# Impress ASR Input - 产品需求文档 (PRD)

## 1. 文档信息

| 项目 | 内容 |
|------|------|
| 产品名称 | Impress ASR Input |
| 版本 | v1.0.0 |
| 创建日期 | 2026-05-15 |
| 技术栈 | Node.js + ONNX Runtime |

---

## 2. 产品概述

### 2.1 产品定位

Impress ASR Input 是一款基于 Node.js 开发的桌面端语音识别输入工具，利用 ONNX 深度学习推理引擎实现高精度的多语言语音转文本功能。

### 2.2 核心价值

- **本地运行**：无需联网，保护隐私，无 API 调用成本
- **多语言支持**：支持中文、英文、日语、韩语等多种语言
- **低延迟**：准实时识别，1 秒内完成短句识别
- **跨平台**：支持 Windows、macOS、Linux 三大主流操作系统

---

## 3. 功能需求

### 3.1 核心功能

#### F1 - 语音采集
| 优先级 | 描述 |
|--------|------|
| P0 | 支持系统默认麦克风音频采集 |
| P0 | 支持选择不同音频输入设备 |
| P1 | 支持音频参数配置（采样率、声道数） |
| P2 | 支持 USB 蓝牙耳机等外接设备 |

#### F2 - 语音识别引擎
| 优先级 | 描述 |
|--------|------|
| P0 | 基于 ONNX Runtime 的本地推理 |
| P0 | 支持中文普通话识别 |
| P0 | 支持英文识别 |
| P1 | 支持中日英混合识别 |
| P1 | 支持语音端点检测（VAD） |
| P2 | 支持更多语种（日语、韩语等） |

#### F3 - 文本输出
| 优先级 | 描述 |
|--------|------|
| P0 | 实时显示识别结果 |
| P0 | 支持文本复制到剪贴板 |
| P1 | 支持模拟键盘输入（全局热键触发） |
| P1 | 支持识别结果历史查看 |
| P2 | 支持导出为文本文件 |

#### F4 - 批量转写
| 优先级 | 描述 |
|--------|------|
| P0 | 支持 WAV/MP3/FLAC格式音频文件导入 |
| P0 | 支持批量文件队列处理 |
| P1 | 支持输出 SRT/VTT字幕格式 |
| P1 | 支持说话人分离（多声道场景） |
| P2 | 支持进度显示和断点续转 |

### 3.2 辅助功能

#### F5 - 用户界面
| 优先级 | 描述 |
|--------|------|
| P0 | 系统托盘图标常驻 |
| P0 | 简洁的控制面板（开始/停止/配置） |
| P1 | 识别实时波形可视化 |
| P1 | 深色/浅色主题切换 |
| P2 | 多语言界面（中/英） |

#### F6 - 配置管理
| 优先级 | 描述 |
|--------|------|
| P0 | 模型文件路径配置 |
| P0 | 热键配置（开始/停止录音） |
| P1 | 识别语言选择 |
| P1 | 输出格式配置 |
| P2 | 配置文件导入/导出 |

---

## 4. 技术架构

### 4.1 整体架构

```
┌─────────────────────────────────────────────────────────────┐
│                      用户界面层 (UI Layer)                    │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────────────┐  │
│  │  系统托盘    │  │  控制面板    │  │  识别结果展示窗口    │  │
│  └─────────────┘  └─────────────┘  └─────────────────────┘  │
└─────────────────────────────────────────────────────────────┘
                             │
┌─────────────────────────────────────────────────────────────┐
│                    业务逻辑层 (Business Layer)                │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────────────┐  │
│  │  音频采集    │  │  识别引擎    │  │  文本输出/模拟输入    │  │
│  │  模块        │  │  模块        │  │  模块               │  │
│  └─────────────┘  └─────────────┘  └─────────────────────┘  │
└─────────────────────────────────────────────────────────────┘
                             │
┌─────────────────────────────────────────────────────────────┐
│                    核心引擎层 (Core Layer)                    │
│  ┌─────────────────────────────────────────────────────────┐│
│  │              ONNX Runtime 推理引擎                       ││
│  │  ┌───────────┐  ┌───────────┐  ┌───────────────────┐   ││
│  │  │ 音频预处理 │  │ 声学模型   │  │ 语言模型/解码器    │   ││
│  │  └───────────┘  └───────────┘  └───────────────────┘   ││
│  └─────────────────────────────────────────────────────────┘│
└─────────────────────────────────────────────────────────────┘
```

### 4.2 技术选型

| 模块 | 技术方案 | 说明 |
|------|----------|------|
| 运行时 | Node.js 20+ | LTS 版本，支持最新 ES 特性 |
| UI 框架 | Electron | 跨平台桌面应用 |
| ONNX 推理 | onnxruntime-node | 官方 Node.js 绑定 |
| 音频采集 | node-audio | 跨平台音频 API |
| 键盘模拟 | robotjs / @nut-tree/nut-js | 全局热键和文本输入 |
| 构建工具 | Electron-Builder | 打包分发 |

### 4.3 模型选型

| 模型 | 来源 | 说明 |
|------|------|------|
| SenseVoice | Alibaba DAMO | 多语言识别，高精度 |
| Whisper | OpenAI | 开源多语言模型 |
| Paraformer | Alibaba DAMO | 中文优化模型 |

**推荐方案**：优先采用 SenseVoice 或 Whisper 的 ONNX 量化版本（int8），平衡精度与性能。

---

## 5. 非功能需求

### 5.1 性能要求

| 指标 | 目标值 | 说明 |
|------|--------|------|
| 首字延迟 | < 500ms | 开始说话到第一个字出现的时间 |
| 短句识别 | < 1s | 5 秒以内音频的完整识别时间 |
| CPU 占用 | < 30% | 待机状态，单核占用 |
| 内存占用 | < 500MB | 模型加载后基础内存 |
| 模型大小 | < 300MB | 单语言模型，量化后 |

### 5.2 兼容性要求

| 平台 | 最低版本 | 说明 |
|------|----------|------|
| Windows | Windows 10 | x64 架构 |
| macOS | macOS 11+ | Intel / Apple Silicon |
| Linux | Ubuntu 20.04+ | glibc 2.31+ |

### 5.3 安全要求

- 所有音频数据本地处理，不上传云端
- 不收集用户语音样本
- 配置文件不含敏感信息

---

## 6. 项目里程碑

### Phase 1 - MVP（v0.1.0）
- [ ] 项目基础框架搭建
- [ ] ONNX Runtime 集成
- [ ] 单语言（中文）识别 demo
- [ ] 基础命令行界面

### Phase 2 - 核心功能（v0.5.0）
- [ ] 多语言支持（中英）
- [ ] Electron GUI 界面
- [ ] 实时识别功能
- [ ] 剪贴板输出

### Phase 3 - 完善功能（v1.0.0）
- [ ] 键盘模拟输入
- [ ] 批量文件转写
- [ ] 配置管理界面
- [ ] 安装包打包分发

### Phase 4 - 增强功能（v1.5.0+）
- [ ] 更多语种支持
- [ ] 说话人分离
- [ ] 自定义热词
- [ ] 插件系统

---

## 7. 风险评估

| 风险 | 概率 | 影响 | 应对措施 |
|------|------|------|----------|
| ONNX 模型性能不足 | 中 | 高 | 准备量化模型，优化推理管线 |
| 跨平台音频采集兼容性问题 | 高 | 中 | 备选方案：Web Audio API + Electron |
| 模型文件过大 | 中 | 中 | 提供模型下载器，按需下载 |
| 键盘模拟被安全软件拦截 | 低 | 高 | 提供白名单引导，备用剪贴板方案 |

---

## 8. 附录

### 8.1 参考资料

- [ONNX Runtime](https://onnxruntime.ai/)
- [SenseVoice Model](https://github.com/FunAudioLLM/SenseVoice)
- [Whisper ONNX](https://github.com/guillaumekln/faster-whisper)
- [Electron 文档](https://www.electronjs.org/docs)

### 8.2 竞品分析

| 产品 | 优势 | 劣势 |
|------|------|------|
| 讯飞输入法 | 识别精度高 | 需联网，隐私顾虑 |
| 谷歌语音输入 | 多语言支持好 | 需 Chrome，依赖云端 |
| Whisper Desktop | 本地运行 | 性能开销大，界面简陋 |

---

**文档状态**: 初稿
**下次更新**: 待技术评审后更新