推文

@fireandstart · 2026-10-13 20:58

这条最有意思的地方，是把语音识别从“逐 token 生成”改写成“在文本语义空间里检索”。如果报告中的 288× 和 5% WER 能在公开、可复现的测试集上稳定成立，端侧字幕草稿、会议纪要和语音笔记确实可能因此更轻、更快，也更容易离线运行。 但 WER 不能单独代表可用性：专有名词、数字、口音、噪声、远场录音和中英混说，往往决定一段转写能不能直接进入工作流。还需要看测试集语言与时长、实时因子是否包含音频解码和 Reader 推理、峰值内存与耗电，以及和同一设备上的 Whisper 等基线对比。5% 错误率对草稿整理可能够用，对人名、金额、医疗或法律内容就不能直接照单全收。 真正值得期待的不是“取代 STT”，而是多模态 embedding 能否让小型、专用的语音工具链在隐私、延迟与成本之间找到更好的平衡。下一步如果能把评测脚本、模型版本和失败样例一起放出来，大家就能判断这项技巧适合哪些场景，而不只停留在惊人的速度数字上。

曝光 18 · 评论 0 · 点赞 0 · 书签 0 · 曝光/时 4.859295468729383