1. 为什么选择 Whisper 替代 Vosk？
我之前用 Vosk 做离线语音识别确实挺方便的，特别是那个 40MB 的小模型文件，在树莓派 5 上几乎瞬间就能响应。但用久了发现一个问题：中文识别准确率还是不够理想，特别是当我说得稍微快一点或者带点口音的时候，它经常会听错。
后来我试了 OpenAI 的 Whisper，虽然模型大了不少（我用的 base 版本大约 150MB），但识别准确率真的提升很明显。最重要的是，Whisper 支持热词增强功能，这对智能家居控制特别有用！我可以把'开灯'、'关风扇'这些指令设为热词，识别准确率直接拉满。
实测下来，Whisper 在树莓派 5 上的响应速度依然能保持在毫秒级。我用 Python 写了个简单的测试脚本：
import whisper
import time
model = whisper.load_model("base")
start = time.time()
result = model.transcribe("test_audio.wav")
end = time.time()
print(f"识别结果：{result['text']}")
print(f"耗时：{(end - start) * 1000:.2f}ms")
测试了 10 次 3 秒的音频，平均识别时间在 800ms 左右，最快的一次只用了 620ms。这个速度对于语音控制来说完全足够了，毕竟人说完话还要稍微停顿一下呢。
2. EdgeTTS：让离线语音更自然
之前的方案用的是 pyttsx3 + espeak，那个机械音真的是一言难尽...我家孩子老说听起来像'机器人感冒了'。后来发现了 EdgeTTS，虽然它原本是在线服务，但我们可以把语音缓存下来实现离线使用！
EdgeTTS 最大的优势是声音自然度，用的是微软的语音合成技术，支持多种中文声音选择。我特别喜欢'zh-CN-XiaoxiaoNeural'这个声音，很接近真人发音。
缓存语音的方法很简单：
from edge_tts import Communicate
import asyncio
import os
async def cache_tts(text, voice, filename):
if os.path.exists(filename):
return # 已经缓存过了
communicate = Communicate(text, voice)
await communicate.save(filename)
# 预先缓存常用语音
common_commands = [
("好的，灯已打开", "zh-CN-XiaoxiaoNeural", "light_on.mp3"),
(, , ),
(, , )
]
text, voice, filename common_commands:
asyncio.run(cache_tts(text, voice, filename))
