Audio Recognition
设计多媒体音频语音识别服务(Speech-to-Text)。当用户上传音频文件，需将语音转为文字或识别特定信息（如关键词、歌曲名）时触发。适用于：会议录音转写、音频内容提取、语音指令识别、音视频字幕生成。
479
下载量
17
安装量
0
收藏量
★ 5.0
综合评分ⓘ
音频语音识别 (Audio Recognition)#
将音频中的语音准确转写为文字，并能区分不同说话人。
核心能力#
- 语音转文字 (Speech-to-Text)
- 说话人分离 (Diarization)
- 标点与断句优化
- 支持多语言识别
工作流程#
1. 音频预处理#
- 降噪处理
- 格式转换 (统一为16kHz/16bit PCM或MP3)
- 音量标准化
2. 声学特征提取#
- 提取MFCC、FBANK等声学特征
- 用于后续ASR模型输入
3. ASR语音识别#
- 使用ASR模型进行语音识别
- 生成文字初稿
- 支持模型：Whisper、WeNet、Paraformer等
4. 后处理#
- 文字纠错
- 断句与标点添加
- 说话人分离标注
5. 输出结果#
- 最终识别文本
- 说话人标签（如需要）
- 时间戳（如需要）
质量目标#
- 准确率：95%以上（标准普通话录音）
- 实时性：支持实时和离线两种模式
限制说明#
- 噪音限制：背景噪音过大时识别效果下降
- 口音限制：重度方言/口音可能影响准确率
- 隐私保护：用户上传的音频仅用于本次识别，不得用于模型训练或其他用途
- 语义理解：仅负责语音转文字，不理解文本语义内容
参考服务#
- 讯飞听见
- Google Speech-to-Text
- 阿里云语音识别
- 腾讯云语音识别
适用场景#
- 会议纪要自动生成
- 音频/视频字幕制作
- 语音内容检索
- 录音文件整理
相关推荐
Nano Banana Pro
Ssteipetev1.0.1
使用 Nano Banana Pro (Gemini 3 Pro Image) 生成或编辑图像。支持文生图、图生图及 1K/2K/4K 分辨率，适用于图像创建、修改及编辑请求，使用 --input-image 指定输入图像。
设计多媒体需 API Key
Openai Whisper
Ssteipetev1.0.0
使用 Whisper CLI 进行本地语音转文字（无需 API 密钥）
设计多媒体
Video Frames
Ssteipetev1.0.0
使用 ffmpeg 从视频中提取帧或短片。
设计多媒体
UI/UX Pro Max
Xxobi667v0.1.0
提供 UI/UX 设计智能与实现指导，帮助打造精美界面。适用于 UI 设计、UX 流程、信息架构、视觉风格、设计系统/标记、组件规格、文案/微文案、无障碍及前端 UI（HTML/CSS/JS、React、Next.js、Vue、Svelte、Tailwind）生成/评审/改进。工作流包括：①新 UI 布局与样式生成；②现有 UI/UX 改进；③设计系统标记和组件规范产出；④ UX 建议转化为代码变更。
设计多媒体
