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。
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。


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。
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
选哪条路云端什么时候传、怎么停、花不花钱:录音怎么上云


- 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。

- 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。

- 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


- 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。

- 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。

- 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




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




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。


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。


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
- 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
- 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





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





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







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







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
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。

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。

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
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。

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。

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。

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









录音转文字










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









录音转文字









找出要回听的地方





云端转写和复核






找出要回听的地方





云端转写和复核






时间和说话人




维护和装机







时间和说话人




维护和装机







演进
演进复制 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。
