长会议录音丢进去，出来一堆碎段落，谁在什么时候说的还得自己对着时间轴找。语音这块一直缺个能整段吃下的开源方案，微软这次把它放出来了。 这套语音模型把长音频当一整段处理，六十分钟一次过，转写里直接带说话人、时间戳和内容，谁在什么时候说了什么一起给全，专业名词能先喂热词，五十多种语言都认。底层用 7.5 Hz 超低帧率分词，语言模型理解上下文，扩散头补声音细节，长段不散架。还有个实时版首音延迟约三百毫秒，一个 ...
🌐 链接: https://x.com/joganicpe/status/2118675039130468372
🏷️ 分组: X｜正在关注
🕒 时间: 2026-11-06 20:01:07
🌐 链接: https://x.com/joganicpe/status/2118675039130468372
🏷️ 分组: X｜正在关注
🕒 时间: 2026-11-06 20:01:07
X (formerly Twitter)
Ding.链上Ai (@joganicpe) on X
长会议录音丢进去，出来一堆碎段落，谁在什么时候说的还得自己对着时间轴找。语音这块一直缺个能整段吃下的开源方案，微软这次把它放出来了。
这套语音模型把长音频当一整段处理，六十分钟一次过，转写里直接带说话人、时间戳和内容，谁在什么时候说了什么一起给全，专业名词能先喂热词，五十多种语言都认。底层用 7.5 Hz 超低帧率分词，语言模型理解上下文，扩散头补声音细节，长段不散架。还有个实时版首音延…
这套语音模型把长音频当一整段处理，六十分钟一次过，转写里直接带说话人、时间戳和内容，谁在什么时候说了什么一起给全，专业名词能先喂热词，五十多种语言都认。底层用 7.5 Hz 超低帧率分词，语言模型理解上下文，扩散头补声音细节，长段不散架。还有个实时版首音延…
