Vosk 离线语音识别编码指南：3步搞定多语言结果从乱码到干净中文

Vosk 离线语音识别编码指南：3步搞定多语言结果从乱码到干净中文

【免费下载链接】vosk-apiOffline 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

Windows 上跑完中文识别，输出 txt 打开全是???；Linux 上跑法语音频，结果却变成é。这是用 Vosk 离线语音识别做多语言字符编码时最常见的两种翻车现场，而且它们都跟模型本身没关系。

Vosk 怎么处理文本：乱码要查的3个编码边界

看 src/vosk_api.h 的接口签名，所有返回识别结果的函数都是const char*。也就是说：

所以 C 库从不管编码，出问题的只有两处：绑定层"字节→字符串"的解码，和你"字符串→文件/控制台"的写出。

另一个特例：ITN 后处理器

中文模型默认吐出"一六零"这种口语读法，想要"160"得走 ITN（逆文本规范化，把口语文本转回符号）后处理器。它在 C 库内部用 FST（有限状态转换器，理解成一张文本转换规则表即可）的 tagger 和 verbalizer 完成转换，输入输出依旧是 UTF-8。

🔧 第一次跑通：从下模型到拿到中文结果，三步走完

环境准备：装 vosk 并下载中文模型

这一步让 Python 绑定代你下载中文小模型，并解压进本地缓存目录。

pip install vosk

from vosk import Model model = Model(lang="zh-cn")

做完这步你应该看到~/.cache/vosk（Windows 是%LOCALAPPDATA%\vosk）下多了 vosk-model-small-zh-cn-0.22 目录，Python 侧不用再做任何配置。

加载模型，一句拿到识别结果

把 wav 打开，按 4000 帧（16k 下约 0.25 秒）一块喂给识别器，返回完整句子时打印 JSON 里的text字段。

import json, wave from vosk import KaldiRecognizer wf = wave.open("chinese.wav", "rb") rec = KaldiRecognizer(model, wf.getframerate()) while True: data = wf.readframes(4000) if len(data) == 0: break if rec.AcceptWaveform(data): print(json.loads(rec.Result())["text"]) print(json.loads(rec.FinalResult())["text"])

注意 Recognizer 的采样率传wf.getframerate()，跟着音频走，别手填 16000。做完这步你应该看到：Linux/macOS 终端里中文已经干净利落。

Kotlin 里正确解码 Vosk 返回结果

JVM 版走 JNA 调 libvosk，result拿到的已经是 String，唯一要防的是 JVM 进程默认编码：

java -Dfile.encoding=UTF-8 -jar vosk-demo.jar

如果你在 Kotlin/Native 目标上，则自己显式解码 C 返回的字节串：

val text = String(validatingUTF8: jsonBytes)!!

做完这步你应该看到：同一段 wav 两种语言的识别文本逐字一致，没有乱码。

中文乱码、法式 é？按语言族分，坑不一样

乱码的形态跟着文字体系走，咱们按语言族分，不列长清单。

Python 绑定的模型自动下载缓存目录在 python/vosk/init.py 的 MODEL_DIRS 列表里，模型放哪儿、往哪儿找，看这一个文件就够。

Vosk UTF-8 配置与多语言切换：3 个"如果你遇到 X"判断

如果你遇到 Windows 控制台或文件里全是???，大概率是系统默认代码页 GBK 而 Vosk 输出的是 UTF-8：

set PYTHONUTF8=1 python test_simple.py

如果你遇到网页里法语识别结果显示成é，大概率是响应头漏了 charset 声明：

res.setHeader("Content-Type", "text/plain; charset=utf-8");

如果你遇到需要在同一进程里中英文切换，别指望换个模型再塞回同一个 Recognizer——Model 可以共享，Recognizer 是单线程的、绑定一条音频流，正确姿势是每种语言一个实例：

recs = {"zh": KaldiRecognizer(model_zh, 16000), "en": KaldiRecognizer(model_en, 16000)} print(json.loads(recs[lang].Result())["text"])

上线前一张检查清单

• 音频 16000Hz 单声道 16-bit，与 Recognizer 采样率一致
• 文件写出全部显式encoding="utf-8"
• Windows 环境已设PYTHONUTF8=1
• 每种语言独立 Recognizer，不切换模型
• 数字、单位输出已接 ITN 后处理器

现在就拿一段 16000Hz 的中文 wav，跑一遍上面第二步的代码，终端干净打出"你好"两个字，你的编码配置才算真正过关。

【免费下载链接】vosk-apiOffline 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