[分享创造] 用 ONNX Runtime Web 把 AI 和弦识别放到了浏览器本地运行，做了个 Chord Finder
最近做了一个音乐相关的 Web 工具，ChordFold 。 地址： https://chordfold.com/ 主要功能是：用户选择一段 MP3 或 WAV 音频，AI 自动识别里面的和弦，以及和弦随时间的变化。 和一些需要上传音频到服务器的识别服务不同，我选择了浏览器本地推理的方案。 目前的技术方案： 使用 BTC 系列和弦识别模型 模型转换为 ONNX 格式 通过 ONNX Runtime Web 在浏览器里执行 WASM 推理 对音频进行解码和 CQT 特征提取 模型预测后对结果进行平滑，生成和弦时间轴 用户侧的操作流程也比较简单： 选择本地音频文件 首次使用时下载识别模型 在浏览器本地分析音频 得到按时间排列的和弦结果 点击时间轴上的和弦，可以跳到对应位置回听 可以切换查看支持的吉他和弦指法图、钢琴音符参考 目前限制音频最大 14MB 、最长 10 分钟。 选择本地推理主要有几个考虑： 第一，音频不需要上传服务器，相对更有隐私优势。 第二，不需要为每个用户的识别请求支付云端 GPU 推理费用。 第三，工具本身不需要用户注册账号。 但缺点也很明显。 首先，模型首次下载需要时间
阅读原始来源![原始网页截图: [分享创造] 用 ONNX Runtime Web 把 AI 和弦识别放到了浏览器本地运行，做了个 Chord Finder](/media/420e4c0838c38da003c76109?v=2026-11-07T04%3A55%3A49.568Z)
来源记录
研究分析
变化记录
来源描述：最近做了一个音乐相关的 Web 工具，ChordFold 。 地址： https://chordfold.com/ 主要功能是：用户选择一段 MP3 或 WAV 音频，AI 自动识别里面的和弦，以及和弦随时间的变化。 和一些需要上传音频到服务器的识别服务不同，我选择了浏览器本地推理的方案。 目前的技术方案： 使用 BTC 系列和弦识别模型 模型转换为 ONNX 格式 通过 ONNX Runtime Web 在浏览器里执行 WASM 推理 对音频进行解码和 CQT 特征提取 模型预测后对结果进行平滑，生成和弦时间轴 用户侧的操作流程也比较简单： 选择本地音频文件 首次使用时下载识别模型 在浏览器本地分析音频 得到按时间排列的和弦结果 点击时间轴上的和弦，可以跳到对应位置回听 可以切换查看支持的吉他和弦指法图、钢琴音符参考 目前限制音频最大 14MB 、最长 10 分钟。 选择本地推理主要有几个考虑： 第一，音频不需要上传服务器，相对更有隐私优势。 第二，不需要为每个用户的识别请求支付云端 GPU 推理费用。 第三，工具本身不需要用户注册账号。 但缺点也很明显。 首先，模型首次下载需要时间
版本与成本证据
可供比较的近期同类记录：“Show HN: ActiveDNS, a free DNS search service” (Show HN, 2026年11月12日)；“Show HN: ThreeSweep – switch macOS windows with single trackpad swipe” (Show HN, 2026年11月12日)。主题相近仅用于导航，未核验其是否属于同一需求或独立证据。
适用与受影响对象
先明确变化影响的现有工作流，再判断是否升级。发布热度不证明效果提升；接口、价格或可用性变化也可能增加迁移工作。
缺失的比较信息
待补齐：新旧行为、受影响套餐与地区、生效时间、兼容性、回退路径及同一工作量下的成本。
采用与迁移验证
保存发布或政策原文，对新旧方案运行同一个任务并比较结果与完整账单；若涉及停服，先核验截止时间再安排迁移。