如何提升性能

该插件根据平台使用不同的GPU加速方法：Windows上使用Vulkan，Mac和iOS平台使用Metal，这能显著加快识别过程。在其他平台上，插件使用CPU+内部指令集进行加速。不过，您还可以通过以下建议进一步提升插件性能：

1. 使用语音活动检测(VAD)

   强烈建议使用语音活动检测来提升识别器响应速度，即在用户停止说话时立即发送语音进行识别，而不是等待固定时间间隔。特别推荐使用Silero VAD实现此功能。具体实现方法请参阅语音活动检测文档。

2. 减小步长

   默认步长为5000毫秒(5秒)，意味着在采集过程中每5秒识别一次音频数据。如果您希望更频繁地识别音频数据，可以减小步长，例如设为500毫秒(0.5秒)。但如果已启用VAD(通常建议使用，除非有特定需求需要固定间隔)，则不建议依赖减小步长的方法。当在典型设置中使用VAD时，如语音激活命令识别或带最终缓冲区处理的自动初始化语音识别，系统会在用户停止说话时立即进行识别。

3. 使用更小的语言模型

   您可以考虑使用更小的语言模型，例如Tiny Quantized (Q5_1)，以减少模型大小并提升性能。选择语言模型的方法请参见此处。

4. 优化识别状态管理

   处理麦克风输入时，应避免不必要地停止和启动语音识别器。与其频繁调用StopSpeechRecognition和StartSpeechRecognition(这需要重新分配资源)，不如考虑直接控制音频输入。例如，使用可捕获声波时，通过StopCapture和StartCapture来管理音频流，同时保持识别线程处于活动状态。