如何提升性能

该插件根据平台使用不同的 GPU 加速方法：在 Windows 和 Linux 上使用 Vulkan，在 Mac 和 iOS 平台上使用 Metal，这显著加快了识别过程。在其他平台上，插件使用 CPU + 内部函数进行加速。然而，您可以通过遵循以下建议进一步提升插件的性能：

1. 使用语音活动检测

   强烈建议使用语音活动检测来提升识别器的响应速度，即在用户停止说话时立即发送语音进行识别，而不是等待固定的时间间隔。特别推荐使用 Silero VAD 来实现此目的。有关详细实现说明，请参阅语音活动检测文档。

2. 减小步长

   默认情况下，步长为 5000 毫秒（5 秒），这意味着在捕获过程中每 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，例如减小到 500 毫秒（0.5 秒）。但是，如果 VAD 处于活动状态（通常建议如此，除非您有需要固定间隔的特定要求），则不建议依赖减小步长。在典型设置中使用 VAD 时，例如语音激活命令识别或使用最终缓冲区处理的自动初始化语音识别，语音将在用户停止说话时立即被识别。

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。有关如何选择语言模型的说明，请参见此处。

4. 优化识别状态管理

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