---
title: moonshine-base-onnx
canonical_url: "https://www.modelscope.cn/models/manyeyes/moonshine-base-onnx"
md_url: "https://www.modelscope.cn/models/manyeyes/moonshine-base-onnx.md"
repository: manyeyes/moonshine-base-onnx
chinese_name: "moonshine-base-语音识别-英文-onnx"
last_updated: 2026-04-25
license: mit
pipeline_tag: auto-speech-recognition
tasks:
  - auto-speech-recognition
library_name:
  - onnx
frameworks:
  - onnx
language:
  - en
downloads: 1
stars: 0
tags:
  - pytorch
  - onnx
  - automatic-speech-recognition
  - audio
  - edge-device
---

# moonshine-base-onnx

> moonshine-base-onnx - manyeyes 在 ModelScope 开源的模型。Moonshine-Base-ONNX 英文语音识别模型

manyeyes/moonshine-base-onnx 是 ModelScope 魔搭社区上的auto-speech-recognition模型，采用 mit 许可。

- **Repository**: manyeyes/moonshine-base-onnx
- **License**: mit
- **Tasks**: auto-speech-recognition
- **Tags**: pytorch, onnx, automatic-speech-recognition, audio, edge-device
- **Downloads**: 1
- **Stars**: 0
- **Last updated**: 2026-04-25

Source: https://www.modelscope.cn/models/manyeyes/moonshine-base-onnx

---

# Moonshine-Base-ONNX 英文语音识别模型

## 模型描述

**Moonshine** 是一个面向边缘计算场景（树莓派、手机、物联网设备）的语音识别模型家族。本模型是 **Moonshine Base** 的 **ONNX 格式导出版本**，在 Tiny 版本的基础上提升了识别精度，同时以 ONNX 格式封装，实现跨平台的高效推理。

与 Whisper 的固定 30 秒分块策略不同，Moonshine 支持 **可变长度输入**，计算量与音频长度线性正比，短音频场景下速度优势可达 **5 倍**。同时，Moonshine Base 在多基准测试中的平均 WER 为 10.07%，优于同体量的 OpenAI Whisper base.en 模型 (10.32%)。

**主要规格：**

| 属性 | 说明 |
|:---|:---|
| 网络层数 | 8 Layer |
| 注意力头数 | 8 个 |
| 隐藏维度 | 416 |
| 参数量 | ~6100 万 |[reference:1]|
| 模型大小（FP32）| ~400 MB |[reference:2]|
| 模型大小（INT8 静态量化）| ~100 MB |[reference:3]|
| 支持语言 | 英文 |
| 开源协议 | MIT License |

## 适用场景

| **场景** | **说明** |
|:---|:---|
| **实时会议转写** | 支持流式实时字幕生成，满足远程会议和记录需求 |
| **客服语音质检** | 低延迟转录可大幅降低人工质检成本，提升运营效率 |
| **智能语音助理** | 减少端侧响应延迟，保护用户隐私，数据无需上传云端 |
| **视频字幕生成** | 处理多长度音频，自动为本地视频生成准确的字幕文件 |

**性能优势：**
- **极高推理效率**：处理 10 秒音频速度比 Whisper 快约 **5 倍**
- **轻量化结构**：参数仅为 Whisper 同等规模模型的一半，内存占用更低
- **计算资源自适应**：计算量与音频长度线性正比，短音频（1–3 秒）甚至可提速 **5–15 倍**

**限制与不足：**
- 本模型**仅支持英文**，识别非英文内容会导致 WER 显著上升
- 在强噪声、重口音或低信噪比环境下，识别效果会有明显下降
- 极短的音频片段（纯噪声或极短语音）可能产生“幻觉”文本，应用层配合 **VAD（语音活动检测）** 可有效缓解

## ONNX 模型结构

Moonshine ONNX 实现将原始模型划分为两个独立的 ONNX 组件：

| **组件** | **文件名** | **功能** |
|:---|:---|:---|
| **Encoder（编码器）** | `encoder_model.onnx` | 将音频输入处理为隐藏状态表征 |
| **Decoder（解码器）** | `decoder_model_merged.onnx` | 从编码器的隐藏状态生成文本 Token |[reference:6]

自回归解码时，解码器使用 **Key-Value 缓存机制**，避免注意力重复计算，大幅提升推理效率。推理从起始 Token ID = 1 开始，直到生成结束 Token ID = 2 或达到最大长度时终止。