Aria

KO | EN

gitlite — search

#react #llm #go #android #machine-learning #java #awesome #cli #vue #awesome-list #security #openai #ios #open-source

(★ 71)

Windows 本地 AI 语音输入：Qwen3-ASR CPU/GPU 双运行形态、本地屏幕 OCR 上下文、热词纠错与可选 AI 润色。

Aria 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# Aria — Windows 本地 AI 语音输入

**本地语音识别 · 本地屏幕 OCR 上下文 · 热词纠错 · 可选 AI 润色 · CPU / GPU 双运行形态**

[![Version](https://img.shields.io/badge/version-1.5.6-blue.svg)](https://github.com/Xingxun7777/Aria/releases/latest)
[![License](https://img.shields.io/badge/license-Apache%202.0-green.svg)](https://raw.githubusercontent.com/Xingxun7777/Aria/main/LICENSE)
[![Platform](https://img.shields.io/badge/platform-Windows%2010%2F11-lightgrey.svg)](https://raw.githubusercontent.com/Xingxun7777/Aria/main/)
[![Python](https://img.shields.io/badge/python-3.12-blue.svg)](https://www.python.org/)

[下载](#下载与选择) · [快速开始](#快速开始) · [默认状态](#当前默认状态) · [架构](#当前架构) · [OCR 模块](docs/OCR.md) · [隐私](docs/PRIVACY_DATA.md) · [参与开发](CONTRIBUTING.md)

</div>

---

## 项目目的

Aria 是一个面向 Windows 桌面输入场景的本地语音输入项目。它的目标不是把语音识别单独做成演示，而是把“按下热键—说话—纠错—输入—恢复现场”做成可长期使用的完整链路：

- 识别默认在本机完成，不配置账号也能使用；
- CPU 机器有开箱即用的轻量运行时，NVIDIA GPU 可按需启用高质量运行时；
- 屏幕 OCR 通过窗口标题、UI Automation 和本地截图识别提供专名证据，同时限制脏页面文字对 ASR 的干扰；
- 热词、屏幕证据和近期上下文用于纠正专名与同音词，但不能改变用户原意；
- AI 润色、云端识别救援均为可选能力，默认关闭；
- 语音输入借用剪贴板时，必须恢复原来的文字、图片、文件或空状态；
- 配置、历史和模型属于用户数据，更新程序不能覆盖它们。

当前稳定线是 **1.5**。这一版本已经从旧的单一 PyTorch 运行时重构为三运行时架构。

## 当前默认状态

| 场景 | 默认值 | 是否联网 | 说明 |
|---|---|---|---|
| 标准版 | `qwen3_sherpa` | 否 | sherpa-onnx int8 + Qwen3-ASR 0.6B，纯 CPU |
| GPU 形态 | `qwen3_llamacpp` | 仅本机回环 | llama.cpp CUDA + Qwen3-ASR 1.7B Q8；识别请求只发往 `127.0.0.1` |
| 源码模板 | `qwen3` | 否 | 可选 PyTorch 运行时；开发者也可切换到另外两个运行时 |
| AI 润色 | 关闭 | 开启后会联网 | 默认模型 `deepseek-v4-flash`；没有 Key 时不调用 |
| 云端识别救援 | 关闭 | 开启后会联网 | 只有显式配置并启用后才上传失败语段 |
| 屏幕 OCR 采集 | 开启 | 否 | 本地生成标题/OCR 短期缓存；默认不上传、不保存截图，也不把 OCR 原文直接塞进转写 |
| 屏幕感知增强 | 关闭 | 开启后随润色联网 | 只有与 AI 润色同时显式开启，才把文字摘要交给用户配置的 API |
| 自动热词学习 | 关闭 | 开启审查后会联网 | 默认不持久化 OCR 候选词，也不调用热词审查 API |
| 润色风格 | 逐字保真 | 取决于润色开关 | 默认只修错字和标点 |
| 收音模式 | 正常 | 否 | 可切换嘈杂 / 轻语 |
| 调试录音 | 不保存 | 否 | 只有设置 `ARIA_DEBUG_SAVE_AUDIO=1` 才落盘 |

> Qwen3-ASR 官方模型覆盖 30 种语言与 22 种中文方言。不同 Aria 运行时使用不同量化和推理后端，能力与速度仍以实际硬件和音频为准。

## 当前架构

```text
前台窗口 ── 标题 / UI Automation / 窗口截图
                         │
                         ▼
              本地 ScreenOCR 上下文缓存
                         ├── fast：过滤后的短关键词 → ASR context
                         ├── quality：显式开启后 → AI 润色证据
                         └── 可选自动热词学习（默认关）

热键 / 持续监听 / 唤醒词
            │
音频采集 → DSP / VAD / 声学判定
            │
┌─────────────────────────────────────────────┐
│ qwen3_sherpa │ qwen3_llamacpp │ qwen3      │
│ CPU 0.6B     │ GPU 1.7B Q8    │ PyTorch    │
└─────────────────────────────────────────────┘
            │
            ├── 最终转写失败 → 引擎自愈 / 可选云端救援
            ▼
热词纠错 + 近期上下文 + 受控的屏幕证据
            ├── 可选 AI 润色
            ▼
输出注入 + 剪贴板恢复 + 历史记录 + UI 状态
```

四个 ASR 类型共用同一条后处理、输出和历史链路：

| `asr_engine` | 运行时 | 用途 |
|---|---|---|
| `qwen3_sherpa` | sherpa-onnx int8 | 标准版默认；无显卡也能运行 |
| `qwen3_llamacpp` | llama.cpp CUDA + GGUF | GPU 形态默认；常驻本机 `llama-server` 子进程 |
| `qwen3` | PyTorch | 源码/legacy 环境兼容 |
| `funasr` | FunASR Paraformer | 中文备用引擎 |

详细切换、文件布局和诊断方法见 [引擎指南](docs/ENGINES.md)。

## 屏幕 OCR 上下文模块

OCR 在 Aria 中不是附属截图功能，而是与 ASR、热词、润色并列的上下文子系统：

- **三层取证**：窗口标题立即可用；原生应用优先读取 UI Automation 文档文本；浏览器、终端和自绘界面由窗口截图 OCR 补齐。
- **本地多级回退**：`PP-OCRv5 DirectML → PP-OCRv5 CPU → RapidOCR v4 CPU → Windows OCR → 仅标题`。
- **崩溃隔离**：DirectML 跑在独立 OCR worker；驱动或 ONNX Runtime native 崩溃只会结束 worker，主程序自动切 CPU。
- **延迟受控**：OCR 后台运行并按窗口缓存；fast 模式永不等待，quality 模式只在确有屏幕证据需求时做预测式有界等待。
- **证据而非输入**：OCR 原文不会直接插入输出。出厂默认只做本地采集；屏幕增强、自动热词学习和完整文字诊断日志都需要显式开启。

完整数据流、默认值、缓存策略、后端诊断和隐私边界见 [屏幕 OCR 模块说明](docs/OCR.md)。

## 下载与选择

公开 Release 固定提供两个文件：

| 文件 | 用途 |
|---|---|
| `Aria-v1.5.6-Windows.zip` | 唯一的新安装包；CPU 解压即用，包内含 GPU 一键安装器 |
| `Aria-source-1.5.6.zip` | 应用内自动更新载荷；普通新安装不需要下载 |

[前往最新 Release](https://github.com/Xingxun7777/Aria/releases/latest)

**怎么选：**

- 没有 NVIDIA 显卡：解压后直接双击 `Aria.exe`，默认使用 CPU 轻量引擎。
- 有 NVIDIA 显卡：解压后先双击 `Install_GPU.cmd`。它只使用包内 Python，下载约 3.1 GB 的固定 GPU 资产，逐项校验 SHA256，并实际加载模型、确认 `llama-server` 出现在 NVIDIA GPU 进程中；全部通过后才会切换 GPU 引擎。
- GPU 安装失败不会把 CPU 配置改坏；按窗口里的明确错误修复驱动、网络或磁盘空间后重跑即可，下载支持断点续传。
- 维护者仍会构建约 4.8 GB 的完整 GPU 目录做发行验收，但其单个归档超过 GitHub Release 的单资产限制，不作为公开附件。
- 旧版只用于历史追溯，不再作为新安装入口。

## 快速开始

1. 下载 `Aria-v1.5.6-Windows.zip`，完整解压到普通可写目录；不要在压缩包预览窗口内直接运行。
2. CPU 用户直接双击 `Aria.exe`。
3. NVIDIA GPU 用户先保持 Aria 关闭，双击 `Install_GPU.cmd`；看到“GPU installation passed”后再双击 `Aria.exe`。
4. 按反引号键 `` ` `` 开始说话，再按一次结束。

不配置 API Key 也能完成本地识别、热词纠错、语音指令和文字输入。

### 可选：开启 AI 润色

1. 右键托盘图标 → 设置 → API。
2. 使用 DeepSeek 推荐配置或填写兼容接口。
3. 粘贴自己的 API Key，测试成功后保存。
4. 按需开启“屏幕感知增强”。

开启后，识别文本以及必要的屏幕上下文会发送给所配置的 API。具体边界见 [数据与隐私说明](docs/PRIVACY_DATA.md)。

## 主要能力

- **本地语音识别**：标准版无需显卡；GPU 形态使用本机 llama.cpp 服务。
- **声学防线**：VAD、能量、峰值与置信度联合判断，减少低音量吞字和安静环境幻觉。
- **识别自愈**：超时、异常或空结果会触发引擎重建和救援策略。
- **热词与同音纠错**：支持权重、替换规则、拼音近似和屏幕专名学习。
- **屏幕 OCR 上下文**：标题、UI Automation、RapidOCR/Windows OCR 多级采集；独立 DML worker、CPU 回退、短期缓存和受控上下文路由。
- **三档润色**：逐字保真 / 顺畅口语 / 结构化文档。
- **语音指令**：翻译、总结、回复、截图、提醒、打开程序或路径。
- **剪贴板保护**：恢复文字、图片、文件列表和空剪贴板；退出前冲刷等待中的恢复任务。
- **自动更新**：校验更新载荷后只替换程序文件，保留配置、历史和模型。

## 运行进程说明

这部分是运行时身份说明，不是产品功能宣传：

| 进程 | 来源与职责 |
|---|---|
| `Aria.exe` | 启动器；负责定位便携运行时并启动应用 |
| `AriaRuntime.exe` | Aria 使用的嵌入式 CPython 运行时；写入 Aria Project 的文件说明、版本和图标，避免任务管理器显示成匿名 `pythonw.exe` |
| `llama-server.exe` | llama.cpp 上游组件；仅在 GPU 引擎启用时运行，保留上游文件名和身份，不伪装成 Aria |

GPU 服务只绑定 `127.0.0.1`。Aria 只管理自己启动且资产匹配的子进程；发现端口被其他程序占用时会停止切换，不会结束无关进程。

## 数据与隐私

- 麦克风音频默认只进入本地 ASR，处理完成后不保存原始 WAV。
- OCR 窗口截图默认只在内存中处理，不保存图片；默认日志只写后端、耗时、长度和哈希，不写完整页面文字。
- 热词、替换规则、历史记录、提醒和日志只存于当前安装目录。
- API Key 使用 Windows DPAPI 加密；发布包不携带维护者或构建机器配置。
- AI 润色、云端救援、更新检查和 GPU 资产下载是独立联网能力，说明和关闭方式见 [数据与隐私说明](docs/PRIVACY_DATA.md)。
- `llama-server` 的 HTTP 端口只监听本机回环地址，不是公网服务。

安全问题请按 [安全策略](SECURITY.md) 私下报告。

## 从源码运行

```powershell
git clone https://github.com/Xingxun7777/Aria.git
cd Aria
py -3.12 -m venv .venv
.\.venv\Scripts\python.exe -m pip install torch==2.8.0 torchvision==0.23.0 torchaudio==2.8.0 --index-url https://download.pytorch.org/whl/cu128
.\.venv\Scripts\python.exe -m pip install -r requirements.txt
copy config\hotwords.template.json config\hotwords.json
.\.venv\Scripts\python.exe launcher.py
```

源码模板默认使用 `qwen3` PyTorch CUDA 运行时，首次加载模型时需要联网下载模型资产；上面的 CUDA 12.8 安装行与仓库锁定版本一致。只想直接使用 CPU 版时，请优先下载 Release 的标准版，而不是安装整套开发依赖。

运行时配置文件已被 `.gitignore` 排除。不要提交 `config/hotwords.json`、`wakeword.json`、日志、历史、模型或 API Key。

开发环境、测试命令与目录职责见 [贡献指南](CONTRIBUTING.md)。

## 项目结构

公开仓库是每次发布生成的运行源码快照，目录只包含应用源码、出厂模板、运行资产和用户文档：

```text
Aria/
├── app.py                    # 应用状态机、录音与 ASR 编排
├── launcher.py               # 单实例、启动画面、更新恢复
├── aria/                     # 稳定的 Python 包入口
├── core/
│   ├── asr/                  # 三个 Qwen3 运行时、FunASR、救援与声学策略
│   ├── audio/                # 音频采集、DSP、VAD、增益
│   ├── context/              # 三层屏幕 OCR、独立 DML worker、缓存与上下文路由
│   ├── hotword/              # 热词、纠错、润色
│   ├── history/              # 历史记录
│   ├── selection/            # 选区操作
│   ├── trigger/              # 热键/按住说话状态机
│   └── wakeword/             # 唤醒词与语音指令
├── system/                   # 全局热键、输出、剪贴板与权限
├── ui/qt/                    # PySide6 界面
├── config/                   # 可公开模板；运行时 JSON 不入库
├── assets/                   # 图标、VAD 与界面运行资产
├── docs/                     # 配置、引擎、OCR、数据与隐私说明
├── CONTRIBUTING.md           # 贡献约定
└── SECURITY.md               # 安全报告与支持边界
```

发布构建、维护者测试、一次性诊断和本机配置不进入公开快照。公开仓的每个版本仍可直接检查完整运行源码，并可针对当前快照提交 Issue 或 Pull Request。

## 配置速查

| 字段 | 默认值 |
|---|---|
| `general.hotkey` | 反引号键 `` ` `` |
| `polish.enabled` | `false` |
| `polish.model` | `deepseek-v4-flash` |
| `polish_style` | `verbatim` |
| `asr_rescue.enabled` | `true` |
| `asr_rescue.cloud_enabled` | `false` |
| `vad.screen_ocr` | `true` |
| `vad.screen_ocr_polish` | `false` |
| `vad.screen_ocr_use_dml` | `true` |
| `vad.screen_ocr_force_cpu` | `false` |
| `auto_hotword.enabled` | `false` |
| `audio.capture_mode` | `standard` |
| `output.typewriter_mode` | `false` |

完整字段见 [配置参考](docs/CONFIGURATION.md)。

## 系统要求

| 项目 | 标准版 | GPU 形态 |
|---|---|---|
| 操作系统 | Windows 10/11 64 位 | Windows 10/11 64 位 |
| CPU | x64，建议 4 核以上 | x64 |
| 内存 | 8 GB，建议 16 GB | 建议 16 GB |
| 显卡 | 不需要 | NVIDIA CUDA 显卡，建议至少 6 GB 可用显存 |
| Python | 便携包不需要；源码开发使用 3.12 | 同左 |

## 许可证与致谢

本项目采用 [Apache License 2.0](LICENSE)。

主要上游组件：

- [Qwen3-ASR](https://github.com/QwenLM/Qwen3-ASR) — Apache 2.0
- [sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx) — Apache 2.0
- [llama.cpp](https://github.com/ggml-org/llama.cpp) — MIT
- [FunASR](https://github.com/modelscope/FunASR) — MIT
- [Silero VAD](https://github.com/snakers4/silero-vad) — MIT
- [PySide6](https://www.qt.io/) — LGPL v3
- [RapidOCR](https://github.com/RapidAI/RapidOCR) — Apache 2.0

项目依赖与第三方许可证以各组件随附许可为准。

Aria

Aria 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Aria

Aria 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README