AI 引擎配置（ASR / TTS / LLM）

CrossMeet 把 AI 能力拆成 3 个可独立切换的引擎：ASR（听）、LLM（翻）、TTS（说）。本指南覆盖每类引擎的选型、API key 配置、本地引擎安装、调优。

1. 整体架构

你说话 → 麦克风 → ASR → 原文 → LLM → 译文 → TTS → vMic → 对方
       ↓                                              ↑
       VAD / 分段                                  Glossary + RAG 注入

每个引擎都可单独切换、并存使用。例如：本地 Whisper（ASR）+ Claude（LLM）+ Aliyun TTS。

2. ASR（语音识别）

选型对比

引擎	速度	准确率	离线	成本	适合
Whisper-faster（本地）	中（GPU 快）	优	✅	免费	隐私敏感 / 长时段
Whisper API	快	优	❌	$6/M 秒	偶尔使用
阿里云 ASR	快	中文最佳	❌	按秒计费	中文为主
Qwen3-ASR	快	中文优秀	❌	按 token 计费	中文 + 多模态

推荐组合

• 日常工程对话：Whisper-faster 本地 + GPU（隐私 + 零成本）
• 重要客户会议：Whisper API（云端，稳定）
• 中文为主：阿里云 ASR + Qwen3 备份

配置 API key

Settings → AI Engines → 找到目标引擎卡片 → 填 API key + Region

本地 Whisper 安装

1. AI Engines → Whisper-faster 卡片 → Install Local
2. 选模型大小（按硬件）：
   • base (300 MB) — 8 GB 内存可用，质量基础
   • medium (1.5 GB) — 16 GB 内存，质量良
   • large-v3 (3 GB) — 16 GB+ 内存 + GPU 6 GB+，质量优
3. 等待下载（5-15 分钟）
4. 启用 GPU：勾选 Use CUDA （需 NVIDIA 驱动 ≥ 525）

关键参数

Settings → ASR → Advanced：

参数	默认	说明
vad_threshold	0.3	静音检测灵敏度，嘈杂环境调低（0.2）
min_silence_ms	500	静音多少 ms 视为一句结束
partial_freq_ms	300	partial 转写发送频率
language	auto	强制语言（auto-detect 偶尔会判错）
prompt	(空)	LLM-style 提示，帮助识别专有名词

调优建议：开会前在 settings 试一句标准发音，调到舒服为止。

3. LLM（翻译大模型）

选型对比

引擎	翻译质量	速度	上下文窗口	成本
Claude 3.5 Sonnet	最高	快	200K	$3/M in, $15/M out
GPT-4o	高	快	128K	$2.5/M in, $10/M out
GPT-4o-mini	良	极快	128K	$0.15/M in, $0.6/M out
Gemini 1.5 Pro	高	中	1M	$1.25/M in, $5/M out
Qwen3-Max	高（中英最佳）	快	128K	按 token 计费
本地 Llama 3.1 70B (Ollama)	中	慢	128K	免费

推荐

• 商务正式：Claude 3.5 Sonnet（最自然，最少 AI 翻译腔）
• 预算敏感：GPT-4o-mini（成本极低，质量够日常）
• 本地隐私：Ollama + Llama 3 / Qwen2 70B（需 64 GB+ 内存或 GPU）

Prompt 模板自定义

Settings → LLM → Prompt Templates：

You are a professional translator.
Translate from {source_lang} to {target_lang}.

Glossary (MUST follow):
{glossary}

Reference (use if relevant):
{rag_chunks}

Context (previous 3 sentences):
{history}

Sentence to translate:
{text}

Output ONLY the translation, no explanation:

变量列表：

• {source_lang} / {target_lang} — 源 / 目标语言代码
• {glossary} — 激活的术语表
• {rag_chunks} — RAG 检索到的片段
• {history} — 前 N 句对话
• {text} — 当前要翻译的句子

4. TTS（语音合成）

详见 虚拟麦克风。

关键参数

Settings → TTS → Advanced：

参数	默认	说明
voice	引擎默认	选择音色（每个引擎有多个）
speed	1.0	语速 0.5-2.0
pitch	0	音调 -10 ~ +10
stability	0.5	仅 ElevenLabs，音色稳定性

多音色支持

可为不同语种 / 不同人设置不同音色：

• 英文（主）：OpenAI TTS - alloy（中性，专业）
• 中文（主）：Aliyun TTS - xiaoyun（女声，温和）
• 日文（副）：Edge TTS - ja-JP-NanamiNeural

Settings → TTS → Multi-Voice 配置。

5. 引擎切换的快捷键

主界面顶部 dropdown 可临时切换：

• Ctrl+1 — 切 ASR 到引擎 1（Settings 里定义）
• Ctrl+2 — 切 LLM 到引擎 2
• Ctrl+3 — 切 TTS 到引擎 3

适合会议中突然需要切到本地引擎（敏感话题）。

6. API key 获取

服务	获取地址	配置项
OpenAI	platform.openai.com	API key
Anthropic	console.anthropic.com	API key
Google AI	aistudio.google.com	API key
阿里云	dashscope.console.aliyun.com	API key + Region
Azure	portal.azure.com	Endpoint + Key + Region

7. 私有部署 / 自托管

CrossMeet 兼容 OpenAI API 格式，可指向私有 endpoint：

Settings → LLM → Custom Endpoint
Base URL: https://your-proxy.com/v1
API Key: your-internal-key
Model: claude-3-5-sonnet（任意名称，由代理转发）

适合：企业代理、Ollama 本地、One-API / LiteLLM 中转。

8. 局域网共享（LAN API）

把本机的引擎暴露给局域网其他设备：

1. Settings → Networking → LAN API
2. 开启 → 选择要暴露的引擎（ASR / TTS / LLM）
3. 设置访问 token
4. 局域网其他设备的 CrossMeet 配置：
   • Base URL: http://your-ip:7860/v1
   • API Key: 你设置的 token

适合：一台 GPU 工作站服务 10 个人的轻量笔记本。

9. 故障排查

问题	排查
ASR 识别全是乱码	检查 language 是否 auto，可能识别成了错误语种
LLM 翻译漏字	检查 prompt 是否完整 / glossary 是否过大塞爆 context
TTS 没声音	看 Audio settings → 输出设备是否正确
云引擎超时	检查 API key 余额、网络可达性、是否被防火墙拦截
本地引擎慢	看 GPU 是否启用、模型大小是否太大

更多见 故障排查。

10. 相关

• 快速开始
• 术语表
• 知识库 RAG
• 虚拟麦克风