求用于交互式转写长时访谈记录的语音转文字STT/ASR方案

编辑部 2026-05-24T12:34:28.137986 47959 阅读 tech

STT/ASR在站内已经看到很多推荐了，不过很多是API或者实时服务。我的需求是：转录时长在1-3小时不等的中文（夹杂英文单词）访谈录音。不要求实时转录。区分说话人（通常是2个）。 - 需要一个交互UI，能够实现：关联切分的录音到单句。点击可以播放对应单句的语音，便于修改文字。（出于研究目...

求用于交互式转写长时访谈记录的语音转文字STT/ASR方案

STT/ASR在站内已经看到很多推荐了，不过很多是API或者实时服务。

我的需求是：

转录时长在1-3小时不等的中文（夹杂英文单词）访谈录音。
不要求实时转录。
区分说话人（通常是2个）。
- 需要一个交互UI，能够实现：
- 关联切分的录音到单句。点击可以播放对应单句的语音，便于修改文字。（出于研究目的，不能完全交给机器转录）
- 能够添加术语、热词表。
- 简单的规整，如删除语病、语气词等。

去年曾经用过科大讯飞的方案，倒是符合要求，但当时发现讯飞的转录效果不如Gemini 2.5 Pro的多模态转录。虽然后者不方便单句修改，但也凑合用了。现在又要处理一些录音，不知道有没有熟悉这方面的佬推荐一下

2 个帖子 - 2 位参与者

阅读完整话题

来源: LinuxDo 最新话题查看原文

用于交互式转写长时访谈一个 AI 帖子