FireRedASR

收录理由

FireRedASR 是一套开源的工业级语音识别模型，包含两个可直接运行的版本：一个侧重效率的编码器-解码器模型，以及一个基于大语言模型的更大规模版本。用户可以根据实际部署环境，在延迟、内存占用和识别准确率之间灵活取舍。它支持普通话、中文方言和英语的转录，在公开中文语音基准上的错误率处于领先水平，这对于将转写结果用于搜索、实时字幕或下游语言模型处理的场景尤其重要。此外，它还能识别歌唱歌词，这一功能在主流工具中很少见。使用起来很简单：从 Hugging Face 下载权重，将音频转换为 16 kHz 的 PCM 格式，然后通过命令行或 Python 接口处理单个文件或批量任务。需要注意的是，AED 版本每次调用大约处理 60 秒音频，LLM 版本约 30 秒，所以更长的录音需要先进行切分。