【造工具-2】用SenceVoice，实现本地的语音转文本小工具

说到语音转文本，有两种说法，自动语音识别（ASR，Automatic Speech Recognition）和语音转文本（STT，Speech-to-Text），本质上都是通过算法将语音信号转化为可处理的文本形式的技术，两者的核心功能和应用目标完全一致。‌‌如果有区别的话，ASR更常见于学术研究和技术文档中，STT则更多应用于产品功能描述。ASR常与其他模块（如VAD、说话人分离）并列描述，体现其在技术栈中的位置；STT则更直接指向端到端的功能输出。‌‌

在选型上我大致看了三款主流开源STT工具 —— 阿里SenseVoice、百度的PaddleSpeech、OpenAI Whisper，最终选定阿里SenseVoice做了个带界面的语音识别小工具，后期配合大模型的文本纠错能力，效果还挺不错的。

主流的STT开源模型

目前，开源的STT技术领域，阿里的SenceVoice、百度PaddleSpeech及OpenAI的Whisper较为主流。

1. 阿里SenseVoice
   SenseVoice 是阿里巴巴开源的语音识别（STT）系统，主打高效推理、情绪识别与多场景适配，尤其优化了中文语音识别性能。其整合包支持批量处理与字幕生成，满足实际业务需求。支持情绪识别（超越现有最佳模型）、声音事件检测（如笑声、掌声、咳嗽等）；采用非自回归端到端框架，比Whisper-La