x1x2

@Rain59 可以了，实时转用了 small 模型，正好可以对比看看效果。不过我个人基本没有实时转的需求

是，中文识别率确实一般。没有做过取舍，单纯觉得是不是 large 比 medium 识别准确率可能更高，但实际效果半斤八两。 我现在的工作流是，先转成文本，然后再让 gpt/opus 润色一道。不得不说，SOTA 就是 SOTA ，很刁钻的误识，都能识别出来。

下面是我刚刚转的文本错误和修正汇总


┌───────────────────────────┬──────────────────────────────────────────┐
│ 原文 │ 修正 │
├───────────────────────────┼──────────────────────────────────────────┤
│ 伤/商（贯穿全文） │ 熵（ entropy ） │
├───────────────────────────┼──────────────────────────────────────────┤
│ 毒血的头 │ 读写头（ read/write head ） │
├───────────────────────────┼──────────────────────────────────────────┤
│ 山门 56 │ 山本五十六（日本海军大将） │
├───────────────────────────┼──────────────────────────────────────────┤
│ 积电器/寄电器 │ 继电器 │
├───────────────────────────┼──────────────────────────────────────────┤
│ 二子海默症 │ 阿尔茨海默症 │
├───────────────────────────┼──────────────────────────────────────────┤
│ 埃尼亚克/安尼阿克 │ ENIAC │
├───────────────────────────┼──────────────────────────────────────────┤
│ 爱德瓦克/爱尼瓦克 │ EDVAC │
├───────────────────────────┼──────────────────────────────────────────┤
│ αβ减值算法 │ α-β剪枝算法 │
├───────────────────────────┼──────────────────────────────────────────┤
│ ToroChamp │ Turochamp （图灵+钱珀诺恩合创的象棋程序） │
├───────────────────────────┼──────────────────────────────────────────┤
│ 布尔兹曼 │ 玻尔兹曼（ Ludwig Boltzmann ） │
├───────────────────────────┼──────────────────────────────────────────┤
│ ACES │ ACE （ Automatic Computing Engine ） │
├───────────────────────────┼──────────────────────────────────────────┤
│ Unartificial Intelligence │ Artificial Intelligence │
├───────────────────────────┼──────────────────────────────────────────┤
│ 卷幅他 │ 本尼迪克特康伯巴奇（卷福） │
├───────────────────────────┼──────────────────────────────────────────┤
│ 道胜和夫 │ 稻盛和夫 │
└───────────────────────────┴──────────────────────────────────────────┘

人名译名统一
- 冯诺一曼 → 冯诺伊曼
- 斯马赫/司马赫 → 赫伯特西蒙（中文名司马赫，首次出现做注）
- 纽娥尔 → 纽厄尔
- 赛米尔 → 阿瑟塞缪尔

结构优化：去除 Speaker 标签，按四章结构整理为连贯叙述文章，保留播客的口语风格。

@kuhung Claude 的解释，你可以参考看看：

argmax-oss-swift 在 VoxNote 里负责两件事：语音识别（ WhisperKit ）和说话人识别（ SpeakerKit ）。

---
一、WhisperKit 语音转文字的核心引擎

VoxNote 自己只负责把音频文件读成 [Float] 浮点数组（ AudioProcessor.loadAudioAsFloatArray ），之后全部交给 WhisperKit：

[Float] 音频数据
↓
whisperKit.transcribe(audioArray:decodeOptions:callback:segmentCallback:)
↓
[TranscriptionResult] ← 含完整文本 + 每段时间戳

VoxNote 给 WhisperKit 的配置参数：
- chunkingStrategy: .vad 自动按静音分段
- wordTimestamps: true 保留每段的时间戳（供说话人对齐用）
- concurrentWorkerCount: 16 并行加速
- detectLanguage: language == nil 不指定语言时自动检测

转录过程中 WhisperKit 会不断回调进度（ 0%→98%）和中间文本，VoxNote 把这些映射成 UI 上的 .transcribing(progress, partialText) 实时显示。

---
二、SpeakerKit 说话人识别（可选功能）

用户开启说话人标注后，VoxNote 会同时跑两个任务：

同一份 [Float] 音频
├─ 并行 → speakerKit.diarize() → DiarizationResult （谁在什么时间说话）
└─ 顺序 → whisperKit.transcribe() → [TranscriptionResult]（说了什么）

合并 → diarization.addSpeakerInfo(to: results, strategy: .subsegment)
↓
" [Speaker 1] 你好，请问……
[Speaker 2] 好的，我来解释一下……"

SpeakerKit 底层用的是 Pyannote v4 的 CoreML 模型，在本机完成推理，不联网。

@kuhung 我最开始用的苹果内置的引擎，后面扫了一眼这个开源项目： https://github.com/argmaxinc/argmax-oss-swift ，把内置模型改成了 Whisper large-v3

我目前用着还行，识别的准确率确实不算太高，但是我一般是先转，然后再把文本扔进 GPT ，让它再给我润色润色。 我主要是用来转电话录音和播客文本的，时间都比较长，30 分钟以上吧。

P.S. 我其实也是参考了开源项目。第一版是用原生的 Mac 语音识别引擎，其实效果也还行。后面翻了下 x ，发现有成熟开源，就拿来用了。

插个眼，看看是不是起号

在用着 tgt2+tlcm 开 GT7 ，不过现在都流行直驱了吧

@manwhatcanisay 国外信用卡有没有好的渠道可以办

张小出了个 7 小时的播客，太虎了