stt-server

WebSocket 实时语音转文字，边说边出字，可换 ASR 后端

stt-server 是一个用 Python 编写的实时语音转文字 WebSocket 服务，目标是把 ASR 能力以流式接口暴露给前端或后端应用。它通过可插拔的 ASR 后端设计，支持接入 Qwen3-ASR、vLLM 等模型服务，避免把识别逻辑与业务代码耦合。核心能力包括：基于能量的 VAD 自动切分语音段，减少无效推理；流式返回部分识别结果，让用户边说边看到文字；内置 Prometheus 指标，方便监控延迟、并发和识别量。项目定位偏基础设施层，适合需要自建实时字幕、语音输入或会议转录能力的团队，用 WebSocket 长连接替代轮询式 HTTP 调用，降低端到端延迟。整体代码量不大，属于早期项目，但方向明确：把 ASR 后端、VAD、流式输出和可观测性打包成一个可直接部署的服务。