一些调整。 前言 关于小奥录音 OddMinutes 小奥录音：让沟通的每一分钟，都被听见、被记录、被理解！ 免费、开源的智能音频会议系统，支持实时录音、AI 转录、智能摘要生成和音字联动功能，也支持导入已有的音频进行转录、总结。录音 · 转录 · 摘要，您的私有AI会议助手，所有数据不上云，安全，不泄漏。 安装使用 注：需要配合 OddASR 一起使用。如果你有购买阿里云、Deepseek、ChatGPT等的API，可无需安装 OddASR。OddASR下载安装地址：https://github.com/oddmeta/oddasr/releases 一、安装部署：一键安装，开箱即用 支持 Windows NSIS 安装包 从源码部署到一键安装，降低 90% 的上线门槛。 二、架构重构：四 App 合一，轻装上阵 彻底合并 recording / summary / transcription 三个独立 App […]
Speech Tech
29 posts
引言 上周把 Audio8/MOSS-TTS-Nano 集成到 OddTTS 了，测试一下 Audio8/MOSS-TTS-Nano 效果确实好，但 CPU 跑 RTF 3.26（55字合成耗时 27.85 秒），实在没法用于实时场景。 除了这两个模型个，kid 大佬推荐的模型里还差了一个 ZipVoice，123M 参数，Flow Matching 架构，号称”Small and Fast”。 这个周末在家就搞了一下这个模型。 然而，这个 zipvoice 的集成过程并不顺利，甚至可以说一波三折——踩了好多个大坑，从 PyTorch 推理跑不动，到 vocoder 选型错误合成出噪音，再到模型目录验证 bug 导致 voices 为空。这篇文章把这些坑都记录下来，希望能帮到同样想集成 ZipVoice 的同学。 最终方案：sherpa-onnx 推理后端 + ModelScope 模型下载 + 自动 vocoder 下载，pip 安装后一键启动，纯 CPU 运行，RTF 约 1.3-3.0。 […]
引言 这两个星期，在 大白菜 大佬和 Kid 大佬的提点下，完成了 Audio8 和 MOSS-TTS-Nano 两个轻量级 TTS 引擎的集成工作，也让一直定位于轻量级语音合成的 OddTTS 的引擎矩阵越来越丰富。与此同时刚才这两个引擎都支持音色克隆（zero-shot voice cloning），昨天晚上想起来这摊子事后，就决定把 OddTTS 的音色克隆功能给搞一下，并将这个能力给暴露出来。 今天搞了一天，还算是比较顺利的把音色克隆功能完整实现了，并作为 v2.0 的核心特性发布。 现在，你只需要上传一段 3-10 秒的参考音频，就能在 OddTTS 中注册一个自定义音色，像内置音色一样随时调用——无论是通过 Web 界面还是 OpenAI 兼容 API。 在这个周末，俺终于可以说 OddTTS 完成了从 v1.x 到 v2.0 的跨越。音色克隆功能首批支持 MOSS-TTS-Nano、Audio8 0.1B ONNX INT8、Audio8 0.6B ONNX INT4 三个引擎。后面如果有更多轻量级的 TTS 引擎和模型，我也会持续的将一些适合的引擎一个个的加进 OddTTSk 中，以支持更多引擎。 […]
引言 几天前，经 Kid 大佬指点，有两个可以纯 CPU 跑的轻量级TTS模型：MOSS-TTS-Nano 0.1B ONNX（100M）模型 和 ZipVoice Sherpa ONNX(123M)模型。具体可以看上周这篇文章里 Kid 大佬的留言。 今天周末了，我去网上看了一下这两个模型，看上去的样子感觉的确不错，鉴于 100M < 123M，我就先把 MOSS-TTS-Nano先给整合了一下到 OddTTS。 MOSS-TTS-Nano 是 OpenMOSS 团队推出的开源多语言微型语音生成模型。仅 0.1B 参数，无需 GPU 即可在普通 CPU 上实时运行，支持语音克隆、流式推理和 ONNX 加速。—— OpenMOSS 官方介绍 相比于上周集成的 Audio8（0.1B RTF 约 3.26x），MOSS-TTS-Nano 在 CPU 上的推理效率明显更高：在禁用文本规范化的极速模式下，RTF 可达到约 0.5，这意味着它已经能够胜任类似 小落同学 这样的低延迟实时对话场景。同时，它支持近 20 种语言 和 48 […]
引言 昨天，大白菜大佬发了一个 Audio8 的TTS 模型，看上去很诱人，尤其是11种语言和44.1 kHz采样率 两个指标。 2026 年 8 月 25 日下午，语音 AI 初创公司 Audio8在 Hugging Face 上正式发布其开源模型 Audio8 TTS 0.1B-ONNX-INT8，迅速在 TTS 和语音克隆圈引发轰动，作者 Samuel Zeng 直接宣布：100M 参数、CPU-only、零样本语音克隆、11 种语言、44.1 kHz 采样率，所有功能全部开源，Apache 2.0 许可。 今天周末在家无事，我把 Audio8 的两个模型（Audio8 0.1B ONNX INT8，Audio8 0.6B ONNX INT4）给整合了一下到 OddTTS，并在我的笔记本上跑了一下，感觉效果还可以，但是存在两个问题： 我先把整合好的 OddTTS 递交了一个版本，感兴趣的同学可以试试。也非常感谢大白菜大佬提供的信息。 快速开始使用 OddTTS OddTTS 是一个功能强大的多引擎语音合成服务，提供统一的API接口和友好的Web界面，一套接口搞定多种主流TTS引擎，包括 EdgeTTS、Kokoro-82M-v1.1-zh、Audio8、ChatTTS、Bert-VITS2、GptSovits v2等，同时也支持OpenAI […]
OddMinutes 小奥录音：让沟通的每一分钟，都被听见、被记录、被理解！ 前言 自从搞了 OddMinutes 小奥录音后，我自己参加的每个会议都用小奥录音给做录音了，越用越喜欢用，相见恨晚，然后在实际的使用中也发现了一些问题，形成了一些想法，一点点的优化、改善、调整。在过去的这三个星期里，小奥录音的更新，涵盖新功能、体验优化、问题修复和代码重构四大方面。 关于小奥录音 录音 · 转录 · 摘要，您的私有AI会议助手，安全，所有数据不上云，不泄漏 免费、开源的智能音频会议系统，支持实时录音、AI 转录、智能摘要生成和音字联动功能，也支持导入已有的音频进行转录、总结。 代码仓库：https://github.com/oddminutes/oddminutes 安装使用 安装： pip install oddminutes启动： OddMinutes运行： http://127.0.0.1:9011/演示： https://minutes.oddmeta.net/ 以下是本次更新的详细说明： 一、新功能 1. AI 摘要内容可编辑 在 AI 摘要界面新增编辑按钮，点击后可对标题和摘要内容进行自由修改。此前 AI 生成的摘要不可修改，用户只能重新生成，效率较低。现在可以快速微调措辞、补充遗漏要点，无需重跑整个摘要流程。 同时支持 HTML 标签渲染，当 AI 摘要内容包含加粗、列表等 HTML 格式时，前端页面和导出的 PDF 文档都能正确渲染，保持排版一致。 2. ASR 模型查询与选择 ASR（语音识别）模型设置界面新增查询按钮。在输入 API 地址后，点击即可查询该地址支持的模型列表，系统用下拉选择框展示所有可用模型，用户选择后点保存即可生效。 此前模型名称需要手动输入，容易出错且不直观。现在可以一键获取可用模型列表，操作更便捷。 3. […]
版本更新介绍 前阵子公司一位大佬跟我推荐了一下 Qwen3-ASR，平时在公司忙成狗也没时间来测试，周末回家给整合了一下到 OddASR，并简单的测试了一下。 时间关系，没有做广泛的测试，但在有限的测试集下发现： 同时也简单的对Qwen3-ASR 的几个版本分别做了些测试，并且也尝试了用一些不同的参数组合，包括：dtype精度、Batch size等。 顺便也对 BaseASR 基类做了一下重构，以让整个代码看上去逻辑更简单、清晰，让代码的可阅读性更好一些，顺便让各个不同模型的ASR子类代码做了一下精简，让各个子类的功能可以更加原子一些（业务和逻辑相关的代码都独立出来了）。 除此之外就是一些零零碎碎的修改，大致如下： 快速开始使用 OddASR Python测试： curl测试： Qwen3-ASR-1.7B和Qwen3-ASR-0.6B两个模型都需要GPU才能跑得动，如果没有GPU的话，建议不要启用这两个模型。 以下是完整的更新列表说明。 一、重磅：新增 Qwen3-ASR 系列模型 本次更新的核心亮点是引入了 Qwen3-ASR 系列模型，提供三种规格： 模型 参数量 适用场景 Qwen3-ASR-0.6B 0.6B 轻量部署，显存有限 Qwen3-ASR-1.7B 1.7B 平衡性能与资源 Qwen3-ASR-Flash 1.7B 1.7B 流式低延迟场景 显存优化亮点： 二、架构重构：更清晰、更可维护 1. ASR 模型注册表（asr_registry.py） 全新设计的模型注册机制，统一管理所有 ASR 后端的注册、实例化和生命周期。 2. BaseASR 参数封装 将 BaseASR […]
关于小奥录音 OddMinutes 小奥录音是一个开源的智能音频会议系统，支持实时录音、AI 转录、智能摘要生成和音字联动功能，也支持导入已有的音频进行转录、总结。跟 Meetily 一样，支持全链路私有化部署，完全离线运行。 Slogan：让会议的每一分钟，都被听见、被记录、被理解 —— OddMinutes 小奥录音 项目地址：https://github.com/oddmeta/oddminutes 安装：pip install oddminutes 运行：oddminutes Web前端: http://localhost:9011 最近两个周末，一边改 OddASR，一边陆陆续续的用 OddASR 再来一点点完善小奥录音的各项功能，今天向pypi发布了个阶段性的版本 v0.1.10 。然后这里汇总一下与上个版本相比做的一些修改、调整与完善，简单讲的话主要就是：围绕实时字幕、导出功能、说话人识别、AI纪要等核心体验进行了一些升级。具体看下面。 一、新功能 1. 实时字幕上线（500ms 超低延迟） 结合最新版 OddASR，小奥录音加入了实时字幕功能，首字时延低至 500ms！ ●字幕风格参照主流音乐播放器，支持拖动调整字幕显示位置 ●默认不启用，可在系统设置中手动开启 ●录音控制面板新增「显示字幕」按钮，一键控制字幕显隐 2. 导出功能全新重构 导出功能经过彻底重设计： ●点击导出按钮后弹出选择框，可自由勾选导出内容：音频文件、会议文本、AI摘要 ●导出前自动检查数据库中是否已有对应的 PDF 文件，智能判断是否需要重新生成 ●勾选的导出文件自动打包成 ZIP 提供下载，文件名用会议名称（中文文件名兼容） ●导出的 PDF 新增页眉 小奥录音 Logo + Slogan、页脚副标题与官网地址 […]
当前最新版本：v2.5.5，已经上传到pypi，有需要的同学可以下载安装来体验一下。 安装：pip install oddasr运行：oddasrDemo: http://localhost:9002 默认启动只支持2路实时转写，再加1路离线转写。可通过自行修改配置文件中的最大实例数来放大。 自定义配置启动 项目地址：https://github.com/oddmeta/oddasr文档地址：https://oddmeta.net/docs/oddasr/ 一、本次更新的亮点 本周的核心工作集中在说话人分离（Speaker Diarization）的配置化与请求级可控上，同时围绕实时转写首字时延 / 返回速度、低配硬件可运行性、Web 前端体验做了多处优化，并修复了 WebSocket 在 HTTPS 环境下的兼容性问题。 这个版本里主要是这几个功能： 二、新功能（Feat） 下面是更新的具体的新功能。 1. 说话人分离 4 个核心参数落地 新增 preset_spk_num / max_num_spks / merge_thr / spk_mode 四参数，打通了 配置文件 → 离线转写 API → Web 前端 的完整链路。 参数 默认值 作用 对应 FunASR 内部机制 preset_spk_num 0 […]
其实版本陆陆续续有递交到pypi，只是今天做一个阶段性的总结。当前版本号为v2.5.1，近期的一些修改主要对 OpenAI API 的兼容性做了一些增强，同时更新覆盖实时性、准确率、功能广度、工程稳定性四个维度。 最新版本 v2.5.1，已经上传到pypi，有需要的同学可以下载安装来体验一下。 安装：pip install oddasr运行：oddasr 一、实时转写：首字时延从 1.5~2s 砍到 ~0.5s 在 v2.5.1 更新中最值得关注的性能优化 同时新增配置项 streaming_buffer_chunk_size（默认 4800，即 300ms 缓冲），方便手动调优服务端缓冲策略。 为了方便查看和统计时延，本次还为转写流程中每一个重点功能都加上了时延统计，便于线上观测与回归对比。 二、新功能上线 1. 热词（Hotwords）支持 Paraformer / SenseVoice 后端现已支持热词功能，可在转写时注入业务专有词，显著提升专有名词、人名、术语的识别准确率。 服务端做了优化：只在热词实际发生变化时才记录日志（比较新旧值），避免高频音频传输路径上日志刷屏。 2. diarized_json 返回格式 在 OpenAI 兼容的 response_format 基础上，新增 diarized_json，返回带说话人角色的结构化结果，方便直接消费”谁在什么时候说了什么”。老接口里说话人角色分离的接口依然可用：response_format：spk。 3. 字词级时间戳（word-level timestamps） verbose_json 模式下支持 OpenAI 兼容的 word-level 时间戳请求参数，可控制返回文本是否带每个字的时间戳，并修复了音字对照时间戳错位、英文单词间空格导致解析异常等问题。 4. 多种音频格式 […]