hayamimi 是什么?纯 CPU 实时多语言语音转文字，带字幕、说话人标签与翻译
中文导读
hayamimi 是开源项目,站内分类为 AI 语音。简介:纯 CPU 实时多语言语音转文字，带字幕、说话人标签与翻译。项目说明中列出的主要功能包括:5 路语言路由：ja/zh/ko/yue/en 及 24 种欧盟语言使用专用模型，其余语言回退到 Omnilingual ASR；实时部分字幕与快速最终行：说话中约每 0.5 秒更新草稿，停止后约 100ms 给出最终行；两遍精修：静音 2 秒后对近期语音批量重解码，提升准确率。适合希望在无 GPU、无云 API 的本地环境中做实时字幕、会议记录或直播字幕的开发者与普通用户，尤其是需要日语等多语言识别的场景。
根据 GitHub 公开数据,该项目的编程语言为 Python,开源协议未注明,创建于 2026-08-25,最近更新于 2026-09-17,目前有 445 个 Star。
项目介绍
hayamimi（早耳）是一个纯 CPU 运行的实时多语言语音转文字项目。它不依赖 GPU 或云端 API，所有模型都以 INT8 量化的 ONNX 形式通过 sherpa-onnx 运行，常驻内存控制在 2GB 以内。设计目标是边说边出字幕，说完约 100ms 后给出最终行。
与只用 Whisper 的方案不同，hayamimi 按语言把每段语音路由到对应的专用模型：ja/zh/ko/yue/en 及 24 种欧盟语言各有独立模型，其余约 1600 种语言回退到 Meta 的 Omnilingual ASR。README 称在真实日语广播音频上 CER 为 3.8%，对比 whisper-large-v3-turbo 的 13.8%，并在 6 核桌面 CPU 上以 10-50 倍实时速度运行。
项目提供浏览器仪表盘、OBS 叠加层、说话人标签、实时翻译、热词替换、CJK 数字规范化，以及 WebSocket 网络音频输入和 Windows 系统音频回环输入。
主要功能
- 5 路语言路由：ja/zh/ko/yue/en 及 24 种欧盟语言使用专用模型，其余语言回退到 Omnilingual ASR
- 实时部分字幕与快速最终行：说话中约每 0.5 秒更新草稿，停止后约 100ms 给出最终行
- 两遍精修：静音 2 秒后对近期语音批量重解码，提升准确率
- 说话人标签：--speakers 实时标注 S1/S2，精修阶段用 pyannote 重新聚类
- 实时翻译：--translate 支持日语行翻译到 en/zh/ko/es 等目标语言
- 浏览器仪表盘与 OBS 叠加层：--serve 启动本地 HTTP 服务，提供 dashboard、overlay 和 transcript 三个视图
- 多种音频输入：麦克风、WebSocket 网络音频、Windows 系统音频回环及混合输入
适合谁用
适合希望在无 GPU、无云 API 的本地环境中做实时字幕、会议记录或直播字幕的开发者与普通用户，尤其是需要日语等多语言识别的场景。
快速上手
- 创建虚拟环境并安装依赖（README 示例使用 .venv）
- 运行 python scripts/realtime_transcribe.py --serve 启动实时转写与本地仪表盘
- 浏览器打开 http://localhost:8833/dashboard 查看实时字幕与精修结果
- 如需网络音频输入，运行 python scripts/realtime_transcribe.py --input ws --serve，客户端连接 ws://<host>:8766/ingest 发送音频
- 如需翻译，添加 --translate en,zh,ko,es 等参数