mica-voice 1.0.2 发布：Java 声音 AI 全家桶，一行代码接入 ASR/TTS/声纹

mica-voice 1.0.2 是「如梦技术（dreamlu）」开源的 Java 声音 AI 库，2026 年 9 月 3 日更新的版本：把 ASR（语音识别）、TTS（语音合成）、声纹识别、VAD（语音活动检测）、说话人分离、关键词唤醒 KWS、音频降噪 7 大能力统一封装，底层用 sherpa-onnx 做纯本地推理，一行代码就能在 Java / Spring Boot / Solon 项目里接入，Apache 2.0 协议可商用。1.0.2 是一次偏「修稳定性 + 补示例」的小版本更新，重点是修复 JNI 兼容性问题并新增流式 TTS WebSocket 示例。

最后更新于 2026 年 9 月｜本文由 AI345 编辑部基于 mica-voice 官方 README 与 CHANGELOG（GitHub、Gitee 两个仓库）、Maven Central 元数据逐条核实整理；版本日期与功能描述以官方仓库为准。

目录

1. mica-voice 1.0.2 是什么？
2. mica-voice 1.0.2 更新了什么？
3. 7 大能力：mica-voice 到底能做什么
4. mica-voice 怎么用？30 秒上手
5. 模型怎么准备？下载脚本与目录约定
6. mica-voice 适合谁用？5 个典型场景
7. 和云端语音 API、Python 方案怎么选
8. 常见问题 FAQ

mica-voice 1.0.2 是什么？

一句话：它是 Java 生态里少见的「声音 AI 全家桶」。 把过去要东拼西凑一堆 Python 服务和云 API 才能凑齐的能力（识别、合成、声纹、降噪等），收进一个 Maven 依赖里，模型放本地、音频不出机、没有按量调用费。

对 Java 开发者来说，这件事的价值在于：语音能力长期以来是 Java 后端的短板。想加个「录音转文字」，常规做法是再起一个 Python 服务跑 FunASR/Whisper，或者直接调用云厂商的语音 API。前者要多维护一套运行时，后者意味着音频要传到第三方、且按量计费。mica-voice 走的是第三条路：用 sherpa-onnx 的全平台 native 包，在 JVM 进程内做离线推理。

需要说清楚一个前提：mica-voice 是「封装层」，不是从零写的推理引擎。 它的推理能力来自上游的 sherpa-onnx（k2-fsa 团队的开源项目），mica-voice 做的事是：把 sherpa-onnx 的 native 包打成 Java 可用的全平台 jar，再在上面套一层统一的 Java 门面、Spring Boot 自动装配和 Solon 插件，并把语音模型的组织方式、生命周期管理（AutoCloseable 释放 native 句柄）这些工程细节处理好。

mica-voice 1.0.2 更新了什么？

先说时间口径，因为这一点容易看混：官方 CHANGELOG 记录的 1.0.2 发布日期是 2026 年 9 月 3 日，Maven Central 上 1.0.2 的构件在 9 月 4 日可下载，而开源中国（OSCHINA）是在 9 月 20 日才发布 1.0.2 的正式新闻稿。也就是说，这次「发布」是补的官方公告，代码本身在 9 月初就已经可用了。

1.0.2 本身是一次小版本更新，具体就两件事：

1. 新增流式 TTS（Streaming TTS）示例：在 mica-voice-example-spring-web 里加了 WebSocket 示例，前端订阅 /mica/voice/ws/streaming-tts，服务端按约 100ms 切片推送 PCM 音频，配合 callback-sample-step 实现「边合成边播放」，目的是降低首字延迟。
2. 底层依赖升级到 mica-sherpa-onnx 1.13.7，并同步修复了若干 JNI 兼容性问题。

所以如果你的关注点是「1.0.2 带来了什么新能力」，答案是：没有新增大能力，主力能力在 1.0.0 就齐了，1.0.2 主要解决的是 native 层的稳定性，以及让流式语音合成的用法更直观。

三个版本横向对比更直观：

一个顺带信息：官方仓库的提交记录显示，1.0.3-SNAPSHOT 的开发已经在 2026 年 9 月 7 日启动。以它前三版平均约一周一版的节奏看，下一版应该不会太远。

7 大能力：mica-voice 到底能做什么

mica-voice 的入口是一个叫 MicaVoice 的门面类，所有能力都通过它「一行拿到服务」。能力清单和对应的配置类如下（离线 ASR 与在线流式 ASR 合计算一种能力，实际对应 8 个服务）：

几个工程细节值得单独提一下，这些是同类库不太会写进文档、但用起来很快会遇到的事：

• 所有服务都实现了 AutoCloseable。 native 推理会占用 JNI 句柄和内存，官方示例统一用 try-with-resources 写法，用完即释放。这点对长期运行的服务尤其重要。
• 能力级开关，按需装配。 Spring Boot starter 里每个能力都有独立的 enabled 开关（VAD / 分离 / KWS / 降噪默认关闭），不用的能力就不装配、不占内存。
• ASR 的两个 Bean 按具体类型暴露。 OfflineAsrService 与 OnlineAsrService 没有统一注册成 AsrService 接口类型，就是为了避免 Spring 容器出现「同接口多 Bean」时的注入歧义。如果你从旧文档抄 @Autowired AsrService，会注入失败。
• 模型可以打进 Fat Jar。 模型路径支持 classpath: 前缀，容器化部署时不必再挂外部目录。

mica-voice 怎么用？30 秒上手

整个流程就三步：加依赖 → 下模型 → 一行调用。

第 1 步：添加 Maven 依赖

按项目形态三选一（版本号一致）：

<!-- 纯 Java 项目：核心 SDK -->
<dependency>
    <groupId>net.dreamlu</groupId>
    <artifactId>mica-voice-core</artifactId>
    <version>1.0.2</version>
</dependency>

<!-- Spring Boot 项目：自动装配，开箱即用 -->
<dependency>
    <groupId>net.dreamlu</groupId>
    <artifactId>mica-voice-spring-boot-starter</artifactId>
    <version>1.0.2</version>
</dependency>

<!-- Solon 项目：同一套配置树 -->
<dependency>
    <groupId>net.dreamlu</groupId>
    <artifactId>mica-voice-solon-plugin</artifactId>
    <version>1.0.2</version>
</dependency>

第 2 步：纯 Java，门面一行调用

MicaVoiceConfig props = MicaVoiceConfig.builder()
    .modelsDir("models")   // 也可用 -Dmica.voice.models-dir 指定绝对路径
    .threads(2)
    .build();
AsrConfig config = AsrConfig.builder()
    .modelDirName("sherpa-onnx-paraformer-zh-small-2024-03-09")
    .modelType(AsrConfig.ModelType.PARAFORMER)
    .build();

try (AsrService svc = MicaVoice.asr(props, config)) {
    System.out.println(svc.recognize(new File("test.wav")).getText());
}

第 3 步：Spring Boot，配置即用

application.yml 里写配置，代码里直接注入：

mica:
  voice:
    models-dir: ./models
    asr:
      offline:
        model-dir-name: sherpa-onnx-paraformer-zh-small-2024-03-09
        model-type: PARAFORMER

@RestController
public class AsrController {
    private final OfflineAsrService offlineAsrService;

    public AsrController(OfflineAsrService offlineAsrService) {
        this.offlineAsrService = offlineAsrService;
    }

    @PostMapping("/asr")
    public String asr(@RequestParam("file") MultipartFile file) throws IOException {
        File tmp = File.createTempFile("asr", ".wav");
        file.transferTo(tmp);
        try {
            return offlineAsrService.recognize(tmp).getText();
        } finally {
            tmp.delete();
        }
    }
}

Solon 项目的写法和 Spring Boot 完全一致，只是注解换成 @Controller / @Inject，配置放在 app.yml。

如果你是第一次接触语音识别，可以先看我们整理的基础概念：ASR 语音识别是什么？语音转文字原理与准确率一次讲透；做语音合成方向的话，TTS 语音合成是什么 讲清了声学模型与声码器的分工。

模型怎么准备？下载脚本与目录约定

模型不随 jar 分发（体积大），需要按需下载到 models/ 目录。仓库自带下载脚本，覆盖三大平台：

# Linux / macOS
bash models/scripts/download-models.sh asr          # 按需换成 tts / speaker / asr-online / x-asr / all
bash models/scripts/parallel-download.sh all        # 并行下载，全量时更快

# Windows（任选其一）
models\scripts\download-models.bat asr              # CMD
powershell -ExecutionPolicy Bypass -File models\scripts\download-models.ps1 asr   # PowerShell

几个容易踩的点：

• 模型默认从当前工作目录的 models/ 加载。 打包运行（jar 与目录分离）时最容易出问题，用 -Dmica.voice.models-dir=/绝对路径/models 指定更稳妥。
• 下载脚本只覆盖 ASR / TTS / 声纹 / 在线 ASR 这几类 target。 VAD、说话人分离、KWS、降噪这四类模型脚本里暂时没有，需要自己从 sherpa-onnx 的 release 页面下载后放进 models/ 根目录。这也解释了为什么这几个能力默认是关闭的。
• 国内网络下载慢可以考虑网盘。 官方在 README 与发布稿里给了夸克网盘备份链接（提取码 kc5e）。
• 模型选型有 trade-off。 以中文离线 ASR 为例，sherpa-onnx-paraformer-zh-small-2024-03-09 是官方默认示例，偏「小而快」；要更准就换更大的模型或 SenseVoice 家族，代价是内存和首字延迟上升。

如果你同时在做本地大模型部署，硬件规划思路可以参考 本地部署大模型需要什么配置？一张表看显存门槛；语音模型的资源曲线和 LLM 不太一样，但「内存优先、算力其次」这一点是共通的。

mica-voice 适合谁用？5 个典型场景

1. 需要「音频不出内网」的场景。 金融、政企、医疗这类对数据出境敏感的行业，把 ASR/TTS 放在自己进程里跑，比调云 API 好过合规。
2. 录音转写与会议纪要。 说话人分离 + 转写组合服务，可以直接产出「谁在什么时间说了什么」，适合会议记录、访谈整理。
3. 实时字幕与语音输入。 在线流式 ASR（WebSocket）适合浏览器麦克风 → 后端 → 实时上字幕这条链路，官方 spring-web 示例就是这么写的。
4. 有声内容与播报。 TTS 生成通知播报、有声书朗读；中英混合场景用 vits-melo-tts-zh_en。
5. 声纹登录与反欺诈。 声纹注册 / 验证 / 搜索，配合默认 0.5 的相似度阈值可以做身份二次校验。

反过来说，如果你要的是「开箱即上线、不能自己运维模型」，那这类本地推理方案不一定是最优选，往下看对比。

和云端语音 API、Python 方案怎么选

一句话结论：Java 技术栈 + 隐私/成本敏感 + 要长期跑 → 选 mica-voice；只想快速验证、量小 → 云 API 更省事；要追最新模型 → 还是 Python 生态最快。 想看更全的语音产品横向对比，可以看 智能语音产品怎么选？2026 八款主流工具横评，以及我们拆过的开源语音识别方案 VibeVoice ASR 是什么。

总结

mica-voice 1.0.2 本身是补丁级更新：修 JNI 兼容性、加流式 TTS 示例、把底层依赖升到 mica-sherpa-onnx 1.13.7。真正值得关注的是它代表的方向，把语音 AI 做成 Java 后端的一个普通依赖：Maven 引进来，mica.voice.* 配置一下，模型下到本地，然后就能在同一个 JVM 里做识别、合成、声纹、降噪，数据不出机、没有按量账单。对长期缺语音能力、又不想引入 Python 运行时的 Java 团队来说，这是目前少见的完整解法。

如果你准备试，建议的最短路径是：先只开离线 ASR（下 paraformer-zh-small 模型），跑通「上传 wav → 返回文字」这条链路，再按需逐个打开 TTS、声纹等能力。

---

参考资料

1. mica-voice 官方仓库（GitHub）
2. mica-voice 官方仓库（Gitee）
3. mica-voice 在 Maven Central 的构件信息
4. mica-sherpa-onnx（native 依赖来源）
5. sherpa-onnx 上游项目（k2-fsa）

作者：AI345 编辑部｜我们持续实测各类 AI 工具与开源项目，关注 AI 指南栏目 获取更多务实教程。