语音识别ASR

四代架构：

• 流式 Conformer：生产级实时主力，RTF<0.2；牺牲未来上下文换速度

• Encoder-Decoder Transformer（Whisper 范式）：高精度，已上端侧——Large v3 Turbo（8 亿参数）本地运行媲美 GPT-4o-transcribe

• Speech LLM（统一架构）：ASR+LLM+TTS 三段式管道 → 单模型，消除误差累积与三段延迟（Voxtral Realtime 等）

• LLM 后处理混合：用 LLM 修 ASR 输出——结构缺陷：LLM 听不到音频，无法纠正同音异义错误

关键数据：

• Whisper large-v3：500 万小时训练数据（100 万弱标注 + 400 万伪标签）；标准英文 95-99% 准确率

• 1 小时录音 <1 分钟 GPU 转录（RTF 68.56）——"全量转录"替代"抽样转录"

• 2026 端侧趋势：模型 <1GB、实时转写、99+ 语言、完全本地隐私

生产管线八件套：VAD 静音剥离 → 30s 分窗（带重叠）→ GPU 批处理 → 重叠去重 → 说话人分离 → 低置信度人工审核 → 实体标注 → 审计日志。

选型：隐私敏感（医疗/法律/金融）→ 自托管 Whisper；多语言+方言 → Whisper/Qwen3-ASR；实时对话 → 流式 Conformer 或 Speech LLM。