「听记」v0.4新增实时转录，用Kimi K3实现边说边出字，标准/增强模式适配不同场景。
核心内容：
实时转录功能及两种模式（标准/增强）
实时转录的实现流程（采集、识别、存储）
开发中遇到的关键问题与解决（权限、字幕排版等）
v0.3 把历史会议管起来之后，下一个需求就来了：能不能不等录完再处理，而是开会时边说边出字？正好Kimi K3发布，我就全程用K3折腾了一阵子，v0.4 就把这个能力补上了。
v0.4 改了什么
很简单：实时转录。开会时打开浏览器，点「开始实时记录」，麦克风里的声音会实时转成文字显示在页面上。点停止后，它会把录音存成 wav，把原文存成 json，然后进入和上传录音一样的整理流程：校对、整理、生成结构化纪要。
两种模式做了区分：标准模式：内置 FunASR 流式引擎，macOS / WSL / Linux 都能用，不需要额外配置 增强模式：基于 GPU 的 Fun-ASR-Nano vLLM sidecar，方言、口音、远场识别更准，但环境要求更高，放在 v0.5 再提供 v0.4 先把标准模式做扎实，保证开箱即用。
实时转录是怎么跑起来的
流程不复杂：
浏览器采集麦克风音频
通过 WebSocket 把音频流发给后端
后端用 FunASR 的流式模型 paraformer-zh-streaming 逐段识别
识别结果实时返回前端，页面一行一行显示出来
停止后，后端把整段录音保存下来，再用离线 ASR 跑一遍，得到准确的说话人和时间戳
所以实时页面上的文字更像是草稿，最终质量得靠停止后的离线那一遍。
我踩了 4 个坑
局域网开不了麦克风 浏览器有个安全规则：麦克风权限只给 localhost 或 HTTPS。如果你在局域网用 http://192.168.x.x:8000 打开，浏览器直接拒绝授权，点「开始」没反应。解决方式是在 config.yaml 里打开 SSL：
server:ssl:enabled: true重启后 run.sh 会自动生成自签名证书到 certs/ 目录，局域网设备通过 https://<服务器IP>:8000/live 访问。首次访问浏览器会提示证书不受信任，点继续就行。2. 实时字幕挤成一团 一开始实时字幕把一大段没标点的文字全堆在 partial 区域，根本没法读。流式模型返回的是原始识别文本，标点要自己补。问题报给K3， K3加了 ct-punc 标点模型给流出的文字实时打标点，同时把 partial 显示区域限制成最多 60 个字符的滑动窗口。页面不会挤成一团，眼睛能跟得上。3. 增强模式让用户困惑 WSL 有 GPU，但增强模式需要单独启动一个 sidecar 服务。有用户看到增强模式选不了，以为是 bug。v0.4 的处理是直接：增强模式标成"v0.5 提供"，前端选择器灰色禁用，点不了。README 和 WSL 部署指南也同步更新，避免误解。4. 说话人永远显示"说话人0"实时流式模型只管识别文字，不管说话人分离。刚开始在实时字幕里会硬显示"说话人0"，其实是误导。既然区分不聊，所幸就把实时页面的说话人标签去掉了，只显示文字。最终准确的说话人信息由停止后的离线 ASR 来生成，那一步的说话人分离是 OK 的。
Kimi K3 在这个过程中做了什么
整个跨前后端的完整功能都是K3来做的
理解 FunASR 流式模型的 API 签名，设计合适的 chunk 大小和缓存策略
设计浏览器和后端之间的 WebSocket 协议
写实时字幕的增量更新逻辑，处理 partial 和 final 的衔接
同步改 README、WSL 部署指南、CLAUDE.md，保证文档和代码一致
检查多文件之间有没有漏掉的地方，比如 cache-buster 有没有 bump
我负责拍板方案、验证效果、决定哪些功能进 v0.4、哪些放到 v0.5。Kimi K3 负责把这些决定落地成代码，同时提醒我哪里漏了——比如文档有没有同步、cache-buster 有没有 bump。实时转录涉及 app/stream.py、app/main.py、app/asr.py、static/live.js、README、WSL 部署指南等七八个文件，改完代码还得保证文档不脱节。得益于Kimi K3 的1M上下文和超强的编码能力，能在一次对话里记住所有改过的文件，同步更新相关段落，还是很强的。
升级 / 试用
用着 v0.3 的，直接 git pull 然后重启就行，数据目录和配置都不动。新用户：
git clone https://github.com/baigong-ai/Tingji.gitcd Tingjicp config.yaml.example config.yamlbash scripts/download_models.sh./run.sh打开 http://localhost:8000，首页点「实时记录」就能试。如果要在局域网其他设备上开麦，记得按上面说的开启 SSL。仓库地址：https://github.com/baigong-ai/Tingji 懒人通道：把仓库地址https://github.com/baigong-ai/Tingji直接发给 Claude Code、Codex 或者其他能跑命令的 Agent，让它按 README 去部署安装或者升级即可。
v0.4 已做和待做
v0.4 做完的：
实时流式转录（标准模式）
局域网 HTTPS 自签名证书支持
实时字幕标点 + 滑动窗口显示
增强模式明确标为 v0.5 提供
实时页面去掉误导性的"说话人0"标签
还没做的（接着排）：
增强模式（GPU sidecar）
说话人手动合并 / 拆分
纪要二次编辑保存
docx 导出
议程章节切分
欢迎一起共创
GitHub 仓库：https://github.com/baigong-ai/Tingji
Issues 欢迎提。
祝各位的AI 用得愉快！
* *
既然都看到这里了，那就点个关注吧，更多的实战手册马上就来，让你的AI好用，让你用好AI。想要用 AI 解决更多实际工作问题？下面这些你可能也感兴趣：「听记」，一个简单好用的开源会议录音处理方案，我把它开源了「听记」v0.2来了：模型闲置 30 分钟自动卸载，GPU 显存实测回收 57%「听记」v0.3：标签、回收站、重命名，历史会议管理功能补上了Windows下最详尽的Ollama+Deepseek-r1 本地部署手册Mac下最详尽的Ollama+Deepseek-r1 本地部署手册微信+飞书+Happy：AI移动办公三件套AI移动开发，用Happy操作你的Claude关注我们，更多 AI 实战技巧马上就来，让你的 AI 好用，让你用好AI。祝各位的AI 用得愉快
* *
既然都看到这里了，那就点个关注吧，更多的实战手册马上就来，让你的AI好用，让你用好AI。
[登录查看剩余 70% 内容](javascript:void (0);)
知识管理工具个人知识管理知识管理软件
分享：
用微信扫描二维码
用微信扫描二维码
用微信扫描二维码
用微信扫描二维码
53AI，企业落地大模型首选服务商
产品：场景落地咨询+大模型应用平台+行业解决方案
承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业
上一篇：分解一座冰山：后端系统「AI 知识库体系」建设实践（长文干货）下一篇：企业知识库做完了，为什么员工还是在群里问老板？
返回列表
相关资讯
2026-07-25 做 FDE 久了会发现：明线是把 AI 装进流程，暗线是把组织里“大家都懂、但没人说得清”的判断掏出来。2026-07-24 分解一座冰山：后端系统「AI 知识库体系」建设实践（长文干货）2026-07-22 企业知识库做完了，为什么员工还是在群里问老板？2026-07-22 忘掉"漂流瓶"时代的企业知识库，用事件驱动激活，知识有消费才有增长2026-07-21 AI大模型工具深度运用有哪些实际工作场景？企业如何开启AI赋能新时代2026-07-21 Kiro 实战：让 AI 自动「记住」你的系统——知识自沉淀机制设计2026-07-20 装一个"私有知识库"Skill，把公司所有产品手册喂给AI，以后问报价直接出答案2026-07-20 构建内部知识库的一点心得
联系获取
联系获取
160+中大型企业正在使用53AI
[立即咨询](javascript:void(0))[预约演示](javascript:void(0))
把握AI发展的机遇，共同探索、共同进步 2025-01-22如何打造基于GenAI的员工服务机器人 2025-01-22
