CrispStrobe/CrispASR

C++ ggml runtime hub for multilingual ASR and TTS models: Cohere Transcribe, Parakeet TDT, Voxtral, Canary 1B v2, etc, plus universal forced alignment, and more

CrispASR – 单一二进制、多模型语音引擎

简介 – CrispASR 是一款纯 C++ 命令行工具（及库），可通过单一可执行文件运行 119 种不同的语音相关模型，涵盖 自动语音识别 (ASR) 与 文字转语音 (TTS)。它基于开源的 whisper.cpp 项目，并为许多其他 GGUF 格式模型（如 Parakeet, Canary, Qwen-3, Voxtral 等）提供统一的运行时。无需 Python、PyTorch 或针对每个模型单独的二进制文件；您只需下载模型文件并指向该工具即可。

核心功能

功能	详细说明
单一二进制，119 个后端	使用 `--backend NAME` 选择后端，或让程序从 GGUF 文件自动检测模型类型。
ASR + TTS + 翻译	支持 OpenAI Whisper, NVIDIA Parakeet, Qwen-3, Voxtral, Granite-Speech, wav2vec2 以及 62 种不同的 TTS 引擎（Kokoro, Qwen3-TTS, Bark, Piper 等）。
零 Python 依赖	纯 C++ 运行时；提供 Python, Rust, Dart, Go, Java, Ruby, JavaScript 的可选语言绑定。
跨平台	提供 Windows, macOS (Intel & Apple-Silicon), Linux 的预构建二进制文件，以及用于浏览器的 4.3 MB WebAssembly 构建。
GPU 支持	提供独立的 CUDA, Vulkan 与 HIP 构建；CUDA 构建可回退至 CPU，Vulkan/HIP 需对应驱动程序。
服务器模式	以 HTTP API 运行 (`crispasr --server …`)，并可配置工作线程以处理并发请求。
流与实时转录	实时麦克风捕获与 WebSocket 流。
后处理	字级时间戳、SRT/VTT/JSON 导出、说话人分离 (diarization)、语言检测与可选翻译。
模型管理	`-m auto` 可自动下载模型至 `~/.cache/crispasr/`；`crispasr --list-backends` 可显示所有支持的模型。
合规性	提供关于欧盟 AI 法案、合成音频水印及语音克隆同意的文档。

典型工作流程（无需构建）

下载二进制文件：从 Releases 页面下载适用于您操作系统的版本。

运行 TTS 演示：

crispasr --backend kokoro -m auto \
       --tts "The quick brown fox jumps over the lazy dog." \
       --tts-output hello.wav

转录结果：
```
crispasr --backend parakeet -m auto -f hello.wav -l en
```
您将看到转录文字输出以及处理速度（例如 10× 实时速度）。

生态系统

CrisperWeaver – 一款 Flutter UI 应用程序（桌面与移动版），使用 CrispASR 进行离线转录。
CrispEmbed – 用于文本嵌入、OCR 与多模态检索的姊妹库，共享相同的 GGUF 运行时。
Susurrus – 一款封装多种 ASR 后端的 Python GUI；CrispASR 的 C++ 方法是其对应方案。

入门与资源

快速入门文档 – docs/getting-started.md 引导您完成首次运行。
完整功能矩阵 – docs/feature-matrix.md 列出所有后端及其功能。
服务器与并发 – docs/server.md 与 docs/concurrency.md 解释如何扩展 HTTP API。
绑定 – docs/bindings.md 说明如何从其他语言调用 C-ABI。
基准测试 – docs/benchmarking.md 提供可重现的计时脚本。
实时展示 – HuggingFace Space 位于 https://huggingface.co/spaces/cstr/CrispASR。

适用对象

开发者：需要轻量、可移植语音引擎，且不想引入庞大 Python 堆栈的人。
边缘/离线应用（移动设备、嵌入式、浏览器）：偏好单一二进制或 WASM 模块的场景。
研究人员：希望快速实验多种开放权重 ASR/TTS 模型的人。
企业：需要本地部署解决方案且授权明确（大多数模型为 MIT/Apache-2.0 或 CC-BY）的单位。

总结 – CrispASR 是一款真正可投入生产的语音处理工具组，将大量开放权重模型统一在单一、快速的 C++ 二进制文件中，并提供可选的绑定与服务器功能。