求用于交互式转写长时访谈记录的语音转文字STT/ASR方案🌐 链接:

STT/ASR在站内已经看到很多推荐了，不过很多是API或者实时服务。 我的需求是： 转录时长在1-3小时不等的中文（夹杂英文单词）访谈录音。 不要求实时转录。 区分说话人（通常是2个）。 - 需要一个交互UI，能够实现： 关联切分的录音到单句。点击可以播放对应单句的语音，便于修改文字。（出于研究目的，不能完全交给机器转录） 能够添加术语、热词表。 简单的规整，如删除语病、语气词等。 去年曾经用过科大讯飞的方案，倒是符合要求，但当时发现讯飞的转录效果不如Gemini 2.5 Pro的多模…