核心用法
Local Vosk STT 是一款基于 Vosk 引擎的本地语音识别技能，支持将语音消息、音频文件等转换为文本，全程离线运行无需联网。用户通过命令行调用脚本即可快速完成转录，支持英语（默认）及多语言模型切换。
主要功能
- 完全离线识别：音频处理在本地完成，无需上传云端
- 多格式支持：依托 ffmpeg 解码，支持 ogg、mp3、wav、m4a、webm、flac 等常见格式
- 轻量快速：默认模型仅 40MB，处理速度达实时 10 倍以上
- 命令行便捷操作：
./skills/local-vosk/scripts/transcribe audio.ogg [--lang en-us]
显著优点
1. 隐私安全：语音数据零上传，彻底解决云端 STT 的隐私泄露风险
2. 低资源占用：小模型适合边缘设备和低配置环境
3. 无网络依赖：离线环境、内网场景均可稳定运行
4. 开源生态：基于 Vosk 开源项目，模型可自由替换升级
潜在局限
- 识别精度有限：小模型对复杂口音、专业术语、噪声环境识别准确率不及云端 API（如 Whisper API）
- 语言覆盖：需手动下载对应语言模型，小语种支持依赖社区贡献
- 无实时流式：当前实现为文件批量处理，非实时语音流识别
- 硬件性能瓶颈：大模型或长音频处理时，低配设备可能出现延迟
适合人群
- 隐私敏感用户（医疗、法律、金融语音处理）
- 离线/内网环境工作者
- 轻量自动化需求（个人笔记、播客转录）
- 低配置设备用户
常规风险
- 模型质量风险：小模型误识别可能导致关键信息错漏
- 依赖管理：需自行维护 ffmpeg、Python 环境及模型文件
- 无自动更新：安全补丁和模型迭代需手动跟进