ASR语音转文字服务产品系统Vibe Coding

ASR 服务进入大模型 + 端云协同 + 垂直深耕的高增长期，长期刚需、空间广阔.从传统 Conformer/Whisper，升级为ASR+LLM 端到端一体化：支持长上下文、热词 / 专业术语自适应、说话人分离、情绪 / 意图识别、降噪 / 远场 / 方言 / 口音增强，中文普通话 CER（字错误率）已降至2% 以内，垂直场景（医疗、法律）优化后可达98%+ 准确率

1. 上传与文件处理模块
交互方式：支持「点击上传」和「拖拽上传」两种方式，降低操作门槛
格式兼容性：支持主流音频格式：WAV、MP3、FLAC、M4A、AAC、OGG、WMA，覆盖绝大多数录音、音视频提取音频的场景
服务状态监控：顶部显示「服务就绪」状态 + API 地址（http://localhost:8001），明确后端服务可用性，方便本地部署调试
2. 配置与参数控制模块
语言选择：默认「自动检测」，可手动指定识别语言（图中未展开，通常支持中文、英文、多语种 / 方言）
后处理选项：提供「启用逆文本正则化（ITN）」开关：
作用：将识别出的口语化 / 数字文本标准化（如把「两千零六」转为「2006」、「百分之三十」转为「30%」），提升文本可读性
API 地址配置：支持自定义后端服务地址，适配本地部署、云端部署等不同环境
3. 识别执行与结果展示模块
一键识别：点击「开始识别」按钮触发后端 ASR 服务，流程简单直观
结果可视化：
展示识别耗时：总耗时0秒、音频处理耗时923ms，体现低延迟特性
完整输出识别文本：图中示例为桐城经开区党群服务中心的发言稿，完整还原了语音内容
标注源文件信息：显示上传的文件名「滑轨屏小人完整输出无标点.mp3」，方便溯源
二、核心技术特性
本地部署友好：默认 API 地址为localhost，说明支持私有化本地部署，满足数据不出境、隐私合规需求（适合政务、企业内部使用）
ASR 核心能力：
高准确率：完整还原长文本发言稿，无明显错漏，支持正式场合的语音转写
低延迟：近 1 分钟的发言稿仅需 923ms 处理，推理效率高
后处理优化：逆文本正则化提升文本实用性，适配办公、政务等正式场景
Web 化零门槛：纯浏览器访问，无需安装客户端，支持多终端（PC、平板）使用

基于pytorch和transformers封装了SenseVoice和qwen3-asr的服务，api接口和测试页面，用作本地语音转文字服务。SenseVoice非常快。qwen3-asr慢但是准确率高。