Feiteng
@FeitengLi
Speech · Image · Video · LLM multimodal generative models
Research → Infrastructure → Built AI algo serving 200M+ users
公众号: Generative AI
Open to opportunities
가입 November 2016
1.2K 팔로잉 중 3.5K 팬
其实这些问题都能很好的解决了
1. 扔掉 whisper，换 ASR 模型，Qwen3-ASR 就很不错幻觉很少、也有一些别的ASR选择，whisper 幻觉多也要求 30s片段，Qwen3-ASR 塞更长的音频识别越准确，最大支持 20 分钟；
2. 文字时间轴 也扔掉 whisper 不是很准, 虽然 Qwen/Qwen3-ForcedAligner-0.6B 也能用，但实际测试超过 180s 就时间轴就混乱不堪，可以用 @LattifAI_HQ 4 小时都轻松准确， 可以到这里看看 卡拉 OK 字幕都十分准确，也有 skill speaker diarization 和 naming 也解决的很好了
3. VAD 切片我推荐自己的项目 准确性 Top
더 보기
