retemlamb

@ningxing #45 dots.tts / CosyVoice 3 也都是 TTS 模型（文字转语音），并且有很好的语音克隆效果

@tingjiannishuo #48 dots.tts / CosyVoice 3 这类模型在跨语种声音克隆上都有不错的效果 fyi

@ccvip #47 这四点都很实在：

1. 批量处理目前 CLI 支持，桌面端的批量导入在做了
2. 说话人识别已经接了，录音转写可以用 --diarize 开启，桌面端预计本周上线
3. 热词功能目前大部分模型已经支持了，可以在模型设置里添加行业术语。多模型交叉校验筛易错词这个思路挺好，记下了
4. 本地跑的好处就是没有这些计费坑，跑多少都不花钱，其实像现在大多数人的设备都有很强的计算能力，完全可以胜任这些工作

此外目前 FireRedASR2-LLM 遇到一个图复用的问题，我在修复中，当前可能运行速度较慢。FireRedASR2-AED 目前是正常的，可以先试试，我会尽快修复这个问题。之后会对所有模型进行全方位性能检测，确保每个模型在各种设备上都可以利用到设备性能的物理极限

@Mithril 感谢试用和建议！分离推理这个方向我们架构上已经是这么设计的——引擎和前端是分开的，目前 openasr serve 可以起一个本地 OpenAI 兼容 API ，办公室里一台性能好的机器跑推理，其他设备调 API 就行。后续移动端上线后，也会支持连远程服务端转写，不用每台设备都跑模型

@yiranw09 #46 目前核实应该是 I 卡兼容的问题（ metal N 卡 A 卡都没问题），正在修复中，0.1.17 版本正在走签名发布流程（会对报错自动回退到 CPU 上），稍晚时候会彻底修复 I 卡的问题

@ccvip 感谢 star 和详细的测试反馈！豆包在工业专属词汇上强确实符合预期，毕竟背后有字节的行业数据。

FireRedASR2 在中文上确实很猛，附一组 FireRedASR2 论文里的公开 benchmark 数据供参考：

模型 普通话 CER% 方言 CER% aishell1 CER% aishell2 CER%
FireRedASR2-LLM 2.89 11.55 0.64 2.15
FireRedASR2-AED 3.05 11.67 0.57 2.51
Doubao-ASR 3.69 15.39 1.52 2.77
Qwen3-ASR 3.76 11.85 1.48 2.71

其中 aishell1/aishell2 覆盖了智能家居、自动驾驶、工业生产等十几个领域的词汇，是公开集里最接近行业应用场景的。不过这两个集还是安静环境下的朗读语音，跟你的涂料行业真实录音肯定有差距，期待你试完 FireRedASR2 的反馈

@yiranw09 #40 这个看起来是 Windows 上实时会话没正确启动的问题，麻烦到 GitHub Issues （ https://github.com/QuintinShaw/openasr/issues ）提一个，把那条报错信息贴上，再打开设置 → 高级设置 → 日志目录，把 daemon.log 也附上，我帮你排查

@yiranw09 #36 会议纪要这个场景确实是刚需。录音转写的说话人分离目前已经支持了（即将上线）。实时字幕的说话人分离难度要大不少——线上会议软件是靠“谁的麦克风在说话”来区分的，但线下录音只有一路混合音频，要实时区分不同说话人挑战还是很大的，在努力中

@12wk34 之前是这样，今年 2 月小红书团队的 FireRedASR2 AED 也很能打，对性能要求不高，嘈杂的音乐歌词的 CER 1.17% ，小红书团队说是工业级别模型，唯一的缺点是没有标点符号，需要搭配 FireRedPunc （小红书团队的文字断句和加标点模型） 使用，在模型设置里可以开启