免费（本机运行）设置教程

1选择"免费"作为提供商

打开 Sokuji 并导航到设置面板。从提供商下拉菜单中选择 "免费" 作为 AI 提供商。

2下载 ASR 模型

为您的源语言选择 ASR 模型。Sokuji 提供 42 个离线/流式模型，由 sherpa-onnx WASM 和 WebGPU（Cohere Transcribe、Voxtral Mini、Whisper）驱动，覆盖 99+ 种语言。模型大小从轻量级（约 5MB）到高精度（约 2GB+）不等。推荐使用 Cohere Transcribe 或 Voxtral Mini 4B Realtime 以获得最佳精度和速度。

3下载翻译模型

选择翻译语言对。选择 TranslateGemma 获得最佳质量和速度，选择 Opus-MT 进行快速 CPU 翻译，或选择 Qwen LLM 通过 WebGPU 进行更高质量的多语言翻译。

4下载 TTS 模型

下载 TTS 模型以获得语音输出。提供 136 个模型，覆盖 52 种语言，由 Piper、Coqui、Mimic3 和 Matcha 引擎驱动。如果在语音区块中打开了我听到的翻译（对方或两者模式），对方的翻译也会朗读给您听：这个方向有自己的 TTS 槽位，可以单独选择模型和声音。每个方向各自保存声音。

5开始翻译

点击 开始会话 按钮。识别和翻译在您的设备上实时进行；选择了 Edge TTS 语音时，朗读需要联网。

什么是“免费”提供商？

“免费”是完全在设备上运行的 AI 翻译管道，无需任何云服务即可运行 ASR、翻译和 TTS：

• 完全隐私 — 所有音频和文本处理都在设备上完成
• 初次下载模型后即可离线工作
• 无需 API 密钥、账户或订阅
• 由 WebAssembly (WASM) 和 WebGPU 驱动，提供接近原生的性能
• 免费使用，无使用限制

可用模型

“免费”提供商为翻译管道的每个阶段提供丰富的模型选择：

• ASR：42 个模型，包括 Cohere Transcribe、Voxtral Mini 4B Realtime、Whisper、SenseVoice、Moonshine、NeMo 和 Zipformer — 覆盖 99+ 种语言
• 翻译：74 个 Opus-MT 语言对用于快速 CPU 翻译，以及通过 WebGPU 运行的 TranslateGemma 和 Qwen LLM 支持多语言翻译
• TTS：136 个模型，覆盖 52 种语言，使用 Piper、Coqui、Mimic3 和 Matcha 引擎

VAD 设置（语音检测）

在设置的“语音模式”为“自动”时，点击旁边的“VAD 设置”可以调整本机的语音检测。按住说话和按住翻译两种模式则由您手动控制每一句的起止：

• 最大语音时长：一段话最长持续多久就会被切分（10–40 秒，默认 30 秒）；部分模型会更早切分，切在它能准确转写的最长长度上
• 语音前缓冲：保留检测到语音之前的一小段音频（最多 2 秒，默认 0.8 秒），避免句首的音被截掉；只在支持它的模型上显示
• 智能（Smart Turn）：不再固定等待一段静音，而是判断您是否已说完，说完后约 0.4 秒就结束这一句；句中停顿则继续听。首次开启会下载一个 31 MB 的模型，配合 WebGPU 语音识别模型使用
• 恢复默认：把以上设置改回默认值

硬件要求

• CPU (WASM)：适用于任何现代浏览器 — 无需特殊硬件
• WebGPU：可选 GPU 加速，用于 Cohere Transcribe、Voxtral Mini、Whisper ASR、TranslateGemma 和 Qwen 翻译模型 — 使用独立 GPU 可显著提升速度
• 建议：4GB+ 内存以便舒适地加载模型
• 存储空间：模型大小从 5MB 到 200MB+ 不等，取决于精度级别
• 需要现代浏览器：Chrome 113+、Edge 113+ 或 Firefox 120+ 以支持 WebGPU

TTS 设置

• 语速 — 控制合成语音的播放速度。调节语速滑块可以让输出语音变快或变慢，以满足您的需求。
• 说话人 ID — 控制合成语音的音色。许多模型支持多个说话人 ID，每个 ID 对应不同的音色。部分多说话人模型包含不同性别的音色，您可以通过选择不同的说话人 ID 来切换男声或女声。说话人 ID 或 Edge TTS 声音按方向保存：在一个方向的 TTS 槽位里选的声音，不会改变另一个方向。

常见问题

更新后声音被重置: 从 Sokuji 0.44.0 起，每个方向各自保存声音。旧版本里选的声音由两个方向共用，因此更新后每个方向会回到默认声音一次。请在每个方向的 TTS 槽位中重新选择声音。

我听到的翻译只显示文字: 如果出现提示“我听到的翻译只显示文字：内存不够同时加载对方的语音模型。”，说明两个方向的模型无法同时放进内存，所以对方的翻译开始时只显示文字，您自己的翻译仍会朗读。提示上的“设置”按钮会打开那个方向的 TTS 槽位：请选择更小的模型，或选择不占本机内存的 Edge TTS。

浏览器扩展里 Edge TTS 不再朗读: Edge TTS 现在改在 api.msedgeservices.com 上合成语音。扩展更新到 Sokuji 0.44.0 时，Chrome 或 Edge 会请求访问这个网站的权限，在您接受之前扩展会保持停用：请打开浏览器的扩展程序页面并接受新权限。桌面应用无需任何操作。

模型下载失败: 请检查初次下载时的互联网连接。模型缓存在本地 IndexedDB 中，后续使用可离线工作。如果下载损坏，请尝试清除浏览器数据。

ASR 无法识别语音: 确保您为源语言选择了正确的 ASR 模型。尝试使用更大的模型以提高准确度。检查麦克风是否正常工作且已授予权限。

翻译质量低: Opus-MT 模型针对速度而非质量进行了优化。如果您的设备支持 WebGPU，请尝试 TranslateGemma 或 Qwen LLM 模型以获得更好的效果。确保选择了正确的语言对。

WebGPU 不可用: WebGPU 需要兼容的浏览器和 GPU。可回退到基于 WASM 的模型（sherpa-onnx、Opus-MT），这些模型在任何现代浏览器上都可以运行，无需 GPU。

性能优化建议

1. 在可用时使用 WebGPU 模型以显著加快处理速度
2. 关闭其他浏览器标签页以释放内存用于模型加载
3. 在低端设备上或优先考虑速度时选择较小的模型
4. WASM 模型（sherpa-onnx、Opus-MT）兼容性更好但比 WebGPU 替代方案更慢
5. 监控浏览器内存使用 — 大型模型可能需要 2GB+ 的浏览器内存