C# 实时语音转文字：Foundry Local 本地运行

一年前，Bruno Capuano 在 .NET Blog 上写过一篇用 Ollama 在本地跑 GPT-OSS 的文章，用的是 Microsoft.Extensions.AI 的 IChatClient——本地 AI 最常见也最熟悉的场景：聊天。但本地 AI 不止于让一个小模型写诗或总结文档。

Foundry Local 同样能跑语音识别这类专用模型，而且它替你管理完整的模型生命周期：找合适的模型变体、需要时下载、放进本地缓存、加载推理、应用结束时卸载。这篇 2026 年 8 月的文章带我们构建一个 C# 控制台应用：用 NVIDIA 0.6B 的 Nemotron 语音模型实时转录麦克风音频。模型完全在本地运行，你说话的同时就能收到部分和最终转录结果。

适合：想在 Windows 上做本地语音识别、离线字幕、会议笔记或语音控制应用的 .NET 开发者。读完你会得到一个可运行的示例：模型解析与下载、直播转录会话、音频采集与异步结果流，全程不需要 API key。

抽象优先，原生能力兜底

上一篇 Ollama 示例里，IChatClient 抽象让聊天代码可以对接不同 AI 提供商而不改核心逻辑。实时音频流稍有不同：本示例用的 AudioClient 属于原生 Microsoft.AI.Foundry.Local SDK，不是 Microsoft.Extensions.AI 抽象——因为直播转录会话、原始 PCM 流和中间结果都是 Foundry Local 特有的能力。

这给 .NET AI 应用提供了一个有用的模式：

• 场景匹配时，用 Microsoft.Extensions.AI 抽象；
• 需要特定提供商能力时，直接用提供商 SDK。

两种方式互补，不是二选一。

我们要构建什么

应用的流程很直接：

• 初始化 Foundry Local，从目录中解析一个语音模型
• 下载并加载模型
• 创建直播转录会话
• 以 16 kHz、16 位、单声道 PCM 采集麦克风音频
• 把音频流送给模型，打印中间结果与最终结果

示例面向 .NET 10，使用：

• Microsoft.AI.Foundry.Local.WinML（Foundry Local 的 Windows ML 实现）
• NAudio（麦克风采集）
• nemotron-speech-streaming-en-0.6b（Foundry Local 目录里的英文流式 ASR 模型）

重要：本示例仅限 Windows。 Microsoft.AI.Foundry.Local.WinML 依赖 Windows ML，NAudio.WaveInEvent 使用 Windows 音频 API。

完整可运行代码在 microsoft/Generative-AI-for-beginners-dotnet 仓库的 CoreSamples/11-foundrylocal-live-transcription。

让 Foundry Local 管理模型

第一个关键部分是让模型通过 Foundry Local 目录解析：

using Microsoft.AI.Foundry.Local;
using Microsoft.Extensions.Logging.Abstractions;
using NAudio.Wave;
using System.Threading.Channels;

var config = new Configuration
{
    AppName = "dotnet-local-ai-live-transcription",
    LogLevel = LogLevel.Information
};

await FoundryLocalManager.CreateAsync(config, NullLogger.Instance);

using var manager = FoundryLocalManager.Instance;
await manager.DownloadAndRegisterEpsAsync(); // EPs: execution providers for the detected hardware

var catalog = await manager.GetCatalogAsync();
var model = await catalog.GetModelAsync(
    "nemotron-speech-streaming-en-0.6b")
    ?? throw new InvalidOperationException("Speech model not found.");

await model.DownloadAsync(progress =>
    Console.Write($"\rDownloading model: {progress:F2}%"));

await model.LoadAsync();

这是 Foundry Local 开发者体验里最讨喜的部分之一：应用按别名要模型，模型文件和硬件所需的执行提供程序（execution provider）都由 Foundry Local 处理。首次运行会下载模型和必要的执行提供程序；模型留在缓存里，之后运行直接复用，不用再下载。没有单独的下载脚本、没有手工管理的模型目录、没有 API key。

需要注意：模型应从目录获取、通过 model.DownloadAsync() 下载，而不是从 Hugging Face 单独下文件——Foundry Local 拥有目录专属的元数据和文件布局。它还能根据可用硬件选择模型变体和执行提供程序：不是每个本地 AI 负载都需要大模型，甚至不一定需要 GPU。

创建直播转录会话

模型加载后，拿到它的 AudioClient 并创建流式会话：

var audioClient = await model.GetAudioClientAsync();
using var session = audioClient.CreateLiveTranscriptionSession();

session.Settings.SampleRate = 16000;
session.Settings.Channels = 1;
session.Settings.Language = "en"; // this Nemotron variant is English-only

await session.StartAsync();

这不是对完整音频文件做批量转录。会话保持打开，说话期间持续接收原始 PCM 音频。

示例用 NAudio.WaveInEvent 以 16 kHz、16 位、单声道采集麦克风。因为 NAudio 回调是同步的、session.AppendAsync() 是异步的，完整示例把音频块放进一个有界 channel，由专门的任务发送给会话——这样尊重背压，也不会制造无限多个 fire-and-forget 操作：

var audioChannel = Channel.CreateBounded<byte[]>(new BoundedChannelOptions(50)
{
    FullMode = BoundedChannelFullMode.DropOldest
});

var appendTask = Task.Run(async () =>
{
    await foreach (var chunk in audioChannel.Reader.ReadAllAsync())
    {
        await session.AppendAsync(chunk);
    }
});

用异步流读取部分与最终结果

转录结果通过异步流到达。在调用 AppendAsync() 之外的任务里消费它，读取结果才不会阻塞音频采集：

await foreach (var result in session.GetStream())
{
    var text = result.Content?[0]?.Text;

    if (result.IsFinal)
    {
        Console.WriteLine();
        Console.WriteLine($"[FINAL] {text}");
    }
    else if (!string.IsNullOrEmpty(text))
    {
        Console.Write(text);
    }
}

用户说话时，中间结果可以立即显示；模型完成一个语段后发出最终结果。这种 API 很适合实时字幕、会议笔记、语音控制桌面应用、无障碍工具，以及连接受限的边缘方案。

完整示例里，资源清理被保护起来，异常后也会执行。简化的生命周期长这样：

await model.LoadAsync();
try
{
  using var session = audioClient.CreateLiveTranscriptionSession();
  await session.StartAsync();

  try
  {
    using var waveIn = new WaveInEvent();
    // Capture and stream microphone audio.
  }
  finally
  {
    await session.StopAsync();
  }
}
finally
{
  await model.UnloadAsync();
}

示例用 Enter 做优雅退出。生产环境支持 Ctrl+C 的命令行应用应该处理 Console.CancelKeyPress，取消进行中的工作，并让同一个 finally 路径走完。

示例还演示了 RemoveFromCacheAsync()：不想再保留模型时可以显式移除。正常应用里保留缓存更划算，下次运行不用再下载。

为什么在本地跑语音转文字

本地推理给这个场景带来一些实际好处：

• 麦克风音频留在设备上
• 不需要云 AI 资源或 API key
• 初始模型下载之后，推理不需要网络往返
• 流式模型可以走 Foundry Local 选中的 CPU 变体
• 应用仍然用熟悉的 C# 模式：async/await、异步流、channel、强类型 SDK 客户端

本地 AI 不会取代所有云端负载——更大的模型、集中管理、弹性扩展和其他云服务依然重要。但对隐私敏感的音频、离线体验、原型和需要设备端处理的应用，它给了 .NET 开发者另一个很有用的选项。

小结

聊天客户端通常是第一个本地 AI 演示，原因很充分：容易理解、做着有趣。但 Foundry Local 不只是本地聊天运行时。它能从 C# 应用直接管理和运行不同类型的模型，包括专用的流式语音模型。你专注要构建的体验，模型生命周期的大部分交给 Foundry Local。

文章结尾有句轻松的总结：让本地模型写诗依然允许——现在你的应用还能在你朗读时把这首诗转录出来。

想上手：先装 .NET 10 SDK 和 Windows 环境，跑通官方示例仓库，把麦克风权限交给应用，然后从「改模型别名」「换采样参数」开始做你自己的版本。参考文档里还有 Foundry Local 的实时转录官方教程与 .NET & AI Community Standup 的演示视频。

Aide Hub 持续分享 AI 助手、开发工具与软件工程实践。如果你在 Windows 上跑通了本地语音转文字，欢迎分享实际体验；遇到模型下载或执行提供程序的问题，优先查 Foundry Local 文档的排错章节。

参考

• Beyond Chat: live Speech-to-Text with Foundry Local and C#（原文，Bruno Capuano，.NET Blog）
• Foundry Local 文档 | Microsoft Learn
• 使用 Foundry Local 实时转录音频（C#）| Microsoft Learn
• 完整示例：11-foundrylocal-live-transcription | GitHub
• .NET & AI Community Standup（演示视频）
• GPT-OSS, C#, and Ollama（前作）| .NET Blog