本地语音识别（SenseVoice）配置实录：三个坑与解法
一句话结论：SenseVoice + sherpa-onnx 的纯本地语音识别（不联网、不上传）完全可用，中文识别准确率很高；但官方「下载并准备」在国内网络下必失败，且有三个连环坑，本文逐个给出解法。
项目来源：本文记录个人配置过程；SenseVoice、sherpa-onnx 和 Silero VAD 分别由其原作者及社区开发维护。
架构
- 识别引擎：SenseVoice ONNX 模型（int8 约 239MB）+ silero VAD，走 sherpa-onnx 原生运行时
- 特点：纯本地推理，音频不出机器；首次准备 1–10 分钟，占硬盘约 1GB、内存约 1GB
🔴 坑一：官方「下载并准备」在国内必失败
现象：进度反复从 0 重来，最终报 无法下载 model.int8.onnx：UND_ERR_SOCKET。
根因：「模型下载源」默认「自动选择」会探测 huggingface.co / hf-mirror.com 后取先响应的，实际拿到的是 HF 的 AWS CDN（us.aws.cdn.hf.co）——国内直连被墙。
解法：把下载源切成 HF-Mirror（国内镜像） 再点重试，约 20 秒就绪。离线/网慢环境也可以手动从 hf-mirror 用 curl -L -C - 断点续传三个文件（模型、tokens、VAD），SHA256 校验通过后应用会直接跳过下载。
🔴 坑二：「重试准备」在「自动选择」下是假动作
页面上的失败提示是持久化的上次失败快照——在「自动选择」下反复点重试不会发起新任务（判据：下载目录始终没有新的 .part 文件）。必须先切下载源才真正触发。
🔴 坑三：输入设备只有「立体声混音」
如果麦克风下拉里只有「立体声混音」而没有真麦克风：立体声混音是系统播放回环，录到的是电脑正在放的声音。先去 Windows「声音设置 → 录制」启用真实麦克风设备，再回来选。验证链路时可以用「TTS 播放 → 立体声混音回环录入」的方式自测。
实测数据
- 引擎级：6.4 秒音频，RTF≈28 倍速，中文句子几乎全对（仅「正确地」→「正确的」）
- UI 级：录音 → 转写文本直接插入输入框，链路全通
排查速查
| 现象 | 首查 |
|---|---|
| 下载失败 UND_ERR_SOCKET | 下载源改 HF-Mirror，或手动 curl |
| 反复点重试没进展 | 看有无新 .part 文件；无 = 快照复用，先切源 |
| 转写出来是系统声音/音乐 | 输入设备选了立体声混音，换真麦克风 |