定义
PocketSphinx 是卡内基梅隆大学（Carnegie Mellon University）推出的开源大词汇量、说话人无关的连续语音识别引擎之一，也是 CMU Sphinx 项目面向资源受限设备的分支[4]。它是一个用纯 C 语言编写的库，既可以用于开发 C 应用程序，也便于生成其他语言的绑定，在实时速度下被认为是准确度较高的识别引擎，因此适合实时应用[1]。
按 CMU Sphinx 官方的定位，PocketSphinx 的体积很小，采用简化的 BSD 许可证发布，可用于手持设备和桌面应用，支持多种操作系统与早期的移动平台，并提供半连续、音素绑定以及全连续声学模型的支持[2]。它内置英语和汉语普通话的声学模型，也提供英语和汉语普通话的小型语言模型，其中汉语模型同时支持简体字和繁体字[2]。
原理
PocketSphinx 的识别流程大致分为 3 个环节：先把音频信号转换为声学特征向量，再把特征与音素比对得到匹配概率，最后由解码器结合语言模型搜索出最可能的文本序列[5]。特征提取通常采用梅尔频率倒谱系数（MFCC），声学模型则常用高斯混合模型，解码环节基于 N-gram 语言模型和维特比算法[5]。
在模型结构上，识别器的声学模型与语言模型是相对解耦的，开发者可以通过替换这两部分来适配不同语言或不同任务[6]。声学模型文件通常以 .dmf 命名，语言模型文件以 .lm 命名，词典文件记录词条及其发音；常用英语模型包包含声学模型、词典和语言模型，通用英语模型大小约 2MB[5]。输入音频一般要求单声道、16kHz 采样、16 位量化，库也可以自动完成相应转换[3]。
除自由口述式识别外，PocketSphinx 还支持两种受限解码方式：一是关键词检测，为每个关键词设定灵敏度参数，只在音频中寻找指定词；二是基于 JSGF 或 FSG 语法的语法识别，把候选范围限制在语法定义的短语集合内[3]。这两种方式都能显著提升小词汇量场景下的识别准确度，其中关键词检测在只关注特定短语时效果优于自由转写[3]。
发展历程
PocketSphinx 源自卡内基梅隆大学的 Sphinx-II 语音识别系统，后者又建立在该校更早的若干系统之上，这些系统通过 Kevin Lenzo 的努力以类 BSD 许可证发布为自由软件[4]。该系统的解码器代码有相当部分由 Ravishankar Mosur 编写，其他人也作出了贡献[4]。
David Huggins-Daines 创建了 PocketSphinx，为它加入了多项速度和内存优化、定点运算支持、JSGF 语法支持、多平台移植以及较为一致的应用程序接口，此后他曾一度淡出开发[4]。此后较长一段时间由 Nickolay Shmyrev 接手维护，Alexander Solovets、Vyacheslav Klimkov 等人也贡献了大量代码，目前项目重新由 David Huggins-Daines 维护[4]。
2010 年前后，项目发布了 PocketSphinx 0.6 版本，同时发布 SphinxBase 0.6，该版本对应代码仓库的 SVN 修订号 9898[2]。此后广为流传的一个版本名为 5prealpha，项目随后改用规范的语义化版本号，陆续发布了 5.0.x 系列，Fedora 软件仓库中曾收录 5.0.4 等版本，并已在 Fedora Rawhide 中提供 5.1.0[4][7]。新版构建改用 CMake，并取消了对外部 SphinxBase 的依赖[4]。
应用
PocketSphinx 适合桌面应用、命令控制与听写等追求快速响应和低资源消耗的场景[1]。借助定点运算支持，它也被用于嵌入式设备，并曾在 iPhone、诺基亚 Maemo 设备以及 Windows Mobile 平台上使用[1]。在移动端开发中，常被用于智能家居指令、车载系统、无障碍工具等需要本地处理的场合[6]。
关键词检测是它的典型用途之一，可用于「Hey Computer」这类唤醒词检测，也适合词汇量有限、已知范围的语音命令[3]。由于识别完全在本地完成，音频不需要离开设备，它也被用于医疗、法律、军事等对隐私较为敏感的领域，以及在无网络环境下运行的离线应用[3]。一些小型硬件平台如树莓派和物联网设备也会采用它[3]。
在软件生态方面，PocketSphinx 提供 Python 语言绑定，可集成到 GStreamer 多媒体框架，也被封装进第三方语音识别库供开发者调用[2][3]。它同时被 NetBSD、Debian、FreeBSD、Fedora 等系统的软件仓库收录，作为可安装的语音识别工具或前端库分发[8]。
局限
PocketSphinx 的识别精度低于云端服务和较新的离线模型，因此不适合对一般语音转写准确度要求较高的任务[3]。开源社区对其维护状态也有说明：它曾是一套研究系统，但活跃开发已基本停止，与当前最先进水平存在较大差距，继续发布新版本主要是因为仍有用户在使用[4]。
在语言支持上，默认只提供美式英语，使用其他语言需要额外下载并配置语言数据，安装过程相对复杂[3]。它对噪声比较敏感，在嘈杂环境中表现不佳，官方文档建议在受限词汇量和安静环境下使用，或用关键词、语法来约束识别范围以提升效果[3]。这些特点决定了它更适合命令词、热词检测和资源极为有限的设备，而不是高精度的通用转写[3]。
参见
参考资料
- Versions Of Decoders [引用日期2026-10-14]
- CMUSphinx Open Source Speech Recognition [引用日期2026-10-14]
- CMU Sphinx (PocketSphinx) - SpeechRecognition [引用日期2026-10-14]
- pocketsphinx [引用日期2026-10-14]
- Android离线语音识别：PocketSphinx技术解析与实践指南 [引用日期2026-10-14]
- Android离线语音识别：PocketSphinx中文适配指南 [引用日期2026-10-14]
- pocketsphinx [引用日期2026-10-14]
- audio/pocketsphinx - The NetBSD Packages Collection [引用日期2026-10-14]