请教下有什么好的 STT(语音转写)方案吗

[UWoodman]

需求是这样,英文会议场景,想要在会议的时候使用转写,确保沟通的流畅性,不需要翻译,转录就可以了.

看了火山的 API,有道 APP,其实最理想的是 Chrome 的 Live Caption,感觉又小又轻便,但是没有找到好的产品.

试了下 mac 自带的 Live Caption,感觉也比较繁琐,每次需要去设置,用完还要去关闭设置,不知道各位大佬有没有更理想的解决方案

[winterbells]

Word -> 开始 -> 听写

[ivyliner]

可以试试 appstore 搜索: BeMyEars
https://www.engineerdraft.com/bemyears

[alexnone]

飞书妙记

[zuiyue123]

我用过开源的在 windows 上监听麦克风，准确率很高

[starrn]

@zuiyue123 whisper 吗

[noahlias]

英文的话 那 whisper 应该是效果比较好的了 找个快点的实现例如 fastwhisper 基本没啥问题

国内的基本都是对标中文的 阿里的 funasr 还有最近的 SenseVoice 都还行

[kuse2001]

飞书妙记，免费服务里最棒了吧

[isSamle]

https://github.com/alphacep/vosk-api
https://github.com/openai/whisper
https://github.com/facebookresearch/seamless_communication

[zenghx]

微软 azure cognitive api

[devliu1]

可以看下 sherpa 项目，可本地运行

[zuiyue123]

@starrn 基于 funasr 的

[ivyliner]

我对这方面研究还挺多的.
在英文会议场景中, 需求主要有 2 类.
1. 实时识别, 需要能进行流式处理
2. 录音之后识别

场景 1: 目前好像就 BeMyEars 可以做到, 而且还有翻译功能
场景 2:
飞书妙记, 每个月 300 分钟免费额度, 满足需求 2, 需要自己提前录音.
whisper, 需要自己折腾一下命令行或者其它的工具, 缺点对中文不够友好, 需要 large 模型效果才比较可以
funasr 还是不错, 缺点是没有标点
SenseVoice 比如 funasr 好, 需要自己折腾一下命令行
vosk-api 中文不够好, 上一代的产品不推荐.
seamless_communication 大而全, 效果不好, 很重, 不推荐
azure cognitive api: 付费, 挺贵的. 要自己写程序调用 api
sherpa 需要自己折腾命令
夹带私货: 我的 App: YPlayer 搜索下载即可使用, 中文转录效果比 whisper 好, 英文的话, 就是用 whisper.