核心要点
接现成 ASR：用 Whisper（开源可自部署）或云语音识别服务，别自己从头训
先处理好音频工程：统一格式/采样率（如 16kHz 单声道），长音频要分段，否则模型吃不下或超时
想清楚是「实时流式」还是「批量转写」：边说边出字用流式，录音文件转写用批量，技术选型不同
加后处理：自动标点、说话人分离（谁说的）、专有名词热词纠正，提升可用性
标准回答
接现成模型，别自己造
语音转文字直接用成熟方案：要可控/数据不出域，自部署 Whisper；要省心，用云 ASR 服务。核心工作不是训模型，而是音频工程和工程化。
音频预处理
模型对输入有要求：统一采样率（常见 16kHz）、单声道、转成支持的格式。来源五花八门（手机录音、上传文件）必须先转码归一化，否则识别质量飘忽甚至报错。
两种模式区别
- 批量转写：用户上传一段录音，整体转文字。长音频按静音点或固定时长切片分段识别再拼接，避免单次过长超时。
- 实时流式：边说边出字（会议、语音输入）。走流式 ASR，按音频片段持续推送、增量返回结果，关注首字延迟。
后处理提升体验
自动加标点、多人对话做说话人分离（diarization）、对专有名词/品牌词配热词表纠正。这些直接决定结果好不好用。
常见误区
⚠️ 常见踩坑
不做音频归一化直接喂模型，采样率不对导致识别全乱；以及拿批量模型硬做实时场景，用户说完半天才出字，体验很差。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。