[ Day 16 ] Flutter 語音辨識深入應用篇— 生活在地球的勇者啊，阿彌陀佛怎麼念呀?(1)

2025 iThome 鐵人賽

DAY 16

Mobile Development

Flutter ：30天打造念佛App，跨平台應用從Mobile到VR，讓極樂世界在眼前實現！系列第 16 篇

[ Day 16 ] Flutter 語音辨識深入應用篇— 生活在地球的勇者啊，阿彌陀佛怎麼念呀?(1)

17th鐵人賽

Aaron

2025-09-30 23:57:32

94 瀏覽

分享至

2025 iThome鐵人賽
「 Flutter ：30天打造念佛App，跨平台從Mobile到VR，讓極樂世界在眼前實現 ! 」
Day 16
「 Flutter 語音辨識深入應用篇 — 生活在地球的勇者啊，阿彌陀佛怎麼念呀?(1)」

前言

昨天我們已經知道如何在flutter使用sherpa_onnx實作離線語音轉文字，
今天我們要來深入語音辨識，從App開發的角度來認識以下內容：
「音訊要先怎麼處理？」、
「如何設定模型？」、
「語音轉文字背後的完整流程」。

Day16 文章目錄：
一、音訊處理
二、設定模型
三、語音轉文字流程總覽

一、音訊處理

麥克風錄音是採用16 kHz、單聲道、PCM16，
模型要的是16 kHz、單聲道、 Float32的連續波形（約 -1.0～+1.0），
所以我們必須先把 PCM16（Int16）→ Float32 並做正規化後再餵進模型。

PCM16：
常見的未壓縮數位音訊格式(原始音訊)，指每個取樣用 16 位元（bits）表示，
通常以整數 Int16（-32768～32767）儲存。

正規化：
將 Int16 振幅等比例縮放到 Float32的 -1.0～+1.0 範圍，例如float = int16 / 32768.0。
相較於整數Int，使用浮點數Float，能表示更細緻的能量變化，也符合後續特徵計算與模型推論需求。

Float32List convertBytesToFloat32(Uint8List bytes, [endian = Endian.little]) {
  final values = Float32List(bytes.length ~/ 2);

  final data = ByteData.view(bytes.buffer);

  for (var i = 0; i < bytes.length; i += 2) {
    int short = data.getInt16(i, endian);
    values[i ~/ 2] = short / 32768.0;
  }

  return values;
}

二、模型設定

sherpa-onnx 離線語言模型：

Flutter sherpa_onnx ASR模型一覽
(1) 點選下載中、英雙語模型
(2) 點選下載純中文模型
建議：使用者第一次啟動時才下載模型，App體積會比較小

encoder(聲學編碼器)、decoder/Prediction(預測器)、joiner(融合器)

模型資料夾內部檔案，要在OnlineModelConfig 填入對應的項目名稱
備註：OnlineModel的Online 是指即時串連的語音轉文字模式，與是否網路連線無關

encoder：將語音特徵轉換成向量的聲學表徵

decoder：根據已輸出的 token 序列，預測下一個 token 是什麼。

Joiner：
把 encoder 的聲學表徵與 decoder 的語言上下文表徵融合，
為詞彙表中每個候選 token 輸出一個分數，供後續解碼挑選。

備註：
語言模型不是直接讀人類的中英文字詞，而是先將人類的字詞拆分成一個個小token，
透過token映射的對應ID編號進行查找。

token : 模型處理的最小單位。
token 序列 : 一段文字拆解後，轉換成一連串的 token。

模型設定流程：
createOnlineRecognizer → getModelConfigByModelName → sherpa_onnx.OnlineModelConfig

Future<sherpa_onnx.OnlineRecognizer> createOnlineRecognizer(
    String modelName) async {
  final type = 0;
  final localModelConfig =
      await getModelConfigByModelName(modelName: modelName);
  final config = sherpa_onnx.OnlineRecognizerConfig(
    model: localModelConfig,
    ruleFsts: '',
  );

  return sherpa_onnx.OnlineRecognizer(config);
}
----
Future<sherpa_onnx.OnlineModelConfig> getModelConfigByModelName(
    {required String modelName}) async {
  final Directory directory = await getApplicationDocumentsDirectory();
  final modulePath = join(directory.path, modelName);
  switch (modelName) {
    case "sherpa-onnx-streaming-zipformer-bilingual-zh-en-2023-02-20":
      final modelDir = modulePath;
      return sherpa_onnx.OnlineModelConfig(
        transducer: sherpa_onnx.OnlineTransducerModelConfig(
          encoder: '$modelDir/encoder-epoch-99-avg-1.int8.onnx',//聲學編碼
          decoder: '$modelDir/decoder-epoch-99-avg-1.onnx',//預測器
          joiner: '$modelDir/joiner-epoch-99-avg-1.onnx',//融合器
        ),
        tokens: '$modelDir/tokens.txt',
        modelType: 'zipformer',
      );
    default:
      throw ArgumentError('Unsupported modelName: $modelName');
  }
}

三、語音轉文字流程總覽

[麥克風輸入]
  └─ 16 kHz / Mono / PCM16
      │
      ├─ Int16 → Float32 
      │
   [前端特徵/訊號處理]（加窗、梅爾頻譜…）
      │
   [Encoder 聲學編碼器]  →  產生高階表徵
      │
      │   ┌───────────────────────────┐
      └──▶│ Joiner 融合器 │───▶ 輸出分數 logits → 搜尋/解碼 → token  → 文字
          └───────────────────────────┘
                    ▲
                    │
          [Prediction/Decoder 預測網路/預測器]（只看已輸出 token）

1. 取樣：聲波的連續聲壓，由麥克風轉為連續電壓後，以固定頻率量測電壓(次/秒)。