Vosk 多语言语音识别避坑指南：字符编码与模型下载一步到位

【免费下载链接】vosk-api Offline speech recognition API for Android, iOS, Raspberry Pi and servers with Python, Java, C# and Node 项目地址: https://gitcode.com/GitHub_Trending/vo/vosk-api

🔑 用 Vosk 之前，先记住三条基本规则

离线运行：Vosk 是离线语音识别工具包，模型下载后就在本地跑，识别阶段不联网，Android、iOS、树莓派到服务器都能部署。
文本一律 UTF-8：核心 C API（接口定义见 src/vosk_api.h）把模型路径、识别结果、后处理文本统一按 UTF-8 处理，所有语言的行为一致，乱码多半出在这个约定之外。
采样率写死 16000：创建识别器时采样率参数填 16000，送入的音频也必须是 16kHz 单声道 16 位 PCM，三者对不上，识别质量直接掉。

📦 选对语言模型：从语言清单到模型下载

模型选错，是乱码之外最大的坑。Vosk 每种语言都有专门训练的模型：

亚洲语言：中文、日语、韩语、越南语、菲律宾语
欧洲语言：英语、德语、法语、西班牙语、葡萄牙语、意大利语、荷兰语、俄语、乌克兰语、波兰语、捷克语、瑞典语
其他：阿拉伯语、希腊语、土耳其语、波斯语、印地语、世界语

拿到模型分两步：

从模型列表中找到对应语言的压缩包，中文模型是 vosk-model-cn-0.22，下载后解压到一个目录；
把 Model() 的构造参数指向这个目录即可。Python 绑定还支持按语言代码或模型名自动拉取模型，list_languages() 能直接打印支持的语言清单，相关逻辑都在 python/vosk/init.py 里。

需要看源码或其他语言绑定（Java、C#、Go、Node.js、Kotlin、Ruby 都有），clone 仓库 https://gitcode.com/GitHub_Trending/vo/vosk-api 即可。

🏃 跑通第一次识别：最小可行流程

流程很短：加载模型、创建识别器、循环喂音频块、取结果，仓库自带示例参考 python/example/test_simple.py。下面这段代码解决"从零跑通一段中文音频"的问题：

from vosk import Model, KaldiRecognizer
import wave, json
model = Model("vosk-model-cn-0.22")
rec = KaldiRecognizer(model, 16000)
wf = wave.open("chinese_audio.wav", "rb")
while True:
    data = wf.readframes(4000)
    if not data:
        break
    if rec.AcceptWaveform(data):
        print(json.loads(rec.Result())["text"])
print(json.loads(rec.FinalResult())["text"])

三个要点：

AcceptWaveform 返回 True 表示这段音频产生了最终结果，收尾再调一次 FinalResult；
识别结果是 JSON 字符串，text 字段就是识别文本，UTF-8 编码；
每次只读 4000 帧、边读边喂，内存占用稳定，适合流式场景。

16k 采样率怎么设

参数只有一个：KaldiRecognizer(model, 16000) 的第二个值。音频端则要先确认 WAV 头里的采样率就是 16000、单声道、16 位 PCM，不是的话先转采样再送进来。

🔍 乱码对号入座：按平台分条处理

识别器的输出本来就是正确的 UTF-8，乱码几乎都发生在"出口"环节：

Python：Result() 返回的已是 UTF-8 字符串，直接 print 一般没问题；乱码多发生在把结果写进文件、再被按 GBK 读回来。文件读写时显式指定 UTF-8 编码即可解决。
Java/Kotlin：native 层返回的是字节数组，转字符串时别依赖平台默认编码，显式按 UTF-8 构造 String，写法可对照 java/lib/src/main/java/org/vosk/Recognizer.java；Kotlin 侧拿到字节数组后同样按 UTF-8 解码。
Windows：系统默认代码页常是 GBK，中文结果经过命令行显示或写入文本文件时容易变成问号，所有输出环节都要显式声明 UTF-8，HTTP 响应头也带上 charset。
Linux/macOS：默认就是 UTF-8，通常不用额外配置，重点还是检查文件保存这一步。

✨ 输出打磨：规范化加显式 UTF-8 落盘

识别结果常带数字、缩写这类原始写法。Vosk 的 postprocessor 模块基于 FST 图（tagger 和 verbalizer 两个 fst 文件）做文本规范化，对中文等需要特殊处理的语言尤其有用，接口定义在 src/postprocessor.h：构造时传入两个 fst 路径，调用 Normalize 拿回规范后的文本。C# 绑定里也内置了 UTF-8 字符串转换方法（见 csharp/nuget/src/VoskRecognizer.cs），各语言写法不同，原则只有一条：结果落盘必须显式 UTF-8。

结果文件为什么必须用 UTF-8 保存

中间环节只要有一步按非 UTF-8 存盘，法语重音、德语变音符号这类字符就会丢。下面这段代码解决"中文结果写文件变成 \uXXXX 或乱码"的问题：

result = {"text": final_text, "language": "zh-CN"}
with open("result.json", "w", encoding="utf-8") as f:
    json.dump(result, f, ensure_ascii=False, indent=2)
with open("result.txt", "w", encoding="utf-8") as f:
    f.write(final_text)

注意 ensure_ascii=False，否则 JSON 里的中文会变成转义序列，人读起来不友好。

常见问题速查

现象	原因	处理办法
中文变成问号或方块	读取或显示端默认编码不是 UTF-8	所有文件读写显式指定 UTF-8
结果里混着大量无关英文	语言模型选错，比如拿英文模型识中文	换回对应语言的模型重新识别
识别率明显偏低	音频不是 16000Hz 单声道 16 位	先转成 16k 单声道 PCM 再送入
重音、变音符号丢失	中间文件用了非 UTF-8 编码保存	全链路统一按 UTF-8 重新保存
解析识别结果报错	结果里混入非标准 UTF-8 字节	检查从识别器到落盘的整条链路