练口语时，可以把一段录音先转成文字，自己对照原音修正，再把其中一句交给本机大模型练回应。这样能看见模型实际“听到”的内容，也能围绕同一话题继续聊。这是录音后的逐句练习，不是实时通话、发音评分或自动纠音工具。

我在本机用 FunASR 的 paraformer-zh 识别三段清晰的合成英语语音，再用本机 Qwen3.8-27B 进行两轮文字对话。两条短句转写与参考文本一致；一段 68 词的长句有一处替换，把 “this time” 识别成了 “next time”。这类差异可能改变原意，所以先听录音校对，再让 Qwen 给建议。

准备本机工具和一段录音

需要安装 FunASR、Ollama 和 Qwen。可以先看Mac 本地 FunASR 转写教程和本地运行 Qwen3.8-27B。本例使用 FunASR 1.4.16 的中文主模型 paraformer-zh，官方模型卡列出中文和英语识别能力；模型主要面向普通话，英语口语效果要按自己的录音验证。查看模型卡

准备一段自己朗读的英语录音。若是 m4a，可以在 Mac 终端转成 16 kHz、单声道 WAV：

afconvert -f WAVE -d LEI16@16000 -c 1 recording.m4a practice.wav

不要录入别人的声音或姓名、学校等身份信息。首次调用 FunASR 会从 ModelScope 下载模型和辅助组件；后续可在本机离线识别。下载前留出足够磁盘空间。

转写后先对照原音

下载本机口语复盘练习包，解压后在目录里运行：

python3 transcribe_english.py practice.wav

脚本用 paraformer-zh、VAD 和标点恢复模型，在本机打印转写结果。首次运行加载模型约 16 秒；本机测试里，约 5.8 秒短音频识别约 2.55 秒，20.5 秒长音频识别约 3.50 秒。实际速度会随设备、音频和首次加载变化。

长句测试的参考文本与模型输出有一处不同：

参考：She said I could show my student ID this time, but I should bring my library card next time.
识别：She said I could show my student ID next time, but I should bring my library card next time.

模型把 “this time” 写成 “next time”。因此不要直接复制转写当作正确原文；先听对应片段，修好人名、数字、否定词和时间表达，再交给 Qwen。短句和长句样本都由系统语音合成，不代表真人口音、环境噪声或停顿下的表现。

让 Qwen 围绕一句话练回应

打开本机 Qwen 对话，把练习包里的提示词与校对后的句子一起粘贴进去。提示词要求只纠正明确的语法或用词错误；如果原句已经正确，就直接说明，再把替代表达标成“可选说法”，不要把个人偏好说成语法规则。

这次用 “I left my library card at home. What could I say to the librarian?” 开始第一轮；Qwen 确认句子正确，示范 “I forgot my card. Can I check out a book anyway?”，并问了一个简短追问。第二轮保留上下文，继续问如何申请借书证；模型回答 “How do I get a library card?”。两轮分别约 6.50 秒和 2.70 秒。完整输出和提示词都在练习包里。

如果 Qwen 说某句话“不自然”，可以追问它是否属于语法错误，要求给出理由和另一种可接受表达。学习者仍要按录音、教材或老师要求判断，不把模型的一次反馈当成英语水平评价。

语音回复是可选项

我也用本机 CosyVoice 3 合成过一段 16.12 秒的英文回复，生成耗时约 84.6 秒，明显慢于实时播放。它可以用来生成跟读材料，但不适合这个配置下的即时语音对话；更简单的做法是先读 Qwen 文本，或使用设备自带朗读功能。CosyVoice 的安装方法见Mac 本地 CosyVoice 3 教程。这次没有做母语者听感评估。

FunASR 另有英语专用 paraformer-en，官方模型卡列为 16 kHz、离线非流式英语识别；本教程没有下载和实测该候选，因此不比较它与 paraformer-zh 的准确率。若你的主要需求是长时间英语录音或更高识别精度，应先用自己的代表性录音做对比测试。查看 Paraformer-en 模型卡 查看 FunASR 选型指南

音频和未成年人的隐私

本例的识别和对话都发给本机服务，音频没有上传到云模型；首次下载模型时仍需要联网。不要把家人、同学或学生的声音放进公开练习包。未满十四周岁未成年人的个人信息属于敏感个人信息，处理时应取得监护人同意；真实练习还要遵守学校和家庭的相关要求。查看《个人信息保护法》第二十八、三十一条

本流程只测试了合成音频和本机文字对话，没有测试真人录音、口音识别、发音打分或语音实时往返。把它当作“录音—转写—校对—文字对话”的练习工具即可。