中文语音转写技能技能名 chinese-asr · 中文语音转写项目的入口
把中文录音交给 AI,或者问录音里有几个人、哪几句是我说的、某句话在第几秒,AI 就照这个技能来做:点名的录音文件,在免费期内、云端能用时直接先送云端转写,不用我逐次点头,也不等本机;本机只在要交叉核对或云端用不了时才上。正文、疑点和时间一起交回来,拿不准的照实说拿不准。Win+H 听写不好用,也按它来查。
“把这段录音转成文字。”
“这段挺重要,拿不准的地方给我标出来。”
“这段用高质量转一遍,我要能逐段回听。”
“这个文件夹里的录音都转一下。”
“这是两个人打电话,分清谁说了什么,带上时间。”
“这段录音里有几个人在说话?”
“这段里哪几句是我说的?”
“这是配音文案和音频,给每个词标上时间。”
“这段录音以前转过吗?把带时间的结果找出来。”
“这段可以传到云端再听一遍。”
“云端自动复核先暂停一下。”
“Win+H 按了没反应,帮我看看。”
“云端复核是不是停了?恢复吧。”

中文语音转写技能技能名 chinese-asr · 中文语音转写项目的入口
把中文录音交给 AI,或者问录音里有几个人、哪几句是我说的、某句话在第几秒,AI 就照这个技能来做:点名的录音文件,在免费期内、云端能用时直接先送云端转写,不用我逐次点头,也不等本机;本机只在要交叉核对或云端用不了时才上。正文、疑点和时间一起交回来,拿不准的照实说拿不准。Win+H 听写不好用,也按它来查。

“把这段录音转成文字。”
“这段挺重要,拿不准的地方给我标出来。”
“这段用高质量转一遍,我要能逐段回听。”
“这个文件夹里的录音都转一下。”
“这是两个人打电话,分清谁说了什么,带上时间。”
“这段录音里有几个人在说话?”
“这段里哪几句是我说的?”
“这是配音文案和音频,给每个词标上时间。”
“这段录音以前转过吗?把带时间的结果找出来。”
“这段可以传到云端再听一遍。”
“云端自动复核先暂停一下。”
“Win+H 按了没反应,帮我看看。”
“云端复核是不是停了?恢复吧。”

一个完整例子我:“这段会议录音挺重要,转成文字,拿不准的地方给我标出来。”(附一段 40 分钟的录音)
“转好了,正文在结果目录里。要回听的有 3 处:
12:40 “三百”还是“三千”:本地两个模型不一样,云端听成“三千”;
25:03 本该没声音的地方出了“谢谢观看”,已标 [疑似];
31:18 两个人抢着说,这句两边差得多。
其余句子两个模型一致,但一致不等于逐字正确,要引用原话请先回听。”
我:“这段通话里哪几句是我说的?”
AI:“按声音分成 2 组,分组可能多分或少分,不等于人数。32 句里 18 句是你、11 句是对方、3 句说不准。说话人 1 大多是你:声音接近你的参考,而且是你在回答对方的提问。”
一个完整例子我:“这段会议录音挺重要,转成文字,拿不准的地方给我标出来。”(附一段 40 分钟的录音)
“转好了,正文在结果目录里。要回听的有 3 处:
12:40 “三百”还是“三千”:本地两个模型不一样,云端听成“三千”;
25:03 本该没声音的地方出了“谢谢观看”,已标 [疑似];
31:18 两个人抢着说,这句两边差得多。
其余句子两个模型一致,但一致不等于逐字正确,要引用原话请先回听。”
我:“这段通话里哪几句是我说的?”
AI:“按声音分成 2 组,分组可能多分或少分,不等于人数。32 句里 18 句是你、11 句是对方、3 句说不准。说话人 1 大多是你:声音接近你的参考,而且是你在回答对方的提问。”
能做的事
能做的事
边界
中文录音和微信语音转成文字(微信里正在聊的语音入口在看微信聊天);时间戳;分说话人、估计有几个人(有依据时才给一个能推翻的估计,分成几组本身不算人数);哪几句是我说的;重要录音;云端复核;转写项目的维护、换模型、升级依赖;Win+H 听写出的毛病。
- 英文、多语种和做字幕不是目标。
- 不认别人是谁:别人只标“对方”或“说不准”。
- 说“重要”不改变先走云端,只是多留能回查的证据,需要时再用本地两个模型核对(并排存,不覆盖);免费期外要整段上云,才要我点头。
- 不因为出了新版本就换模型,也不设定时下载;有同一批录音比出来明显更好的证据,AI 才换,并留好退回。
- 显卡调度:LocalGpuBroker 允许语音转写(ASR)和文字识别(OCR)同时跑;同一类任务排队串行;和 Ollama 大模型推理互斥,不同时占显卡;不绕过正在生效的租约。
- 结果:可选的旁路产物(optional sidecar)失败时,主结果照样保留交回;needs_review 为空表示不知道,不当成不用复核。
- 云端复核:3.1 的两条路线——qwen-audio-3.1-asr-flash(短段,HTTP)和 qwen-audio-3.1-asr-flash-message(长段,WebSocket)——免费截止都是北京时间 2026 年 12 月 21 日 00:00;旧的 qwen-audio-3.0-asr-flash 已从现行配置删除,调不了了(11 月 4 日读 configs\
models.yaml)。 - 入口(11 月 4 日读技能、项目规则和云端说明,核对文件存在,没跑模型、没上传音频;云端此刻能不能用、有没有暂停,没有核):点名的录音走
asr-professional-cloud.ps1 -CloudFirst,重要录音再加-Important,不需要先有本地作业;本地作业留下的pending_ai_session只是之后云端复核的交接,不是这条路的门槛。微信实时走提前备好的zh_asr.realtime。
边界

中文录音和微信语音转成文字(微信里正在聊的语音入口在看微信聊天);时间戳;分说话人、估计有几个人(有依据时才给一个能推翻的估计,分成几组本身不算人数);哪几句是我说的;重要录音;云端复核;转写项目的维护、换模型、升级依赖;Win+H 听写出的毛病。
- 英文、多语种和做字幕不是目标。
- 不认别人是谁:别人只标“对方”或“说不准”。
- 说“重要”不改变先走云端,只是多留能回查的证据,需要时再用本地两个模型核对(并排存,不覆盖);免费期外要整段上云,才要我点头。
- 不因为出了新版本就换模型,也不设定时下载;有同一批录音比出来明显更好的证据,AI 才换,并留好退回。
- 显卡调度:LocalGpuBroker 允许语音转写(ASR)和文字识别(OCR)同时跑;同一类任务排队串行;和 Ollama 大模型推理互斥,不同时占显卡;不绕过正在生效的租约。
- 结果:可选的旁路产物(optional sidecar)失败时,主结果照样保留交回;needs_review 为空表示不知道,不当成不用复核。
- 云端复核:3.1 的两条路线——qwen-audio-3.1-asr-flash(短段,HTTP)和 qwen-audio-3.1-asr-flash-message(长段,WebSocket)——免费截止都是北京时间 2026 年 12 月 21 日 00:00;旧的 qwen-audio-3.0-asr-flash 已从现行配置删除,调不了了(11 月 4 日读 configs\
models.yaml)。 - 入口(11 月 4 日读技能、项目规则和云端说明,核对文件存在,没跑模型、没上传音频;云端此刻能不能用、有没有暂停,没有核):点名的录音走
asr-professional-cloud.ps1 -CloudFirst,重要录音再加-Important,不需要先有本地作业;本地作业留下的pending_ai_session只是之后云端复核的交接,不是这条路的门槛。微信实时走提前备好的zh_asr.realtime。







