核心用法
Local Vosk STT 是一款基于开源 Vosk 引擎的本地语音识别工具，通过命令行脚本实现音频到文字的离线转换。用户只需执行 ./skills/local-vosk/scripts/transcribe <音频文件> 即可完成转录，支持通过 --lang 参数指定语言模型（默认 en-us）。该工具依赖 ffmpeg 解码，兼容 ogg（Telegram 语音消息原生格式）、mp3、wav、m4a、flac 等主流格式。
部署流程：安装 vosk Python 库 → 下载语言模型（默认 small-en-us 约 40MB）→ 直接调用脚本。模型文件本地存储，首次配置后无需网络连接。
显著优点
1. 完全离线隐私：语音数据不出本地，彻底规避云端传输的隐私泄露风险，适合处理敏感内容。
2. 零成本运营：无 API 调用费用，无订阅模式，模型一次下载永久使用。
3. 轻量快速：默认模型仅 40MB，在普通硬件上处理速度达实时 10 倍，资源占用极低。
4. Telegram 生态适配：原生支持 .ogg 语音消息格式，可直接转录聊天语音，无需格式转换。
5. 开源可控：基于 Vosk（Apache 2.0 协议），代码与模型透明可审计，无供应商锁定。
潜在缺点与局限性
- 识别精度有限：small 模型针对对话场景优化，但面对专业术语、口音较重或嘈杂环境时准确率下降，需切换更大模型（数百 MB 至数 GB）或改用 faster-whisper。
- 语言覆盖窄：默认仅英文模型，中文等非英语语言需额外下载对应模型，小语种支持较弱。
- 无说话人分离：不具备区分多人对话的能力，仅输出纯文本时间线。
- 依赖 ffmpeg：需本地安装 ffmpeg 以处理格式解码，Windows 环境配置稍繁琐。
- 无实时流式处理：当前脚本设计为文件批处理模式，不适合实时会议字幕等流式场景。
适合人群
- 隐私敏感用户：记者、律师、医护人员等处理保密语音记录的专业人士。
- Telegram 重度用户：需批量备份或检索语音消息内容的个人用户。
- 离线/边缘环境：无稳定网络或需在内网隔离环境工作的开发者。
- 成本敏感场景：初创团队或个人开发者规避按量计费的云 API 成本。
常规风险
- 模型偏见：开源模型可能 inherited 训练数据的偏见，特定口音识别率偏低。
- 本地存储风险：转录文本与原始音频若未加密存储，存在设备丢失后的数据泄露可能。
- 依赖维护：Vosk 社区活跃度中等，未来模型更新或兼容性问题需自行跟进。