- djy2026-09-06
主要是把一些录音转成文字发给 AI 用。
录音一般都是普通话、英文，偶尔有几句中国方言、日语。
中国方言、日语是比较次要的，如果做不到可以忽略。中英文足够好也够了。
有没有什么精度比较高的方案？
用了苹果电脑自带的转录，转出来很垃圾，识别的非常差，没法用。
主楼 - 苏白城2026-09-06
- Nigel20262026-09-06
cohere有个模型还可以，速度很快，据说一个小时可能也只要几十秒就能转好
- Nigel20262026-09-06
应该是需要ASR吧，不是TTS
- huangjiecs6142026-09-06
直接丢给codex转就好 它自己会下模型转完还会校对 经常拿来转播客
- 苏白城2026-09-06
对 (òωó)^-^ 是 Qwen3-ASR-1.7B
- 0xEcho2026-09-06
我用的是whisper.cpp的large-V3-turbo模型，针对mac有优化，实测转录出来精度还可以，个别术语不行需要纠正，Qwen3-ASR 0.6B也可以，但是个人不太喜欢，断句有问题，术语识别率更低，个人体感不如whisper.cpp
- bmin2026-09-06
英文速度最快质量也相对不错的是parakeet-tdt-0.6b-v2，比 Whisper 模型快 15-17 倍，追求最好的质量的是 Whisper-large-v3。
日文唯一的选择是 Whisper-large-v2
中文相对比较好用的还是 Qwen3-ASR-1.7B + Qwen3-ForcedAligner-0.6B
以上都可以用 mlx 版本
- zspor2026-09-06
