中文语音转写

把中文录音和口述变成能逐句核对的文字。比如“把这段录音转成文字,听不清的地方标出来”,AI 先送云端转写,需要时再用本机模型核对,会收到文字和需要回听的时间点。

现在
听写
云端复核

AI 替我处理一段选定的录音时,免费期内先送阿里云百炼(Qwen Audio 3.1)转写,不等本地,也不用先有疑点;云端用不了,或者这段要交叉核对时,才在自己电脑上让两个不同的模型各听一遍(Qwen3-ASR-1.7B 主听、SenseVoiceSmall 对照),对不上的地方标出时间点。重要录音可以点名走高质量路线,另给回听网页。微信聊天里正在收到的语音另走一条快路:模型提前热好,本机和云端同时转;这条路的 15 秒总时限还没拿真实微信录音验过。按 Win+H 也能口述,把文字打进当前输入框,只在本机识别,不上云。各种录音走哪条路见选哪条路。

934 段
8 月 18 日起,按 11 月 4 日 08:36 现存任务结果清点的不同录音(至少,原音指纹去重、排除测试目录)
0.43 秒
听写识别一段的中位用时(9 月 6 日–10 月 22 日,共 500 段)
8 个模型
都在本机跑,共 26.5 GiB
156 份
云端任务结果标成功(现存共 190 份,另有失败 28 份、被拦下 6 份;11 月 6 日清点,份数不等于上传次数)
中文语音转写

把中文录音和口述变成能逐句核对的文字。比如“把这段录音转成文字,听不清的地方标出来”,AI 先送云端转写,需要时再用本机模型核对,会收到文字和需要回听的时间点。

现在
听写
云端复核
934 段
8 月 18 日起,按 11 月 4 日 08:36 现存任务结果清点的不同录音(至少,原音指纹去重、排除测试目录)
0.43 秒
听写识别一段的中位用时(9 月 6 日–10 月 22 日,共 500 段)
8 个模型
都在本机跑,共 26.5 GiB
156 份
云端任务结果标成功(现存共 190 份,另有失败 28 份、被拦下 6 份;11 月 6 日清点,份数不等于上传次数)

AI 替我处理一段选定的录音时,免费期内先送阿里云百炼(Qwen Audio 3.1)转写,不等本地,也不用先有疑点;云端用不了,或者这段要交叉核对时,才在自己电脑上让两个不同的模型各听一遍(Qwen3-ASR-1.7B 主听、SenseVoiceSmall 对照),对不上的地方标出时间点。重要录音可以点名走高质量路线,另给回听网页。微信聊天里正在收到的语音另走一条快路:模型提前热好,本机和云端同时转;这条路的 15 秒总时限还没拿真实微信录音验过。按 Win+H 也能口述,把文字打进当前输入框,只在本机识别,不上云。各种录音走哪条路见选哪条路。

选哪条路
想要怎么转交回什么
边说边打字桌面听写:Win+H,只用 Qwen3-ASR 一个模型停顿约 0.6 秒就打进光标处;不润色、不上传
微信聊天里正在收到的语音实时会话:模型提前热好;微信自己转好的文字直接用,没有就本机和云端同时转,不排文件队列谁先完整先交,后到的留着;带原音指纹、覆盖范围和真实耗时,没转全就明说。总时限归实时聊天怎么读懂语音,15 秒还没用真实录音验过
快速知道大意快速初稿:SenseVoiceSmall 一个模型正文,不做对照
把一段录音交给 AI(默认)免费期内先送阿里云百炼(Qwen Audio 3.1),不等本地,也不用先有疑点云端稿、原音指纹、分段范围和状态;云端出错或到期就留回执,按需要改用本地
云端用不了,或要交叉核对本地严格转写:Qwen3-ASR 主听、SenseVoiceSmall 对照正文+疑点清单+防改动清单
重要的录音,要能逐段回听也先上云并标“重要”;要本地证据时走高质量:FireRedASR2-LLM 主听、Qwen3-ASR 对照,每个词对到时间上以上全部,再加本地回听网页
本地稿有疑难:两个模型对不上、有 [疑似]、标成重要免费期内由 AI 请阿里云百炼(Qwen Audio 3.1)再听一遍;可以让 AI 暂停云端稿和本地稿并排放,本地稿不动
很长的录音按停顿切段,断了再提交就接着跑已核对过的段不重做
一整个文件夹批量转,模型一批只加载一次每个文件各一份结果
分清谁在说Paraformer 出逐句时间,CAM++ 按声音分组“说话人 1、说话人 2”,只分组,不认人
哪几句是我说的用唯一一份“我”的声音参考比对,再看声道、谁打给谁、说的内容每句标我、别人或说不准,都是能推翻的推定
已有文字,只要时间Qwen3-ForcedAligner 把文字对到录音上,每段不超过 300 秒每个词的起止秒;不证明文字对
以前转过的录音按原音指纹直接取回已有结果带时间的片段,不重转、不开模型

云端什么时候传、怎么停、花不花钱:录音怎么上云

选哪条路
想要怎么转交回什么
边说边打字
怎么转:
桌面听写:Win+H,只用 Qwen3-ASR 一个模型
交回什么:
停顿约 0.6 秒就打进光标处;不润色、不上传
微信聊天里正在收到的语音
怎么转:
实时会话:模型提前热好;微信自己转好的文字直接用,没有就本机和云端同时转,不排文件队列
交回什么:
谁先完整先交,后到的留着;带原音指纹、覆盖范围和真实耗时,没转全就明说。总时限归实时聊天怎么读懂语音,15 秒还没用真实录音验过
快速知道大意
怎么转:
快速初稿:SenseVoiceSmall 一个模型
交回什么:
正文,不做对照
把一段录音交给 AI(默认)
怎么转:
免费期内先送阿里云百炼(Qwen Audio 3.1),不等本地,也不用先有疑点
交回什么:
云端稿、原音指纹、分段范围和状态;云端出错或到期就留回执,按需要改用本地
云端用不了,或要交叉核对
怎么转:
本地严格转写:Qwen3-ASR 主听、SenseVoiceSmall 对照
交回什么:
正文+疑点清单+防改动清单
重要的录音,要能逐段回听
怎么转:
也先上云并标“重要”;要本地证据时走高质量:FireRedASR2-LLM 主听、Qwen3-ASR 对照,每个词对到时间上
交回什么:
以上全部,再加本地回听网页
本地稿有疑难:两个模型对不上、有 [疑似]、标成重要
怎么转:
免费期内由 AI 请阿里云百炼(Qwen Audio 3.1)再听一遍;可以让 AI 暂停
交回什么:
云端稿和本地稿并排放,本地稿不动
很长的录音
怎么转:
按停顿切段,断了再提交就接着跑
交回什么:
已核对过的段不重做
一整个文件夹
怎么转:
批量转,模型一批只加载一次
交回什么:
每个文件各一份结果
分清谁在说
怎么转:
Paraformer 出逐句时间,CAM++ 按声音分组
交回什么:
“说话人 1、说话人 2”,只分组,不认人
哪几句是我说的
怎么转:
用唯一一份“我”的声音参考比对,再看声道、谁打给谁、说的内容
交回什么:
每句标我、别人或说不准,都是能推翻的推定
已有文字,只要时间
怎么转:
Qwen3-ForcedAligner 把文字对到录音上,每段不超过 300 秒
交回什么:
每个词的起止秒;不证明文字对
以前转过的录音
怎么转:
按原音指纹直接取回已有结果
交回什么:
带时间的片段,不重转、不开模型

云端什么时候传、怎么停、花不花钱:录音怎么上云

三种用法
口述:按 Win+H 就说
  • 开机登录后,听写程序自己启动,把模型装进内存待命;不按就不录。
  • 点一下任何输入框(聊天框、文档、AI 对话框),按 Win+H 或 Ctrl+Win+H,屏幕上出现一个小窗,开始录音。
  • 说完停顿约 0.6 秒(或一口气说满 20 秒),这一段就打进光标处;再按一次暂停并收起。
  • 只用一个模型,不润色,也不会自动按回车发送。
录音:交给 AI
  • 保存好的微信语音、会议、电话、口述笔记、课程录音,把文件交给 AI 就行。
  • 免费期内 AI 先把这段送云端转写,不等本地,也不用我每次点头;云端用不了或要核对时,才交给本机的转写服务,最多等 15 秒,没跑完就先拿回任务编号,接着回话,不被长录音卡住。
  • 跑完交回:干净的正文;走了本地两路时再加一份疑点清单(哪一句、在第几秒、为什么可疑);要求高质量时再加一个本地回听网页。
  • 本地转完发现疑难,AI 会自动请云端再听一遍,两份并排放,不覆盖本地稿。
微信实时语音:聊着就能听懂
  • 让 AI 在微信里接着聊的时候用,不用先导出文件:开始前把模型热好,语音到了不再现装模型。
  • 微信自己已经转好文字的直接用;没有就本机和云端同时转,谁先完整先交给 AI,后到的结果留着。
  • 一条最长 60 秒,不截断,本机识别这边一次最多等 10 秒;没转全就标没转全,不当成转完。
  • 结果一好就先交回;连续 3 秒没有新语音才把模型放回内存、让出显卡,连着来的语音不用反复搬模型。放回失败就结束这个工作进程,下一条明确说“没准备好”,不当场现装。这只改微信实时语音,桌面听写不变。
  • 从收到消息到读懂的 15 秒目标由实时聊天怎么读懂语音负责,还没拿真实微信录音验过。

跟 AI 怎么说、有哪些说法:中文语音转写技能

三种用法
口述:按 Win+H 就说
  • 开机登录后,听写程序自己启动,把模型装进内存待命;不按就不录。
  • 点一下任何输入框(聊天框、文档、AI 对话框),按 Win+H 或 Ctrl+Win+H,屏幕上出现一个小窗,开始录音。
  • 说完停顿约 0.6 秒(或一口气说满 20 秒),这一段就打进光标处;再按一次暂停并收起。
  • 只用一个模型,不润色,也不会自动按回车发送。
录音:交给 AI
  • 保存好的微信语音、会议、电话、口述笔记、课程录音,把文件交给 AI 就行。
  • 免费期内 AI 先把这段送云端转写,不等本地,也不用我每次点头;云端用不了或要核对时,才交给本机的转写服务,最多等 15 秒,没跑完就先拿回任务编号,接着回话,不被长录音卡住。
  • 跑完交回:干净的正文;走了本地两路时再加一份疑点清单(哪一句、在第几秒、为什么可疑);要求高质量时再加一个本地回听网页。
  • 本地转完发现疑难,AI 会自动请云端再听一遍,两份并排放,不覆盖本地稿。
微信实时语音:聊着就能听懂
  • 让 AI 在微信里接着聊的时候用,不用先导出文件:开始前把模型热好,语音到了不再现装模型。
  • 微信自己已经转好文字的直接用;没有就本机和云端同时转,谁先完整先交给 AI,后到的结果留着。
  • 一条最长 60 秒,不截断,本机识别这边一次最多等 10 秒;没转全就标没转全,不当成转完。
  • 结果一好就先交回;连续 3 秒没有新语音才把模型放回内存、让出显卡,连着来的语音不用反复搬模型。放回失败就结束这个工作进程,下一条明确说“没准备好”,不当场现装。这只改微信实时语音,桌面听写不变。
  • 从收到消息到读懂的 15 秒目标由实时聊天怎么读懂语音负责,还没拿真实微信录音验过。

跟 AI 怎么说、有哪些说法:中文语音转写技能

一段录音交给 AI 之后
1
先上云
免费期内、云端没被停用时,AI 直接把这段录音送阿里云百炼,不等本地;成功就交回云端稿、原音指纹、分段范围和状态。
2
需要时交给本机
云端出错、到期,或这段要交叉核对时,AI 才交给本机转写服务(只在本机监听),最多等 15 秒,没完就先拿任务编号;录音转成 16 kHz 单声道,记下原件和转换后文件的内容指纹(改一个字节就变)。
3
两个模型各听一遍
Qwen3-ASR-1.7B 主听,SenseVoiceSmall 对照;长录音先按停顿切段。
4
对照找疑点
逐句比:数字、否定词、单位、编号对不上的单独列;再查没声音却出字、套话、异常重复。
5
交结果
正文、疑点清单,外加一张防改动清单:把所有结果文件的指纹绑在一起,事后查得出有没有被改过。

交回来的样子(示例,内容是编的)

正文

……下个月的预算先按三百万 [疑似] 报上去……

……

疑点清单

P0 03:12 “三百”还是“三千”:两个模型数字不同,请回听

P1 07:45 这里没有人声,却出现“谢谢观看”

P2 12:03 这句两个模型差得多,建议回听

正文保持干净,只在拿不准的地方写 [疑似];两个模型都听不清的写 [听不清]。疑点清单只有走了本地两路才有;只走云端时交回的是云端稿和状态,云端成功也不等于逐字准确,影响理解的地方仍回听原音。

这段录音以前转过的,不管当时是单独转还是跟着文件夹整批转,都能按原音指纹找回那份稿,不用为了拿稿再转一遍;找回的稿要是没有能回放的时间段,会明说“有稿、缺时间”,不当成没转过。哪一步跑失败了,交回的是转写进程实际的退出原因,比如音频解不开。

模型偶尔吐出繁体字时,交回前只把字形换成简体:“軟體”变“软体”、“檔案”变“档案”,不顺手把用词换成另一种说法(不会把“软体”改成“软件”、“资讯”改成“信息”),桌面听写打出来的字也一样。这样正文里的词就是模型听到的词,用词上的差别留给人判断。

一段录音交给 AI 之后
1
先上云
免费期内、云端没被停用时,AI 直接把这段录音送阿里云百炼,不等本地;成功就交回云端稿、原音指纹、分段范围和状态。
2
需要时交给本机
云端出错、到期,或这段要交叉核对时,AI 才交给本机转写服务(只在本机监听),最多等 15 秒,没完就先拿任务编号;录音转成 16 kHz 单声道,记下原件和转换后文件的内容指纹(改一个字节就变)。
3
两个模型各听一遍
Qwen3-ASR-1.7B 主听,SenseVoiceSmall 对照;长录音先按停顿切段。
4
对照找疑点
逐句比:数字、否定词、单位、编号对不上的单独列;再查没声音却出字、套话、异常重复。
5
交结果
正文、疑点清单,外加一张防改动清单:把所有结果文件的指纹绑在一起,事后查得出有没有被改过。

交回来的样子(示例,内容是编的)

正文

……下个月的预算先按三百万 [疑似] 报上去……

……

疑点清单

P0 03:12 “三百”还是“三千”:两个模型数字不同,请回听

P1 07:45 这里没有人声,却出现“谢谢观看”

P2 12:03 这句两个模型差得多,建议回听

正文保持干净,只在拿不准的地方写 [疑似];两个模型都听不清的写 [听不清]。疑点清单只有走了本地两路才有;只走云端时交回的是云端稿和状态,云端成功也不等于逐字准确,影响理解的地方仍回听原音。

这段录音以前转过的,不管当时是单独转还是跟着文件夹整批转,都能按原音指纹找回那份稿,不用为了拿稿再转一遍;找回的稿要是没有能回放的时间段,会明说“有稿、缺时间”,不当成没转过。哪一步跑失败了,交回的是转写进程实际的退出原因,比如音频解不开。

模型偶尔吐出繁体字时,交回前只把字形换成简体:“軟體”变“软体”、“檔案”变“档案”,不顺手把用词换成另一种说法(不会把“软体”改成“软件”、“资讯”改成“信息”),桌面听写打出来的字也一样。这样正文里的词就是模型听到的词,用词上的差别留给人判断。

录音怎么上云
AI 拿到这次选定的录音 → 查免费期和有没有被停用 → 送阿里云百炼(Qwen Audio 3.1)转写,不等本地 → 存下云端稿、原音指纹和状态;不行就留回执,按需要改用本地

什么会上传:AI 正在处理的这段选定录音,普通清楚的也算,不用先有本地稿或疑点,也不会自己去扫录音库;重要证据加“重要”标记。已有本地稿的,标了疑难(两个模型对不上、正文里有 [疑似]、有一个模型失败、复核说要回听,或者这段被标成重要)也由 AI 送云端再听一遍,和本地稿并排存,标出哪里不一样,本地稿不动。

什么不上传:桌面听写一律不上传。本机转写服务和文件夹批量自己也不上传:不经 AI 发起的本地转写,只记一笔“等 AI 接手”。微信实时语音没有现成文字时会同时送云端,见实时聊天怎么读懂语音。

怎么传:短的走 HTTPS,每段不超过 120 秒,能顺便分说话人;长的走实时 WebSocket,本地先切成不超过 30 秒的段。不同的录音可以同时传,内容相同的(哪怕文件路径不同)仍一个一个来;免费期、暂停、出错停用和已有结果复用都不变。这项改动的提交(11 月 6 日)记过一次 6 条同时成功、每条 7.3–8.9 秒;之后没有复测,不保证每条都这么快。

免费期内自动:两款 3.1 模型的免费期记到北京时间 12 月 21 日 00:00(日期是我记下的,没在阿里云控制台核对);过期就不再自动传,结果里写“免费期已到期,云端未跑”,处理录音的 AI 会提醒我核对还能不能继续免费,没确认新免费期前用本地;免费期过了还想传,要我点头,这一次会标“可能计费”。

出错就停,也能手动停:阿里云报额度用完、欠费、余额不足、没权限或模型下线,就记下原因、停掉以后的自动上传;网络抖动、超时只算这一次失败。出错停的,我说恢复就再开;换了新模型、新的免费期或新的额度周期,也会自动再开(仍受免费期限制)。我也可以让 AI 手动暂停并写上原因,这种只有我说恢复才再开,换模型、改免费期都不算。点名上云不受影响。

费用:阿里云“免费额度用完即停”的开关没开,本地也不算用量,所以免费额度用完到阿里云报错之间可能产生欠费;这是我知道后选的。

钥匙不经手:阿里云的 key 由密码中心直接送出去,这里只准备好请求;key 不进命令行、文件和日志。

本地转写时标成重要的录音也算疑难,免费期内照样自动复核。云优先、疑难复核和点名上云走的是同一个入口;云端成功也不等于逐字准确,影响理解的分歧回原音核对。

录音怎么上云
AI 拿到这次选定的录音 → 查免费期和有没有被停用 → 送阿里云百炼(Qwen Audio 3.1)转写,不等本地 → 存下云端稿、原音指纹和状态;不行就留回执,按需要改用本地

什么会上传:AI 正在处理的这段选定录音,普通清楚的也算,不用先有本地稿或疑点,也不会自己去扫录音库;重要证据加“重要”标记。已有本地稿的,标了疑难(两个模型对不上、正文里有 [疑似]、有一个模型失败、复核说要回听,或者这段被标成重要)也由 AI 送云端再听一遍,和本地稿并排存,标出哪里不一样,本地稿不动。

什么不上传:桌面听写一律不上传。本机转写服务和文件夹批量自己也不上传:不经 AI 发起的本地转写,只记一笔“等 AI 接手”。微信实时语音没有现成文字时会同时送云端,见实时聊天怎么读懂语音。

怎么传:短的走 HTTPS,每段不超过 120 秒,能顺便分说话人;长的走实时 WebSocket,本地先切成不超过 30 秒的段。不同的录音可以同时传,内容相同的(哪怕文件路径不同)仍一个一个来;免费期、暂停、出错停用和已有结果复用都不变。这项改动的提交(11 月 6 日)记过一次 6 条同时成功、每条 7.3–8.9 秒;之后没有复测,不保证每条都这么快。

免费期内自动:两款 3.1 模型的免费期记到北京时间 12 月 21 日 00:00(日期是我记下的,没在阿里云控制台核对);过期就不再自动传,结果里写“免费期已到期,云端未跑”,处理录音的 AI 会提醒我核对还能不能继续免费,没确认新免费期前用本地;免费期过了还想传,要我点头,这一次会标“可能计费”。

出错就停,也能手动停:阿里云报额度用完、欠费、余额不足、没权限或模型下线,就记下原因、停掉以后的自动上传;网络抖动、超时只算这一次失败。出错停的,我说恢复就再开;换了新模型、新的免费期或新的额度周期,也会自动再开(仍受免费期限制)。我也可以让 AI 手动暂停并写上原因,这种只有我说恢复才再开,换模型、改免费期都不算。点名上云不受影响。

费用:阿里云“免费额度用完即停”的开关没开,本地也不算用量,所以免费额度用完到阿里云报错之间可能产生欠费;这是我知道后选的。

钥匙不经手:阿里云的 key 由密码中心直接送出去,这里只准备好请求;key 不进命令行、文件和日志。

本地转写时标成重要的录音也算疑难,免费期内照样自动复核。云优先、疑难复核和点名上云走的是同一个入口;云端成功也不等于逐字准确,影响理解的分歧回原音核对。

听写小窗
麦克风:点一下录音(图标变绿就在收音),再点暂停
小箭头:选麦克风、刷新、复制最近文字
×:收起并暂停,最后一句照样说完
状态点:绿=准备好了 黄=在准备模型或在等显卡 红=出了故障,点开看原因和怎么办

设备菜单:DJI Mic Mini Windows 默认麦克风 刷新麦克风 复制最近文字

几个细节
  • 200×75 像素,只显示一个:优先放在串流用的虚拟屏上,拔掉就回主屏;屏幕插拔、改分辨率会自己挪回来,拖过的位置保留。
  • Esc 取消还没打进去的那段,已经打进去的留着。
  • 说着说着点进了别的输入框、或切到别的程序,接下来的字就打进你现在所在的位置(切换前还没识别完的那段也跟过去),不会把你拽回原来的窗口,录音不停、也不报红。一时没有能打字的地方(焦点落在小窗自己身上,或快捷键还没松开),小窗显示“等待输入位置”:点回输入框就接着打,这期间的文字留在内存里可以从菜单复制,恢复后只打新出来的字,不把旧的再打一遍。真的发送失败才报红“文字输入失败”,下一段照样再试;管理员权限的窗口可能不收字,用复制取回。
  • 选的麦克风拔了,只提示插回或换一个,不会偷偷换别的麦克风录。
  • 声音和刚识别的文字只在内存里,不存文件;技术日志只记耗时、字数和出错,不记说了什么。
  • 托盘右键:复制最近识别文字 暂时释放/恢复两组快捷键 退出中文听写
  • 程序没开时,开始菜单里点“中文听写”打开。
听写小窗
麦克风:点一下录音(图标变绿就在收音),再点暂停
小箭头:选麦克风、刷新、复制最近文字
×:收起并暂停,最后一句照样说完
状态点:绿=准备好了 黄=在准备模型或在等显卡 红=出了故障,点开看原因和怎么办

设备菜单:DJI Mic Mini Windows 默认麦克风 刷新麦克风 复制最近文字

几个细节
  • 200×75 像素,只显示一个:优先放在串流用的虚拟屏上,拔掉就回主屏;屏幕插拔、改分辨率会自己挪回来,拖过的位置保留。
  • Esc 取消还没打进去的那段,已经打进去的留着。
  • 说着说着点进了别的输入框、或切到别的程序,接下来的字就打进你现在所在的位置(切换前还没识别完的那段也跟过去),不会把你拽回原来的窗口,录音不停、也不报红。一时没有能打字的地方(焦点落在小窗自己身上,或快捷键还没松开),小窗显示“等待输入位置”:点回输入框就接着打,这期间的文字留在内存里可以从菜单复制,恢复后只打新出来的字,不把旧的再打一遍。真的发送失败才报红“文字输入失败”,下一段照样再试;管理员权限的窗口可能不收字,用复制取回。
  • 选的麦克风拔了,只提示插回或换一个,不会偷偷换别的麦克风录。
  • 声音和刚识别的文字只在内存里,不存文件;技术日志只记耗时、字数和出错,不记说了什么。
  • 托盘右键:复制最近识别文字 暂时释放/恢复两组快捷键 退出中文听写
  • 程序没开时,开始菜单里点“中文听写”打开。
出事怎么办
遇到怎么办
按 Win+H 没反应看托盘里有没有中文听写:没有就从开始菜单点“中文听写”;有的话看快捷键是不是被暂时释放了,从托盘恢复
小窗一直是黄点点状态点看原因:“正在准备模型”是刚开机在装模型;“等待 GPU”是本地大模型在用显卡,录音已存在内存里,让出来就接着出字,不想等按 Esc
小窗是红点点状态点看原因:麦克风断了就插回或换一个;模型加载失败就点一下麦克风重试,不用重启电脑
说完了字没打进去小窗写“等待输入位置”:当时没有能打字的输入框,点回输入框,后面的字会接着打,没打进去的那段从托盘或小箭头菜单“复制最近识别文字”取回;红点写“文字输入失败”,或者是管理员权限的窗口:同样复制取回,下一段会重新尝试
转写说显卡忙同类转写或本地大模型占着显卡,它不抢,结果里写着是谁占着;等那边结束再提交
结果里有 [疑似]、[听不清]不是坏了,是模型拿不准:照疑点清单回听那几秒
转写失败了看结果里的失败原因:写的是转写进程自己的退出码和最后几行报错,比如文件加密或损坏、音频解不开;只有跑到一半真的丢了显卡租约,才报“租约丢失”
找以前转过的稿,说没有时间段这是有稿、缺能回放的时间,稿件位置照样给出,不是没转过,不用为此重转;真要逐句时间再另外补
旧稿的逐句时间被拒收旧 Paraformer 结果的逐句时间可能和文字错位,取回时会明说,判断谁说的也不用它;重跑 Paraformer,真要截证据再回听或单段复核
长录音跑到一半断了再提交同一段录音,已核对过的段直接跳过,只跑剩下的
重要录音报 WSL 没就绪加载模型前先查 WSL(Windows 里的 Linux),最多等 10 秒;超时说明模型还没开始加载,它不反复重试,也不关别的 Linux 工作,等 WSL 起来再提交
云端转写或复核停了结果里写着原因;手动停的说“恢复云端复核”才重开,出错停的换了模型、免费期或额度周期也会重开;这期间用本地兜底
云端免费期到了不再自动上传,结果里写“免费期已到期,云端未跑”,AI 提醒我核对还能不能继续免费;没确认前用本地,我点头的单次上传会标“可能计费”
微信实时语音没转全结果写“只转出一部分”“没出字”“失败”或“模型没准备好”,都不算完整语音;模型没准备好不会当场重装,要重新准备这次会话
换电脑照电脑配置与恢复里的恢复说明装回依赖和固定版本的模型,再重建听写的登录任务

AI 排查听写时分开看三样:听写状态、技术日志、显卡排队服务的状态,不把“等显卡”当成“模型坏了”。

出事怎么办
遇到怎么办
按 Win+H 没反应
怎么办:
看托盘里有没有中文听写:没有就从开始菜单点“中文听写”;有的话看快捷键是不是被暂时释放了,从托盘恢复
小窗一直是黄点
怎么办:
点状态点看原因:“正在准备模型”是刚开机在装模型;“等待 GPU”是本地大模型在用显卡,录音已存在内存里,让出来就接着出字,不想等按 Esc
小窗是红点
怎么办:
点状态点看原因:麦克风断了就插回或换一个;模型加载失败就点一下麦克风重试,不用重启电脑
说完了字没打进去
怎么办:
小窗写“等待输入位置”:当时没有能打字的输入框,点回输入框,后面的字会接着打,没打进去的那段从托盘或小箭头菜单“复制最近识别文字”取回;红点写“文字输入失败”,或者是管理员权限的窗口:同样复制取回,下一段会重新尝试
转写说显卡忙
怎么办:
同类转写或本地大模型占着显卡,它不抢,结果里写着是谁占着;等那边结束再提交
结果里有 [疑似]、[听不清]
怎么办:
不是坏了,是模型拿不准:照疑点清单回听那几秒
转写失败了
怎么办:
看结果里的失败原因:写的是转写进程自己的退出码和最后几行报错,比如文件加密或损坏、音频解不开;只有跑到一半真的丢了显卡租约,才报“租约丢失”
找以前转过的稿,说没有时间段
怎么办:
这是有稿、缺能回放的时间,稿件位置照样给出,不是没转过,不用为此重转;真要逐句时间再另外补
旧稿的逐句时间被拒收
怎么办:
旧 Paraformer 结果的逐句时间可能和文字错位,取回时会明说,判断谁说的也不用它;重跑 Paraformer,真要截证据再回听或单段复核
长录音跑到一半断了
怎么办:
再提交同一段录音,已核对过的段直接跳过,只跑剩下的
重要录音报 WSL 没就绪
怎么办:
加载模型前先查 WSL(Windows 里的 Linux),最多等 10 秒;超时说明模型还没开始加载,它不反复重试,也不关别的 Linux 工作,等 WSL 起来再提交
云端转写或复核停了
怎么办:
结果里写着原因;手动停的说“恢复云端复核”才重开,出错停的换了模型、免费期或额度周期也会重开;这期间用本地兜底
云端免费期到了
怎么办:
不再自动上传,结果里写“免费期已到期,云端未跑”,AI 提醒我核对还能不能继续免费;没确认前用本地,我点头的单次上传会标“可能计费”
微信实时语音没转全
怎么办:
结果写“只转出一部分”“没出字”“失败”或“模型没准备好”,都不算完整语音;模型没准备好不会当场重装,要重新准备这次会话
换电脑
怎么办:
照电脑配置与恢复里的恢复说明装回依赖和固定版本的模型,再重建听写的登录任务

AI 排查听写时分开看三样:听写状态、技术日志、显卡排队服务的状态,不把“等显卡”当成“模型坏了”。

它是怎么搭的
1
入口
四条路:AI 处理选定录音先走云入口 asr-professional-cloud.ps1 -CloudFirst;要本地转写时调 asr-smart 脚本提交录音;微信实时语音用提前热好的 python -m zh_asr.realtime 会话(不开端口,不进任务队列);桌面听写是另一条路,登录时由计划任务“ChineseASR Dictation”启动。云入口和实时会话的细节见运行与边界
2
本机转写服务
只在 127.0.0.1:18666 监听;收下任务就回编号,任务历史存最近 200 条,重启不丢
3
显卡排队
先向电脑配置与恢复里的显卡排队服务要一张 2 分钟的租约(用显卡的许可,不续就收回),干活时每 20 秒续一次;拿不到就不跑
4
工作进程
每个任务单独起一个子进程跑模型,服务本身不装模型;管它的进程没了,它和它在 WSL(Windows 里的 Linux)里的子进程一起收掉
5
模型登记
一个配置文件(models.yaml)登记每个模型的版本和用途,代码里不写死模型;同类模型换一个只改这个文件
6
结果
正文、对照记录、两份原始结果、防改动清单;云端结果另存一份

显卡怎么分:转写和文字识别可以同时跑,同类任务排队,本地大模型和这两者不同时用。听写的模型平时在内存里,录音时才上显卡。

这台电脑:RTX 5090 D 32 GB 显卡、64 GB 内存。重要录音用的 FireRedASR2-LLM 隔在 WSL 里跑,给了 32 GB 内存加 8 GB 交换空间。

每次推到 GitHub,都在一台干净的 Windows 机器上把测试跑一遍(不带显卡,不下载模型)。

听写怎么跟着光标:dictation_windows.py 的 insert_text 先等快捷键修饰键松开(最多 0.5 秒),再在每段写入时重新读当前前台窗口和焦点,用 SendInput 打进去,不复用旧窗口、也不把它拉到前台;没有外部目标、落在自己的窗口或修饰键没松开返回“暂时无法输入”,dictation.py 显示“等待输入位置”,最近全文留在内存供复制;SendInput 真失败才报错,下一段再试(10 月 2 日北京时间提交 16fef59、9def713)。这类修复只做后台程序检查,没做前台体验验收;10 月 11 日核对时听写在运行、快捷键和开始菜单入口都在,这次运行的听写进程 10 月 10 日 11:06 启动,晚于这项修复。

繁简只换字形:模型输出(Qwen3-ASR、FireRedASR2 适配器)、对照、风险规则和桌面听写都经 text_normalizer.py 转简体;10 月 11 日 00:52 提交 1bd5a04 把 OpenCC 的 tw2sp(会连地区用词一起改,比如“軟體”变“软件”)换成只换字形的 t2s,没装 OpenCC 时的备用字表也只换字形,重复转换结果不变;新增 4 个测试定义。10 月 11 日核对时没执行测试、没拿真实录音验收;当时在跑的听写进程启动早于这次提交,重启后才会用上,文件转写的下一个任务是否已加载新版也没核对。

它是怎么搭的
1
入口
四条路:AI 处理选定录音先走云入口 asr-professional-cloud.ps1 -CloudFirst;要本地转写时调 asr-smart 脚本提交录音;微信实时语音用提前热好的 python -m zh_asr.realtime 会话(不开端口,不进任务队列);桌面听写是另一条路,登录时由计划任务“ChineseASR Dictation”启动。云入口和实时会话的细节见运行与边界
2
本机转写服务
只在 127.0.0.1:18666 监听;收下任务就回编号,任务历史存最近 200 条,重启不丢
3
显卡排队
先向电脑配置与恢复里的显卡排队服务要一张 2 分钟的租约(用显卡的许可,不续就收回),干活时每 20 秒续一次;拿不到就不跑
4
工作进程
每个任务单独起一个子进程跑模型,服务本身不装模型;管它的进程没了,它和它在 WSL(Windows 里的 Linux)里的子进程一起收掉
5
模型登记
一个配置文件(models.yaml)登记每个模型的版本和用途,代码里不写死模型;同类模型换一个只改这个文件
6
结果
正文、对照记录、两份原始结果、防改动清单;云端结果另存一份

显卡怎么分:转写和文字识别可以同时跑,同类任务排队,本地大模型和这两者不同时用。听写的模型平时在内存里,录音时才上显卡。

这台电脑:RTX 5090 D 32 GB 显卡、64 GB 内存。重要录音用的 FireRedASR2-LLM 隔在 WSL 里跑,给了 32 GB 内存加 8 GB 交换空间。

每次推到 GitHub,都在一台干净的 Windows 机器上把测试跑一遍(不带显卡,不下载模型)。

听写怎么跟着光标:dictation_windows.py 的 insert_text 先等快捷键修饰键松开(最多 0.5 秒),再在每段写入时重新读当前前台窗口和焦点,用 SendInput 打进去,不复用旧窗口、也不把它拉到前台;没有外部目标、落在自己的窗口或修饰键没松开返回“暂时无法输入”,dictation.py 显示“等待输入位置”,最近全文留在内存供复制;SendInput 真失败才报错,下一段再试(10 月 2 日北京时间提交 16fef59、9def713)。这类修复只做后台程序检查,没做前台体验验收;10 月 11 日核对时听写在运行、快捷键和开始菜单入口都在,这次运行的听写进程 10 月 10 日 11:06 启动,晚于这项修复。

繁简只换字形:模型输出(Qwen3-ASR、FireRedASR2 适配器)、对照、风险规则和桌面听写都经 text_normalizer.py 转简体;10 月 11 日 00:52 提交 1bd5a04 把 OpenCC 的 tw2sp(会连地区用词一起改,比如“軟體”变“软件”)换成只换字形的 t2s,没装 OpenCC 时的备用字表也只换字形,重复转换结果不变;新增 4 个测试定义。10 月 11 日核对时没执行测试、没拿真实录音验收;当时在跑的听写进程启动早于这次提交,重启后才会用上,文件转写的下一个任务是否已加载新版也没核对。

用了哪些模型
做什么模型在哪跑为什么选它
本地主听Qwen3-ASR-1.7B(阿里通义千问,17 亿参数)本机显卡按公开中文评测挑的准确率优先模型;听写也用它
对照SenseVoiceSmall(阿里,小而快)本机显卡和主听是两套不同的模型,两边对不上的地方最可能错;快速初稿也单用它
重要录音主听FireRedASR2-LLM(小红书 FireRed 团队,内含 70 亿参数的 Qwen2-7B)本机显卡,隔在 WSL 里更强;只在点名时用,不因为装好了就变默认
词对到时间Qwen3-ForcedAligner-0.6B本机显卡只找位置,不证明文字对
切段、加标点FSMN-VAD、CT-Transformer本机在停顿处下刀,切口自然;给转写加标点
逐句时间、分说话人Paraformer-large+CAM++本机出逐句时间;按声音分组,只分组不认人
我的声音参考CAM++,判定门槛固定 0.31本机,私有文件只在真要判断时用,结论永远是推定
听写的人声检测WebRTC VAD本机没说话就不送去识别,免得空录音被编出字
微信实时语音Qwen3-ASR-1.7B(任务期间单独热好一个进程)本机显卡语音到了不现装模型;没有现成文字时和云端同时转
选定录音转写、疑难复核Qwen Audio 3.1 ASR Flash、Flash-Message(阿里云百炼)云端免费期内 AI 处理选定录音先用它,不等本地;本地标出疑点的录音也由它复核

8 个本机模型目录共 26.5 GiB(11 月 4 日数),都不进 GitHub。文件转写现在只有 4 个识别引擎:Qwen3-ASR-1.7B、SenseVoiceSmall、FireRedASR2-LLM、Paraformer-large,配成两套组合:日常(Qwen 主听、SenseVoice 对照)和重要录音(FireRed 主听、Qwen 对照)。10 月 20 日把一直没在用的路线删干净了:备选初稿 Fun-ASR-Nano(本机权重移进回收站,要用回来得按源码记录恢复配置、重新下载)、本地大模型仲裁、只登记没接上的 Whisper-large-v3,以及过期的云端 Qwen Audio 3.0。10 月 21 日又把 FireRed 进出数据、云端结果和隐藏入口的报错输出都固定成 UTF-8,中文不再因为系统编码变成乱码;默认用哪个模型没变。

用了哪些模型
做什么模型在哪跑为什么选它
本地主听
模型:
Qwen3-ASR-1.7B(阿里通义千问,17 亿参数)
在哪跑:
本机显卡
为什么选它:
按公开中文评测挑的准确率优先模型;听写也用它
对照
模型:
SenseVoiceSmall(阿里,小而快)
在哪跑:
本机显卡
为什么选它:
和主听是两套不同的模型,两边对不上的地方最可能错;快速初稿也单用它
重要录音主听
模型:
FireRedASR2-LLM(小红书 FireRed 团队,内含 70 亿参数的 Qwen2-7B)
在哪跑:
本机显卡,隔在 WSL 里
为什么选它:
更强;只在点名时用,不因为装好了就变默认
词对到时间
模型:
Qwen3-ForcedAligner-0.6B
在哪跑:
本机显卡
为什么选它:
只找位置,不证明文字对
切段、加标点
模型:
FSMN-VAD、CT-Transformer
在哪跑:
本机
为什么选它:
在停顿处下刀,切口自然;给转写加标点
逐句时间、分说话人
模型:
Paraformer-large+CAM++
在哪跑:
本机
为什么选它:
出逐句时间;按声音分组,只分组不认人
我的声音参考
模型:
CAM++,判定门槛固定 0.31
在哪跑:
本机,私有文件
为什么选它:
只在真要判断时用,结论永远是推定
听写的人声检测
模型:
WebRTC VAD
在哪跑:
本机
为什么选它:
没说话就不送去识别,免得空录音被编出字
微信实时语音
模型:
Qwen3-ASR-1.7B(任务期间单独热好一个进程)
在哪跑:
本机显卡
为什么选它:
语音到了不现装模型;没有现成文字时和云端同时转
选定录音转写、疑难复核
模型:
Qwen Audio 3.1 ASR Flash、Flash-Message(阿里云百炼)
在哪跑:
云端
为什么选它:
免费期内 AI 处理选定录音先用它,不等本地;本地标出疑点的录音也由它复核

8 个本机模型目录共 26.5 GiB(11 月 4 日数),都不进 GitHub。文件转写现在只有 4 个识别引擎:Qwen3-ASR-1.7B、SenseVoiceSmall、FireRedASR2-LLM、Paraformer-large,配成两套组合:日常(Qwen 主听、SenseVoice 对照)和重要录音(FireRed 主听、Qwen 对照)。10 月 20 日把一直没在用的路线删干净了:备选初稿 Fun-ASR-Nano(本机权重移进回收站,要用回来得按源码记录恢复配置、重新下载)、本地大模型仲裁、只登记没接上的 Whisper-large-v3,以及过期的云端 Qwen Audio 3.0。10 月 21 日又把 FireRed 进出数据、云端结果和隐藏入口的报错输出都固定成 UTF-8,中文不再因为系统编码变成乱码;默认用哪个模型没变。

为什么这样设计
不投票,也不让 AI 改写。
主听的原话留着,对照模型只负责指出分歧,分歧处标 [疑似] 交给人听。让第三个模型投票或让大模型润色,会把猜测包装成事实。
结果能自证没被改过。
每次严格转写写一张清单,把正文、对照记录、两份原始结果的路径、大小、SHA-256 绑在一起;有一样被改过,状态就从“已核对”降成“不完整”。整个目录搬到备份盘也能复查。以后按原音指纹取回这份稿(单独转的、整批转的都算),也先照清单核对正文和原始结果的大小、SHA-256,对不上就不交;交回时带着原来的质量结论,当时标了要回听、两路有冲突的,取回后照样是要回听,不因为找到了稿就算已核对。
三个模型锁版本,其余没锁。
Qwen3-ASR、FireRedASR2-LLM 和强制对齐模型记下版本、必要文件的大小和 SHA-256,运行前核对,对不上就不加载。升级麻烦一点,换来今天的结果和一个月前的能对得上。
新模型不追。
有新版本不等于更好。要换默认,得用同一批带标准答案的录音,把字错、关键内容错、静音出字、疑点多少、耗时分开比,确实更好才换,并留好一键退回。
选定录音先上云,听写不上云。
处理选定录音时看重能力和准确,免费期内先用云端模型,代价是这段录音要传到阿里云;所以只传点名的这一段,到期就不再自动传。听写要的是随按随出,一直只用本机模型。
实时语音不现装模型。
聊天里一条语音来了才开始装模型,对话早就冷了。所以提前热好,本机和云端同时转,先到的完整结果先用;宁可标“没转全”,也不把半段当全文。
只处理点名的那一段。
问一段录音就只转这一段,不去扫整个录音库;公开短样例只用来查能不能跑,私人录音不拿来当测试集。
基础转写不靠大模型猜。
正文只来自识别模型听到的内容,疑点靠两路比对、风险规则和人工回听;以前可选的本地大模型仲裁一直没在用,10 月 20 日连代码删了。
26101 行
代码(Python 23927 行、PowerShell 2144 行、VBS 30 行)
544 个
测试定义(只计数)
153 次
提交(7 月 7 日–11 月 6 日)

代码行数和提交数是 11 月 6 日 05:12 数的;544 个测试定义是 10 月 11 日数的,之后代码又改过,没有重数,也没有运行。

为什么这样设计
不投票,也不让 AI 改写。
主听的原话留着,对照模型只负责指出分歧,分歧处标 [疑似] 交给人听。让第三个模型投票或让大模型润色,会把猜测包装成事实。
结果能自证没被改过。
每次严格转写写一张清单,把正文、对照记录、两份原始结果的路径、大小、SHA-256 绑在一起;有一样被改过,状态就从“已核对”降成“不完整”。整个目录搬到备份盘也能复查。以后按原音指纹取回这份稿(单独转的、整批转的都算),也先照清单核对正文和原始结果的大小、SHA-256,对不上就不交;交回时带着原来的质量结论,当时标了要回听、两路有冲突的,取回后照样是要回听,不因为找到了稿就算已核对。
三个模型锁版本,其余没锁。
Qwen3-ASR、FireRedASR2-LLM 和强制对齐模型记下版本、必要文件的大小和 SHA-256,运行前核对,对不上就不加载。升级麻烦一点,换来今天的结果和一个月前的能对得上。
新模型不追。
有新版本不等于更好。要换默认,得用同一批带标准答案的录音,把字错、关键内容错、静音出字、疑点多少、耗时分开比,确实更好才换,并留好一键退回。
选定录音先上云,听写不上云。
处理选定录音时看重能力和准确,免费期内先用云端模型,代价是这段录音要传到阿里云;所以只传点名的这一段,到期就不再自动传。听写要的是随按随出,一直只用本机模型。
实时语音不现装模型。
聊天里一条语音来了才开始装模型,对话早就冷了。所以提前热好,本机和云端同时转,先到的完整结果先用;宁可标“没转全”,也不把半段当全文。
只处理点名的那一段。
问一段录音就只转这一段,不去扫整个录音库;公开短样例只用来查能不能跑,私人录音不拿来当测试集。
基础转写不靠大模型猜。
正文只来自识别模型听到的内容,疑点靠两路比对、风险规则和人工回听;以前可选的本地大模型仲裁一直没在用,10 月 20 日连代码删了。
26101 行
代码(Python 23927 行、PowerShell 2144 行、VBS 30 行)
544 个
测试定义(只计数)
153 次
提交(7 月 7 日–11 月 6 日)

代码行数和提交数是 11 月 6 日 05:12 数的;544 个测试定义是 10 月 11 日数的,之后代码又改过,没有重数,也没有运行。

亮点
它会指出哪里可能错。

麻烦:普通转写读起来句句通顺,错在哪只能从头听一遍。

解法:两个不同的模型各听一遍,逐句比;数字、否定词、单位、编号只要两边不同就单独列出,不会被“整段 95% 相同”掩盖。“谢谢观看”这类视频套话,只有一边听出、或者这段本该没声音时才报,真有人这么说不会被乱删。正文保持干净,疑点带着时间,先回听那几秒。

没转出字,不等于没人说话。

麻烦:结果是空的,很容易被当成“这段是静音”,再被别的程序当成“没说过”。

解法:结论分四种:转出了字、确实没人说话、有人说话但没转出来、说不准。只有整段都覆盖到、人声检测给出了“没有人声”的证据,才敢说没人说话;别的一律不下这个结论。

一按就能说,模型慢一点也不丢话。

麻烦:刚开机模型还在装、或者显卡被本地大模型占着时开口,前半句会丢。

解法:麦克风图标一变绿就开始收音(和右上角的状态点是两回事),声音先存在内存里,模型准备好再识别;模型进程卡住只重启它自己,没交出去的那段最多重试一次;“等显卡”“准备模型”“麦克风故障”分开显示。模型平时常驻内存,录音时才上显卡,说完就退回,把显卡让出来。

亮点
它会指出哪里可能错。

麻烦:普通转写读起来句句通顺,错在哪只能从头听一遍。

解法:两个不同的模型各听一遍,逐句比;数字、否定词、单位、编号只要两边不同就单独列出,不会被“整段 95% 相同”掩盖。“谢谢观看”这类视频套话,只有一边听出、或者这段本该没声音时才报,真有人这么说不会被乱删。正文保持干净,疑点带着时间,先回听那几秒。

没转出字,不等于没人说话。

麻烦:结果是空的,很容易被当成“这段是静音”,再被别的程序当成“没说过”。

解法:结论分四种:转出了字、确实没人说话、有人说话但没转出来、说不准。只有整段都覆盖到、人声检测给出了“没有人声”的证据,才敢说没人说话;别的一律不下这个结论。

一按就能说,模型慢一点也不丢话。

麻烦:刚开机模型还在装、或者显卡被本地大模型占着时开口,前半句会丢。

解法:麦克风图标一变绿就开始收音(和右上角的状态点是两回事),声音先存在内存里,模型准备好再识别;模型进程卡住只重启它自己,没交出去的那段最多重试一次;“等显卡”“准备模型”“麦克风故障”分开显示。模型平时常驻内存,录音时才上显卡,说完就退回,把显卡让出来。

全部功能(40 项)
● 在用● 待验收● 没用过● 说不准

没用过=每用一次都会留下文件,现在一件也找不到;说不准=用了不一定留痕,记录里没找到

听写

1
桌面听写
在任何输入框按 Win+H 或 Ctrl+Win+H 说中文,停顿约 0.6 秒就把这段打进光标处;不润色,不自动发送
2
常驻、随按随用
登录后模型就在内存里待命,录音时才上显卡、说完退回;9 月 27 日实测停下后三秒以内出字
3
给本地大模型让显卡
本地大模型在用显卡时听写先等,录音存在内存里,让出来就接着出字
4
选麦克风
点小箭头或右键麦克风选设备、刷新;选中的麦克风断了只提示,不偷换别的
5
状态点
麦克风右上角的小圆点:绿就绪、黄准备或等显卡、红故障,点开看原因和怎么办
6
小窗放对屏幕
只显示一个小窗,优先放串流用的虚拟屏,拔掉回主屏;拖过的位置保留
7
复制最近文字
字跟着你当下的输入位置走;一时没地方打字或发送失败时,从托盘或小箭头菜单取回最近整段
8
把 Win+H 暂时还给系统
托盘里一键释放两组快捷键,再点一次恢复
9
开始菜单入口
程序没开时,从开始菜单点“中文听写”打开并开始录音

录音转文字

10
严格转写(本地默认)
Qwen3-ASR-1.7B 主听、SenseVoiceSmall 对照,交回干净正文和疑点清单;云端用不了或要交叉核对时用它
11
快速初稿
只用 SenseVoiceSmall 一个模型,快,但不做对照
12
重要录音高质量转写
FireRedASR2-LLM 主听、Qwen3-ASR 对照,每个词对到时间,做成回听网页
13
长录音分段续跑
按停顿切段;中断了再提交,已核对过的段跳过
14
整个文件夹一起转
一次转一个文件夹,模型一批只加载一次,每个文件各一份结果
15
只转一个声道
双声道录音可以只转左或右一路,不据此判断是谁
16
Fun-ASR-Nano 初稿(10 月 20 日已撤)
这条点名路线连同本机权重都撤了,现在点名会被当成没登记的模型直接报错;要用回来得按源码记录恢复配置、重新下载
17
交给 AI 不卡对话
本机服务最多等 15 秒就先回任务编号,长录音在后台跑;服务重启,最近 200 条任务历史还在
18
微信实时语音
模型提前热好;微信已转好的文字直接用,没有就本机和云端同时转,谁先完整先交;一条最长 60 秒。已接上,真实微信录音还没验 15 秒
全部功能(40 项)
● 在用● 待验收● 没用过● 说不准

没用过=每用一次都会留下文件,现在一件也找不到;说不准=用了不一定留痕,记录里没找到

听写

1
桌面听写
在任何输入框按 Win+H 或 Ctrl+Win+H 说中文,停顿约 0.6 秒就把这段打进光标处;不润色,不自动发送
2
常驻、随按随用
登录后模型就在内存里待命,录音时才上显卡、说完退回;9 月 27 日实测停下后三秒以内出字
3
给本地大模型让显卡
本地大模型在用显卡时听写先等,录音存在内存里,让出来就接着出字
4
选麦克风
点小箭头或右键麦克风选设备、刷新;选中的麦克风断了只提示,不偷换别的
5
状态点
麦克风右上角的小圆点:绿就绪、黄准备或等显卡、红故障,点开看原因和怎么办
6
小窗放对屏幕
只显示一个小窗,优先放串流用的虚拟屏,拔掉回主屏;拖过的位置保留
7
复制最近文字
字跟着你当下的输入位置走;一时没地方打字或发送失败时,从托盘或小箭头菜单取回最近整段
8
把 Win+H 暂时还给系统
托盘里一键释放两组快捷键,再点一次恢复
9
开始菜单入口
程序没开时,从开始菜单点“中文听写”打开并开始录音

录音转文字

10
严格转写(本地默认)
Qwen3-ASR-1.7B 主听、SenseVoiceSmall 对照,交回干净正文和疑点清单;云端用不了或要交叉核对时用它
11
快速初稿
只用 SenseVoiceSmall 一个模型,快,但不做对照
12
重要录音高质量转写
FireRedASR2-LLM 主听、Qwen3-ASR 对照,每个词对到时间,做成回听网页
13
长录音分段续跑
按停顿切段;中断了再提交,已核对过的段跳过
14
整个文件夹一起转
一次转一个文件夹,模型一批只加载一次,每个文件各一份结果
15
只转一个声道
双声道录音可以只转左或右一路,不据此判断是谁
16
Fun-ASR-Nano 初稿(10 月 20 日已撤)
这条点名路线连同本机权重都撤了,现在点名会被当成没登记的模型直接报错;要用回来得按源码记录恢复配置、重新下载
17
交给 AI 不卡对话
本机服务最多等 15 秒就先回任务编号,长录音在后台跑;服务重启,最近 200 条任务历史还在
18
微信实时语音
模型提前热好;微信已转好的文字直接用,没有就本机和云端同时转,谁先完整先交;一条最长 60 秒。已接上,真实微信录音还没验 15 秒

找出要回听的地方

19
标出要回听的句子
两个模型对不上、数字或否定词不同、没声音却出字、套话、异常重复、繁体、一长串没标点,都带时间标出来
20
本地回听网页
有争议的片段列成一页,点开就听那几秒;只用本机音频,不连外网
21
分清没人说话和没转出来
空结果分四种结论,证据齐了才说“没人说话”
22
防改动清单
把正文、对照记录、两份原始结果的指纹绑在一张清单里,有一样被改过就不再算“已核对”
23
本地大模型仲裁(10 月 20 日已撤)
原来可以打开让本机大模型只看疑点证据给意见、默认关;一直没在用,连同代码删掉了,疑点现在靠两路比对、风险规则和人工回听

云端转写和复核

24
选定录音先上云
免费期内 AI 处理选定录音直接送阿里云,不等本地、不看有没有疑点,也不用我逐次点头;重要证据加“重要”标记
25
疑难录音自动复核
已有本地稿的疑难录音,免费期内由处理它的 AI 送阿里云再听一遍,并排存,不覆盖本地稿;本机服务自己不上传
26
点名上云
免费期外我点头后单次上传,结果标“可能计费”;可加热词、保留方言或分说话人
27
出错自动停
额度、欠费、权限或模型下线就停掉自动上传;我说恢复,或换了模型、免费期、额度周期后再开
28
手动暂停
让 AI 暂停云端自动上传,写上原因;换模型、改免费期都不会自己重开,我说恢复才再开,点名上云照常
29
旧疑难录音补跑
列出以前的疑难录音一次补跑;原音搬了家,按指纹在 E:\Music 找回

找出要回听的地方

19
标出要回听的句子
两个模型对不上、数字或否定词不同、没声音却出字、套话、异常重复、繁体、一长串没标点,都带时间标出来
20
本地回听网页
有争议的片段列成一页,点开就听那几秒;只用本机音频,不连外网
21
分清没人说话和没转出来
空结果分四种结论,证据齐了才说“没人说话”
22
防改动清单
把正文、对照记录、两份原始结果的指纹绑在一张清单里,有一样被改过就不再算“已核对”
23
本地大模型仲裁(10 月 20 日已撤)
原来可以打开让本机大模型只看疑点证据给意见、默认关;一直没在用,连同代码删掉了,疑点现在靠两路比对、风险规则和人工回听

云端转写和复核

24
选定录音先上云
免费期内 AI 处理选定录音直接送阿里云,不等本地、不看有没有疑点,也不用我逐次点头;重要证据加“重要”标记
25
疑难录音自动复核
已有本地稿的疑难录音,免费期内由处理它的 AI 送阿里云再听一遍,并排存,不覆盖本地稿;本机服务自己不上传
26
点名上云
免费期外我点头后单次上传,结果标“可能计费”;可加热词、保留方言或分说话人
27
出错自动停
额度、欠费、权限或模型下线就停掉自动上传;我说恢复,或换了模型、免费期、额度周期后再开
28
手动暂停
让 AI 暂停云端自动上传,写上原因;换模型、改免费期都不会自己重开,我说恢复才再开,点名上云照常
29
旧疑难录音补跑
列出以前的疑难录音一次补跑;原音搬了家,按指纹在 E:\Music 找回

时间和说话人

30
分清谁在说
出逐句时间和“说话人 1、2”;知道是两个人打电话可以直接告诉它人数
31
哪几句是我说的
拿唯一一份“我”的声音参考比对,再看声道、谁打给谁、说的内容;结论能推翻,不常用
32
已有文字找时间
给确认过的文案和录音,找出每个词在第几秒;做视频配音用
33
找回转过的结果
按原音指纹直接取以前的结果,单独转的、整批转的都找;核对过指纹才交,原来的回听标记照留;有稿没时间段就说明缺时间,不当成没转过;不重转、不开模型

维护和装机

34
排队用显卡
每个任务先要租约;转写和文字识别可以同时跑,本地大模型和两者不同时用
35
模型版本锁定
Qwen3-ASR、FireRedASR2-LLM 和强制对齐模型运行前核对版本、大小和指纹,其他模型没有这一步
36
比过才换模型、一键退回
同一批带标准答案的录音分开比字错、关键错、静音出字、耗时,更好才换
37
查有没有新版本
手动查上游模型出没出新版本,不自动下载、不自动换
38
准确率评测
拿自己的录音配标准答案,算字错和漏字
39
体检和试跑
一条命令查代理、显卡、模型配置和依赖;拿一段样例录音从头试跑一遍
40
离线重装
E 盘另存一份模型和锁定版本的依赖安装包(约 35 GiB),防上游撤包;换模型、升级依赖时一起刷新。现存这份是 9 月 29 日建的,模型清单里还带着 10 月 20 日删掉的 Fun-ASR-Nano,还没按现在的模型重做;模型文件可以和模型目录共享同一份字节(硬链接),不算第二份独立备份。9 月 29 日已在新建环境里只用这些本地包装好并自检通过;真断网安装、新环境里用显卡转写和换电脑恢复还没验

时间和说话人

30
分清谁在说
出逐句时间和“说话人 1、2”;知道是两个人打电话可以直接告诉它人数
31
哪几句是我说的
拿唯一一份“我”的声音参考比对,再看声道、谁打给谁、说的内容;结论能推翻,不常用
32
已有文字找时间
给确认过的文案和录音,找出每个词在第几秒;做视频配音用
33
找回转过的结果
按原音指纹直接取以前的结果,单独转的、整批转的都找;核对过指纹才交,原来的回听标记照留;有稿没时间段就说明缺时间,不当成没转过;不重转、不开模型

维护和装机

34
排队用显卡
每个任务先要租约;转写和文字识别可以同时跑,本地大模型和两者不同时用
35
模型版本锁定
Qwen3-ASR、FireRedASR2-LLM 和强制对齐模型运行前核对版本、大小和指纹,其他模型没有这一步
36
比过才换模型、一键退回
同一批带标准答案的录音分开比字错、关键错、静音出字、耗时,更好才换
37
查有没有新版本
手动查上游模型出没出新版本,不自动下载、不自动换
38
准确率评测
拿自己的录音配标准答案,算字错和漏字
39
体检和试跑
一条命令查代理、显卡、模型配置和依赖;拿一段样例录音从头试跑一遍
40
离线重装
E 盘另存一份模型和锁定版本的依赖安装包(约 35 GiB),防上游撤包;换模型、升级依赖时一起刷新。现存这份是 9 月 29 日建的,模型清单里还带着 10 月 20 日删掉的 Fun-ASR-Nano,还没按现在的模型重做;模型文件可以和模型目录共享同一份字节(硬链接),不算第二份独立备份。9 月 29 日已在新建环境里只用这些本地包装好并自检通过;真断网安装、新环境里用显卡转写和换电脑恢复还没验
演进
7 月 7 日:
一天搭起骨架:两个模型严格转写、幻觉风险规则、按轻重排的回听队列、本机转写服务、长录音断点续跑、批量转写。
7 月 30 日:
加 FireRedASR2-LLM,重要录音有了更强的本地路线。
8 月 1 日:
重要录音可以点名上云(Qwen Audio 3.0;9 月 27 日免费期过期后只留作显式后备,10 月 20 日删除)。
8 月 18 日:
分清“没转出字”和“没人说话”。
8 月 24–25 日:
分说话人;可推翻的“我的声音参考”。
9 月 5–6 日:
按原音指纹找回已有转写;Win+H 桌面听写上线;存疑的转写也能上云复核。
9 月 14 日:
听写加状态点,小窗放大到 200×75,只显示一个。
9 月 17–18 日:
本地回听网页、词对到时间、模型版本锁定和一键退回;给视频配音找时间的入口。收尾验收跑了 482 项测试,零失败。
9 月 26 日:
疑难录音在免费期内自动请云端复核(Qwen Audio 3.1)。
9 月 27 日:
听写改回常驻;我实测停下后三秒以内出字。
9 月 28 日:
云端的 key 改由密码中心送出,这里只准备请求。
9 月 29 日:
云端自动复核可以手动暂停;核对并补齐重要录音的标记,确保它一路传到云端复核;离线备用建好一份,在新建环境里只用本地包装好并自检通过,真断网安装和换电脑恢复还没验。
10 月 20—21 日:
删掉一直没在用的路线:Fun-ASR-Nano 初稿、本地大模型仲裁、只登记没接上的 Whisper、过期的 Qwen Audio 3.0,本机模型从 9 个减到 8 个;云端复核修好续作和碎尾段;FireRed、云结果和隐藏入口的中文输出固定为 UTF-8(32df3b9、325b0c4)。
10 月 28–29 日:
转写进程自己失败时,交回它的退出码和报错末尾,不再被一句显卡租约报错盖住(8b6980c);按原音指纹找已有稿也会找文件夹批量转的结果,有稿没时间段时说明缺时间,不当成没转过(512f443)。
11 月 3 日:
AI 处理选定录音改成免费期内先上云,不用先有本地稿或疑点,也不用逐次点头,桌面听写不变;重要录音路线加载前先查 WSL,最多等 10 秒;加提前热好的实时识别会话,给微信实时语音用,真实微信录音的 15 秒还没验(bff36eb、b68e650、d483aaf)。
演进
7 月 7 日:
一天搭起骨架:两个模型严格转写、幻觉风险规则、按轻重排的回听队列、本机转写服务、长录音断点续跑、批量转写。
7 月 30 日:
加 FireRedASR2-LLM,重要录音有了更强的本地路线。
8 月 1 日:
重要录音可以点名上云(Qwen Audio 3.0;9 月 27 日免费期过期后只留作显式后备,10 月 20 日删除)。
8 月 18 日:
分清“没转出字”和“没人说话”。
8 月 24–25 日:
分说话人;可推翻的“我的声音参考”。
9 月 5–6 日:
按原音指纹找回已有转写;Win+H 桌面听写上线;存疑的转写也能上云复核。
9 月 14 日:
听写加状态点,小窗放大到 200×75,只显示一个。
9 月 17–18 日:
本地回听网页、词对到时间、模型版本锁定和一键退回;给视频配音找时间的入口。收尾验收跑了 482 项测试,零失败。
9 月 26 日:
疑难录音在免费期内自动请云端复核(Qwen Audio 3.1)。
9 月 27 日:
听写改回常驻;我实测停下后三秒以内出字。
9 月 28 日:
云端的 key 改由密码中心送出,这里只准备请求。
9 月 29 日:
云端自动复核可以手动暂停;核对并补齐重要录音的标记,确保它一路传到云端复核;离线备用建好一份,在新建环境里只用本地包装好并自检通过,真断网安装和换电脑恢复还没验。
10 月 20—21 日:
删掉一直没在用的路线:Fun-ASR-Nano 初稿、本地大模型仲裁、只登记没接上的 Whisper、过期的 Qwen Audio 3.0,本机模型从 9 个减到 8 个;云端复核修好续作和碎尾段;FireRed、云结果和隐藏入口的中文输出固定为 UTF-8(32df3b9、325b0c4)。
10 月 28–29 日:
转写进程自己失败时,交回它的退出码和报错末尾,不再被一句显卡租约报错盖住(8b6980c);按原音指纹找已有稿也会找文件夹批量转的结果,有稿没时间段时说明缺时间,不当成没转过(512f443)。
11 月 3 日:
AI 处理选定录音改成免费期内先上云,不用先有本地稿或疑点,也不用逐次点头,桌面听写不变;重要录音路线加载前先查 WSL,最多等 10 秒;加提前热好的实时识别会话,给微信实时语音用,真实微信录音的 15 秒还没验(bff36eb、b68e650、d483aaf)。

复制 AI 续作说明

项目:中文语音转写;仓库:wlyaaaaa/ChineseASR;范围:整个项目;目标:(这里写这次要做的事)。先读项目的 AGENTS.md 和说明,按现行规则做。

把“目标”换成这次要做的事,整段复制给 AI。

完整尺寸