AI智能体项目实战记录（16）：进阶学习 —— 添加语音识别功能，实现快速提问1. 引言1.1 为什么给问答系统加语音前 15 篇我们完成了多智能体编排、技能选择、调用日志等能力，交互方式一直是"打字提问"。但在真实场景里：移动端打字慢，语音更自然；用户问题较长时，说话比输入快；客服/巡检等场景需要"说完即问"。所以这一篇给系统补上语音提问：按住麦克风 → 说话 → 松开 → 自动识别成文字并发送给主管智能体。1.2 方案选型风暴在动手前，先把可选方案摆出来对比：方案优点缺点适用浏览器 Web Speech API零依赖、接入最快多数浏览器实际走云端、离线不可用、各端行为不一致快速验证云端 ASR（讯飞/阿里/腾讯等）识别率高、模型维护成本低按量计费、依赖网络、音频出内网有合规风险对准确率要求极高本地模型（SenseVoiceSmall + sherpa-onnx）离线、免费、数据不出内网、CPU 可跑首次加载模型占内存、需要自己准备模型文件私有化/内网项目本项目选择本地 SenseVoiceSmall + sherpa-onnx，原因：系统本身已经私有化部署，音频不适合出内网；SenseVoiceSmall 支持中/英/日/韩/粤语，覆盖主要场景；sherpa-onnx 提供现成的 ONNX 推理封装，CPU 上 int8 模型速度可接受；不引入新的云服务账号与费用。1.3 几个名词先说明ONNX：一种跨框架的模型格式，PyTorch/训练框架导出的模型可以用 ONNX Runtime 推理；sherpa-onnx：基于 ONNX Runtime 的语音识别/合成工具库，封装了流式与非流式识别器；SenseVoiceSmall：多语言语音识别模型，输出带标点的文本；ITN（Inverse Text Normalization）：把口语化的数字/单位转成书面形式，例如"一百二十"→"120"；PCM：未压缩的音频采样数据；本项目统一转成16kHz、单声道、float32（[-1, 1]）。1.4 端到端链路LangGraphasr_serviceFastAPI浏览器用户LangGraphasr_serviceFastAPI浏览器用户按住麦克风，开始说话MediaRecorder 收集 audioChunks松开，结束录音