1.1. 引擎类型

MSC SDK 有几种引擎类型（ENGINE_TYPE），此文章中我们主要关注并介绍以下两种：

• 在线引擎（TYPE_CLOUD），又称为云端模式，需要使用网络，速度稍慢，并产生一定流量，但有更好的识别和合成的效果，如更高的识别匹配度，更多的发音人等。
• 离线引擎（TYPELOCAL），又称为本地模式，不需要使用网络，且识别和合成的速度更快，但同时要求购买并使用对应的离线资源（下载对应离线功能的SDK包）。
  需要说明的是，在线引擎下，结果返回速度基本决定于用户网络的带宽限制。如在合成或识别下，默认的音频格式为 16000 HZ 采样，16 bit 精度，单声道， raw pcm，Little-endian；在未压缩的情况下，为 16000 16 = 256000 bit/s（比特每秒）。此时，如果要听写上传，或下载合成到的音频，时长为 T 秒，用户网络带宽为 X mpbs（兆比特每秒），则需要时长为 256000 T / ( X 2^10 _ 2^10 )，假设 T 为 10，X 为 1，则10秒的音频，在1M的带宽下的传输时间约为 2.44s。

特别是在识别时，主要网络数据交互在音频的上传过程，此时网络上行带宽决定了音频上传的快慢，影响语音云服务器收到音频的快慢，继而决定了结果返回的快慢。

针对网络带宽的影响结果问题，SDK在识别音频上传和合成音频下载时，都做了相应的优化：

• 会话模式( ssm )，默认开启。只要 SDK 获取到一部份音频数据，就会开始上传到语音云服务器，而不是等到整段识别音频数据都获取到再上传。在实时的录制音频并进行识别时，此优化效果尤其明显：音频的录制需要时间，而 SDK 会利用这些时间，每录制到一小段音频，就开始上传到语音云服务器，且在有部份小分句（如有停顿的地方）的结果时，就会把结果返回给客户端。待音频录制完时，音频也已即将完成上传，此时，结果返回就更快，几乎能达到说完即得到结果的情况。更特别的，VAD（更多关于VAD的相关说明，请参考MSC Android API 文档）生效的情况下，在应用层还未告知 SDK 已完成音频录制时，结果可能已返回。
• 音频压缩（aue），并默认开启。发送端对上下行的音频进行压缩（音频压缩由MSC内部实现），压缩比约为 10:1，并在接收端解压还原（音频解压由MSC内部实现），大大减少带宽占用，并减少网络交互的时间占用。