直接回答
离线音频文件翻译不只是加载一个端侧模型。应用还必须允许用户选取文件、保留 URI 访问权限、解码实际媒体格式、控制内存占用、按照模型输入契约分段，并把转写与翻译分开处理。随后要向用户展示系统听到了什么、翻译了什么，保留不完整或失败的片段，并且只在用户明确操作后导出。文件扩展名是“.mp3”或文件选择成功，都不能证明其内容可解码或可以离线翻译；本地推理也不能证明文件提供方、语音引擎和导出目标都是本地的。本文提供架构和评估清单，不宣称 Cove Voice 当前能导入并翻译任意音频文件。请用带版本的样例测试一个确切格式，在完成联网准备后断网跑通完整流程，并区分原始结果与派生译文。
场景：登机前翻译一段讲座录音
学生收到同学通过文档提供方分享的录音，想在登机前离线转写并生成可复核的译文。文件可能很长，URI 可能来自本机或云端；解码或模型限制可能导致其中一段失败，但不代表之前成功处理的片段都无效。
决策
通过用户选择的 URI 导入，记录提供方和格式，使用有界分段处理，并将源转写与译文并列保留。提前定义解码、识别、翻译或导出失败时的行为；不要把缺失片段静默替换为猜测的摘要。
预期结果
学生能看出哪些片段完成、哪些没有完成，以及任务是否需要网络。应用可以重试失败片段，或导出明确标记的部分结果，而不暗示整段录音已经翻译完毕。
需要收集的证据
只有将以下证据与同一模型文件和测试运行关联起来，结论才可复核：
- 用户选择的 URI 与文档提供方行为
- 有版本记录的解码器和音频样例
- 分阶段结果、资源限制与中断恢复记录
任务质量需要有版本记录的语料和验收规则；流畅的单条样例不等于准确度结果。
实施流程
- 使用由用户控制的文件选择边界. 当不需要广泛存储权限时，优先使用 Android 系统文档选择器让用户选定文件。将返回的 content URI 当作不透明的提供方引用，而不是文件系统路径。检查读取权限、后续工作是否需要持久化授权、提供方来自本地还是云端，以及设备断开或授权撤销时如何恢复。
- 检查格式并增量解码. 在推理前通过受支持的媒体 API 读取容器和编码信息。不要把扩展名、文件标注时长或 MIME 提示当作可解码证明。使用有界窗口解码，记录采样率与声道转换，并保留提供方返回不支持格式、截断数据或访问错误时的原因。
- 定义分段与资源策略. 分段边界应由模型输入契约和用户任务决定，而不只是方便的固定字节数。写明重叠或上下文衔接、时间戳映射、静音处理、最大缓冲、取消和临时文件清理策略。在准确工作负载上观察内存；音频文件大小不等于应用的峰值工作集。
- 分开保存识别结果与译文. 每个片段都应把源转写或模型解析结果与目标语言译文分开保留，便于判断错误来自解码、识别、语言判断还是翻译。只有实现确实提供置信度或不确定性信号时才记录它们；否则要告诉用户哪些结果需要人工复核。
- 在全部准备完成后断网测试. 先安装或下载必需模型资产，再关闭网络跑通真实的文件导入到导出流程。分别测试本地文件与提供方 URI，因为云文档提供方即使在推理本地执行时也可能仍需网络。记录每阶段结果、取消、重试、部分完成和恢复行为。
- 导出时透明标注处理结果. 向用户展示源文件名或不含隐私的本机标签、源语言和目标语言、片段完成状态，以及结果是否部分处理。生成新文档或分享前允许用户预览转写和译文。保持原始音频不变；未经明确确认，不要用译文覆盖原文件。
让每个阶段的状态都可观察。失败信息应指出阶段、模型、运行时和恢复动作，同时避免记录用户私密内容。
验收标准
- 应用可以读取用户选择的文档 URI，但不假设该 URI 对应本机路径。
- 解码、分段、识别、翻译和导出有独立的测试结果。
- 模型准备后断网验证完整流程，并覆盖提供方限制和部分失败。
- 导出文件说明处理是否完整，并保留源音频及转写来源关系。
决策对照表
| 维度 | 选择或证据 | 解读方式 |
|---|---|---|
| 文件访问 | 系统文件选择器与 content URI | 用户控制所选文档，但提供方可能仍依赖网络。 |
| 现场麦克风录音 | AudioRecord 或录音流 | 负责采集新音频，不会自动支持导入已有录音。 |
| 文件解码 | 带版本的媒体解码器和有界缓冲 | 文件名有效不代表编码受支持或内存使用安全。 |
| 离线完成 | 模型准备后断网，完成导入至导出 | 本地推理不能证明文件读取和导出也能离线。 |
需要避免的失败模式
- 假设每个 URI 都是本地文件路径
- 将无界音频一次性载入内存
- 丢弃源转写或失败记录
还要避免静默回退、版本未固定、缺少取消处理，以及把不同配置的结果混在一起下结论。失败运行也应与成功记录一并保存。
最小复现记录
| 层级 | 记录内容 |
|---|---|
| 设备 | 厂商、型号、芯片、内存档位、操作系统版本 |
| 软件 | 应用版本和 Git 提交号 |
| 模型 | 系列、变体、版本、格式、文件长度、摘要、量化方式 |
| 运行时 | 名称、版本、请求后端及实际后端证据 |
| 工作负载 | 样例版本、输入摘要、提示词摘要、输出策略 |
| 结果 | 完成、失败、取消、回退及保护隐私的诊断信息 |
发布检查表
- ☐ 主要搜索问题已回答，且没有未经支持的数字。
- ☐ 所有模型文件和运行时版本均已固定。
- ☐ 代表性任务和失败处理策略均有说明。
- ☐ 生命周期、取消、清理和回退均已测试。
- ☐ 用户内容与网络边界均有说明。
- ☐ 结论只适用于被记录的配置。
- ☐ 新增测试结果时链接到原始方法或证据。
来源与相关证据
- Cove Travel 语音翻译实现
- Android Storage Access Framework 文档与文件访问指南
- Android MediaExtractor API 参考
- Google AI Edge Gemma 移动端部署概览
中文部署与排错专题见。奇连 AI 端侧专题。
常见问题
端侧语音模型能离线翻译任意音频文件吗？
不能。应用还要访问所选 URI、解码容器与编码、把音频转换为模型支持的输入格式，并在实测资源限制内完成任务。每个阶段都可能独立失败，所以应测试并说明确切格式和条件。
通过 Android 文件选择器选文件，就能保证文件在手机本地吗？
不能。文档选择器可以访问本地存储、可移动存储或云端服务。应用得到 content URI 时，打开或读取文件仍可能依赖提供方。不能仅凭选择器界面推断文件在本地，应在断网后实际测试。
离线翻译应用可以覆盖原始音频吗？
不应默认覆盖。保留不可变的源音频，并在用户检查后生成独立转写或译文文档。部分处理结果要清楚标注，未经用户明确操作不要覆盖、上传或分享文件。
长音频文件应该怎样处理？
使用有界片段逐段处理，并把每段对应回原始录音的位置，保留成功和失败结果。分段策略必须依据模型输入契约测试；一段短音频成功，不能证明长文件也能完成。