大家平常用的语音识别模型有哪些？
目前在使用百度的PaddleSpeech，在识别方面，必须是标准的普通话，在使用的过程中只要稍微带点口音，识别的文字都有问题！ 有没有在不需要训练就能达到可以识别日常口语的模型？
之前尝试过谷歌的开源模型，识别中文效果很差！！！但要在内网使用，又不能调用讯飞的接口。
4 个赞
这个我熟，英文的话用openai开源的whisper，用large模型的话识别正确率基本是有90%多，whisper中文识别也不错，但是没有英文那么出彩。
中文的话，更喜欢用阿里开源的Paraformer，个人用来下比whisper的中文稍好一点。
另外链家在huggingface上开源了基于whisper进行中文特化微调的模型，据说中文识别效果好了很多，不过我没试过，仅供参考。
4 个赞
微软的
微软的试过了， 中文效果不太行。 还不如百度的模型！
mark
1 个赞
whisper 这个模型英文效果还可以，但是中文的效果很差。阿里开源的Paraformer 这个模型没有试过，明天试一下。
我在回复的时候用的是微信的输入法，这个输入法语音识别的效果很好，还可以自动纠错，自动添加标点符号，不知道这个效果是用什么模型？
whisper你得用large的模型，不要用小模型，我用起来识别率很高
无论是哪个模型，只要时长上来了，就不行。
短的话whisper的英文，中文阿里的通义听悟（无开源）
识别日语用哪个模型比较好
huggingface上找找日语特化的模型
我上面说的都是开源可以本地部署的，如果是把商用模型也纳入进来的话，开源模型还是差点意思的。
espnet和speechbrain可以
这个模型和阿里的FunASR 效果有对比吗？
mark 之前找半天= =
翻了一下论文，Paraformer -large 的效果远远好于espnet，但在常规模型上略微差与ESPNET。 Speechbrain里面各种模型都有，不是最最新的sota，但是纯python实现，训练的脚本和推理直接可以参考来
GPT 通过 LINUX DO <[email protected]> 于2024年3月25日周一 17:51写道：
mark
mark
当前体感是 whisper 对英文的识别是最好的。
中文的， funasr 离线识别是比较好的。
通义千问中的识别也比较信任。（早期版本的飞书会议的转录不够好，离开字节了，现在不知道大模型加持了没有，效果有没有变好）
另外一个感受 —— 可能不需要那么高的转录正确率
- 将语音进行粗暴的转录之后，让对话调优的大模型进行回复，即便转换出了不正确的内容，也能得到符合主体目标的回应。在这个基础上，将转录的内容进行总结/重述，通过提示语，把可能错误的不相关的词过滤掉，应该能正常使用。可能大模型本身适合做模糊的工作。
1 个赞
Mark一下，学习研究
国内的通义听悟或者飞书的妙记，都还不错