企业官网建设流程全解析

语音识别这件事，很多人第一次接触都觉得它挺神秘——对着手机说句话，屏幕上就蹦出文字，好像机器真的"听懂"了。但如果你拆开看，它本质上就是一套把声音信号逐步"翻译"成文字序列的流水线。我从几年前开始折腾ASR相关的项目，从最早的GMM-HMM时代一路跟到现在的端到端大模型方案，踩过的坑不算少。这篇内容我想把自动语音识别（ASR）这套技术从头到尾讲清楚，包括它的核心原理、主流架构演进、端到端方案到底解决了什么问题、实际落地时怎么选型、以及那些文档里不会写的实操细节。不管你是刚入门想搞明白ASR到底怎么回事，还是已经做过一些项目想补齐系统性认知，应该都能从里面找到有用的东西。

1. 自动语音识别到底在解决一个什么问题

1.1 从"听清"到"听懂"的完整链路

很多人会把语音识别和语音理解混为一谈，其实这是两件事。ASR要解决的核心问题是：给定一段声波信号，输出对应的文字序列。它不负责理解你说的话是什么意思，只负责把声音转成字。至于"听懂"——比如判断你是在下指令还是在闲聊——那是自然语言理解（NLU）的活儿。

这个区分很重要，因为它决定了ASR系统的优化目标。你评价一个ASR系统好不好，看的是它转出来的文字和真实内容的差距，也就是词错误率（WER, Word Error Rate）。WER的计算方式是：

WER = (替换错误 + 删除错误 + 插入错误) / 总词数

举个例子，真实文本是"今天天气不错"，系统识别成"今天天汽不错"，那就是一个替换错误，WER = 1/4 = 25%。这个指标是ASR领域的核心评价标准，后面讲模型选型的时候会反复用到。

从信号处理的角度看，ASR的完整链路大致是这样的：原始音频首先经过预加重、分帧、加窗处理，然后提取声学特征（最经典的是MFCC，后来FBank和Mel频谱也用得很多），接着声学模型把特征映射成音素或字符的概率分布，语言模型再根据语言学规律对结果进行修正，最终解码出最可能的文字序列。

1.2 为什么这个问题这么难

语音识别的难度远超很多人的直觉。同一个词，不同人说出来的声学信号差异巨大——语速、口音、音色、情绪都会影响。更麻烦的是协同发音现象：你说"不知道"的时候，这三个字连在一起读，每个字的发音都和单独读时不一样。还有同音词歧义，"公式"和"攻势"、"识别"和"式别"，光靠声音根本分不出来，必须依赖上下文。

再加上实际场景里的噪声、混响、远场拾音、多人对话等问题，ASR系统要处理的变量非常多。这也是为什么这个领域从1950年代就开始研究，直到深度学习出现之后才真正达到可用水平。

一个常见的误解：很多人以为ASR就是"语音转文字"，和语音输入法是一回事。实际上语音输入法只是ASR的一个应用场景，ASR还广泛用于会议转录、客服质检、字幕生成、语音助手、工业设备声控等大量场景，每个场景对模型的要求都不一样。

2. 从GMM-HMM到端到端：ASR的技术演进逻辑

2.1 传统方案为什么需要三套独立系统

在深度学习大规模应用之前，ASR系统是典型的"拼接式"架构，由三个独立模块组成：声学模型、发音词典、语言模型。声学模型通常用GMM-HMM（高斯混合模型-隐马尔可夫模型）来做，负责把声学特征映射到音素状态；发音词典定义每个词由哪些音素组成；语言模型（通常是N-gram）负责判断一个词序列出现的概率是否合理。

这种架构的问题在于：三个模块各自独立优化，声学模型的输出误差会传导到语言模型，而且GMM对复杂声学环境的建模能力有限。更关键的是，整个系统需要大量领域知识来设计——发音词典要人工编写，音素集要精心选择，特征工程要反复调试。一个从业者想搭建一套可用的传统ASR系统，光准备工作就能耗掉几个月。

后来DNN（深度神经网络）替代GMM成为声学模型的主力，也就是DNN-HMM混合架构，性能有了明显提升。但三模块分离的框架没变，发音词典和语言模型依然是独立的组件。这种"混合架构"在很长一段时间里是工业界的主流方案。

2.2 端到端方案的核心突破

端到端（End-to-End）ASR的思路非常直接：用一个神经网络直接把音频特征映射到文字序列，中间不需要发音词典，也不需要独立的语言模型。这个想法听起来简单，但实现起来要解决几个关键问题。

第一个问题是序列长度不一致。一段10秒的音频，声学特征可能有1000帧，但对应的文字可能只有20个字。神经网络怎么处理这种输入输出长度不匹配的情况？CTC（Connectionist Temporal Classification）损失函数解决了这个问题，它允许网络在输出时引入一个特殊的"空白"符号，通过合并重复字符和去除空白来得到最终文字序列。

第二个问题是注意力机制的引入。基于注意力（Attention）的编码器-解码器架构让模型能够自动学习音频帧和文字之间的对齐关系，不再需要CTC那种硬性假设。Transformer架构在ASR中的应用进一步提升了性能，尤其是对长语音的建模能力。

第三个问题是数据需求。端到端模型参数量大，需要大量标注数据才能训练好。这也是为什么端到端方案最早在英语等资源丰富的语种上取得突破，而小语种和特定领域的应用直到预训练模型出现后才真正落地。

2.3 当前主流方案对比

选型的时候不能只看WER，还要考虑推理延迟、模型大小、部署环境、是否需要流式输出等因素。比如做实时字幕，RNN-T或Conformer-T这类Transducer架构就更合适；做离线会议转录，Whisper这种大模型方案精度更高。

3. 声学特征提取：ASR系统的第一道关口

3.1 为什么原始波形不能直接喂给模型

原始音频是一串随时间变化的采样点，16kHz采样率下每秒有16000个数值。直接把这串数值丢给神经网络有两个问题：一是数据量太大，二是原始波形里包含大量和语音内容无关的信息（比如音量大小、录音设备频响特性）。

所以需要提取声学特征，把原始波形转换成更能反映语音本质的表示。这个过程模拟了人耳耳蜗的频率感知特性——人耳对不同频率的敏感度不是线性的，低频区分辨率高，高频区分辨率低，Mel刻度就是用来描述这种非线性关系的。

3.2 MFCC和FBank的实操差异

MFCC（Mel频率倒谱系数）是最经典的声学特征，提取流程大致是：预加重 → 分帧 → 加窗 → FFT → Mel滤波器组 → 取对数 → DCT。最终得到的是倒谱域的系数，通常取13维，加上一阶和二阶差分共39维。

FBank（Filter Bank）特征则省去了DCT这一步，直接保留Mel滤波器组的对数能量输出，通常取40维或80维。两者的核心区别在于：MFCC做了DCT去相关，各维特征之间近似独立，适合GMM这类对角协方差模型；FBank保留了更多原始信息，维度间相关性更强，但更适合神经网络。

实际项目中，端到端模型基本都用FBank或Mel频谱，因为神经网络有能力自己学习特征间的相关性。MFCC更多出现在传统方案或资源极度受限的场景。

import torchaudio import torch # 加载音频 waveform, sample_rate = torchaudio.load("test.wav") # 提取FBank特征（80维） fbank = torchaudio.compliance.kaldi.fbank( waveform, num_mel_bins=80, frame_length=25, # 帧长25ms frame_shift=10, # 帧移10ms sample_frequency=sample_rate ) # 提取MFCC特征（13维） mfcc = torchaudio.compliance.kaldi.mfcc( waveform, num_ceps=13, num_mel_bins=23, sample_frequency=sample_rate ) print(f"FBank shape: {fbank.shape}") # [T, 80] print(f"MFCC shape: {mfcc.shape}") # [T, 13]

3.3 特征提取中容易踩的坑

第一个坑是采样率不匹配。训练时用16kHz数据，推理时来了个8kHz的音频，特征分布直接偏移，识别效果断崖式下降。解决办法是在预处理阶段统一重采样，或者训练时做采样率增强。

第二个坑是帧长和帧移的选择。25ms帧长、10ms帧移是经典配置，但不是万能的。对于语速很快的场景，帧长可以缩短到20ms；对于低频为主的语音（比如老年男性），帧长可以适当加长。这个参数需要根据实际数据调。

第三个坑是归一化方式。FBank特征做CMVN（倒谱均值方差归一化）时，要区分全局归一化和说话人级归一化。全局归一化简单但效果一般，说话人级归一化效果好但需要先做说话人聚类。端到端模型通常用全局归一化就够了，因为模型本身有BatchNorm或LayerNorm。

实操建议：如果你用的是预训练模型（比如Whisper），特征提取部分通常已经封装好了，直接用模型的预处理接口就行，不要自己手写特征提取，很容易和训练时的配置不一致。

4. 端到端ASR模型的核心架构拆解

4.1 CTC：让网络学会"对齐"

CTC的核心思想是在输出字符集中加入一个空白符号（blank），网络在每个时间步输出所有字符（包括blank）的概率分布，然后通过一个多对一的映射函数把帧级别的输出序列合并成最终的字符序列。

合并规则很简单：先合并连续重复的字符，再删除所有blank。比如网络输出是_ _ h h _ e e _ l l _ l _ o _ _（_表示blank），合并后就是hello。这个机制让网络不需要预先知道每个字符对应哪些帧，对齐关系是隐式学习的。

CTC的损失函数计算所有可能对齐路径的概率之和，然后用前向-后向算法高效计算。训练时最大化正确文字序列的概率，推理时用贪心解码或束搜索（Beam Search）找最优路径。

CTC的局限性在于它假设每个时间步的输出条件独立，这在语言模型层面是不合理的——相邻字符之间有强依赖关系。所以纯CTC模型通常会外挂一个语言模型来修正结果，或者用CTC/Attention混合架构。

4.2 Attention机制如何替代人工对齐

基于注意力机制的编码器-解码器架构彻底改变了ASR的对齐方式。编码器把音频特征压缩成一组隐状态表示，解码器在生成每个字符时，通过注意力权重自动"关注"编码器输出中相关的部分。这个过程是软对齐，不需要CTC那种硬性合并规则。

Transformer架构进一步把注意力机制发扬光大，自注意力让模型能够捕捉长距离依赖，多头注意力让模型同时关注不同维度的信息。Conformer则在Transformer基础上加入了卷积模块，兼顾了局部特征提取和全局建模能力，目前是ASR领域的主流骨干网络。

不过Attention架构也有自己的问题：自回归解码是串行的，推理速度慢；对长语音的建模容易出现注意力漂移。所以工业界很多方案采用CTC和Attention联合训练，推理时用CTC做粗筛、Attention做精修。

4.3 RNN-T：流式识别的首选架构

RNN-T（Recurrent Neural Network Transducer）是专门为流式识别设计的架构，它包含三个组件：编码器处理音频特征，预测网络处理已生成的文字历史，联合网络把两者融合后输出下一个字符的概率。

RNN-T的最大优势是支持流式推理——不需要等整段音频结束就能输出文字，延迟可以控制在几百毫秒以内。这对实时字幕、语音助手这类场景非常关键。代价是训练复杂度高，需要处理大量的对齐组合，显存占用也更大。

实际部署时，RNN-T通常配合状态缓存机制，把编码器的历史状态缓存下来，新来的音频帧只需要计算增量部分，大大降低了流式推理的计算量。

# 以WeNet为例，加载预训练的RNN-T模型做流式识别 import wenet model = wenet.load_model("rnnt", "path/to/model") # 模拟流式输入 chunk_size = 16 # 每16帧一个chunk for chunk in audio_chunks: result = model.decode_chunk(chunk) if result: print(result, end="", flush=True)

5. 语言模型在ASR中的角色变化

5.1 从N-gram到神经网络语言模型

传统ASR系统里，语言模型是独立训练的N-gram模型，通常用KenLM这类工具构建。N-gram的优点是推理快、内存可控，缺点是只能看到固定长度的上下文，对长距离依赖建模能力弱。

神经网络语言模型（NNLM）用循环网络或Transformer来建模词序列概率，效果明显更好，但推理速度慢。所以早期工业系统常用N-gram做粗排、NNLM做精排的混合方案。

端到端模型出现后，语言模型的能力被隐式地编码进了解码器参数里。比如Whisper在训练时用了大量多语言文本，解码器本身就学到了很强的语言规律。这时候再外挂一个语言模型，收益就不那么明显了。

5.2 热词增强：让ASR认识你的专有名词

实际项目里最头疼的问题之一是专有名词识别。通用ASR模型不认识你公司的产品名、人名、行业术语，识别出来全是同音错字。解决办法是热词增强（Hotword Boosting），在解码时给指定词更高的权重。

实现方式有几种：一是修改解码器的输出偏置，给热词对应的token加一个正向偏置；二是用浅融合（Shallow Fusion）方式，在解码时把外部语言模型的分数加权融合进来；三是用上下文感知的模型，把热词列表作为额外输入喂给模型。

# 以Whisper为例，通过prompt注入热词 import whisper model = whisper.load_model("large-v3") # 在prompt中列出热词，引导模型识别 hotwords = "以下是普通话内容，包含以下专有名词：Transformer、Conformer、RNN-T、CTC。" result = model.transcribe( "audio.wav", language="zh", initial_prompt=hotwords ) print(result["text"])

热词增强的效果和热词数量有关，通常几十个热词效果最好，超过几百个反而会引入误报。另外热词的权重需要调，太高会导致模型强行把无关内容识别成热词。

5.3 标点恢复和文本后处理

ASR模型的原始输出通常没有标点，也没有大小写。实际应用里需要做标点恢复（Punctuation Restoration），这通常是一个独立的序列标注任务，用BERT类模型在ASR输出上做后处理。

文本后处理还包括：数字规范化（"一千二百三十"转成"1230"）、逆文本归一化（ITN）、敏感词过滤、口语顺滑（去掉"嗯""啊"等填充词）。这些步骤看起来琐碎，但对最终用户体验影响很大。

实操经验：标点恢复模型要和ASR模型的语言风格匹配。用新闻语料训练的标点模型，处理口语对话时效果会明显下降。最好用同领域的标注数据微调一下。

6. 实际部署ASR系统时的工程考量

6.1 模型选型：不是越大越好

Whisper large-v3的WER确实低，但模型大小超过1.5B参数，推理时需要大量显存，延迟也高。如果你的场景是离线转录，对延迟不敏感，那大模型没问题；但如果是实时字幕，就必须考虑小模型或流式架构。

选型时建议按这个顺序评估：先明确场景需求（实时/离线、单语/多语、领域通用/垂直），再确定延迟和资源预算，最后在满足约束的模型里选WER最低的。不要一上来就冲着SOTA模型去，很多时候中等规模的模型微调后效果更好。

6.2 推理加速的几种手段

量化是最直接的加速手段，把FP32权重转成INT8，模型大小减半，推理速度提升2-3倍，WER通常只下降0.5%以内。ONNX Runtime和TensorRT都支持ASR模型的量化部署。

批处理能显著提升吞吐量，但会增加单条音频的延迟。实时场景通常用动态批处理（Dynamic Batching），在延迟和吞吐之间找平衡。

流式推理通过缓存编码器状态避免重复计算，是实时场景的标配。实现时要注意chunk大小的选择——chunk太小延迟低但精度下降，chunk太大精度高但延迟增加。通常16-32帧是一个合理的起点。

投机解码（Speculative Decoding）是最近比较火的技术，用一个小模型快速生成候选，大模型并行验证，能在保持精度的前提下提升2-3倍解码速度。不过实现复杂度较高，适合对延迟极度敏感的场景。

6.3 领域适配的微调策略

通用ASR模型在垂直领域（医疗、法律、金融）的表现通常不够好，需要做领域适配。微调策略有几种：

全量微调效果最好，但需要大量领域标注数据，而且容易过拟合。LoRA只训练低秩适配器，参数量少，适合数据有限的场景。Adapter在模型层间插入小模块，训练稳定但推理时略有开销。Prompt Tuning只优化输入提示，最轻量但效果也最有限。

实际项目中，我通常先用LoRA做快速验证，如果效果不够再考虑全量微调。数据量少于10小时的情况下，LoRA基本是唯一选择。

# 用HuggingFace的PEFT库做LoRA微调 from peft import LoraConfig, get_peft_model from transformers import WhisperForConditionalGeneration model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-medium") lora_config = LoraConfig( r=16, # 秩 lora_alpha=32, # 缩放系数 target_modules=["q_proj", "v_proj"], # 只对注意力层做适配 lora_dropout=0.1, bias="none" ) model = get_peft_model(model, lora_config) model.print_trainable_parameters() # 输出：trainable params: 1.5M || all params: 764M || trainable%: 0.2%

LoRA的秩（r）和缩放系数（alpha）是关键超参。r太小拟合能力不足，r太大容易过拟合。经验值是r=8到32之间，alpha通常设为r的2倍。

7. 那些文档里不会写的踩坑记录

7.1 音频预处理不一致导致的"玄学"问题

我遇到过最诡异的一次问题是：同一个模型，在测试集上WER是8%，部署到线上后WER飙升到25%。排查了两天才发现，训练时用的音频是16kHz单声道，线上来的音频有16kHz也有8kHz，还有立体声的。模型对采样率不匹配的音频识别效果极差，但错误模式不固定，看起来像"随机出错"。

解决办法是在服务入口加一道音频标准化：统一重采样到16kHz、转单声道、做音量归一化。这一步看起来简单，但能避免大量莫名其妙的问题。

另一个常见问题是音频格式。WAV、MP3、AAC、OPUS解码出来的波形有细微差异，尤其是MP3的有损压缩会引入高频失真。如果训练数据全是WAV，推理时来了MP3，效果会打折扣。建议训练时做格式增强，或者推理时统一转成WAV。

7.2 静音检测和长音频切分

处理长音频（比如一小时的会议录音）时，直接整段喂给模型会遇到两个问题：一是显存不够，二是注意力机制对超长序列建模能力下降。解决办法是做VAD（语音活动检测），把音频切成语音段和静音段，只对语音段做识别。

VAD的实现有基于能量的传统方法，也有基于神经网络的方案（比如Silero VAD）。传统方法简单但容易受噪声干扰，神经网络方案更鲁棒但需要额外推理开销。

切分时要注意不要切断词语。如果切分点正好落在两个字中间，两个片段都识别不对。通常会在静音段中间切，并保留前后各200ms的重叠区域，识别后再做拼接去重。

# 用Silero VAD做语音段检测 import torch from silero_vad import load_silero_vad, get_speech_timestamps model = load_silero_vad() speech_timestamps = get_speech_timestamps( audio_tensor, model, sampling_rate=16000, min_speech_duration_ms=250, # 最短语音段250ms min_silence_duration_ms=500, # 静音超过500ms才切分 speech_pad_ms=200 # 前后各留200ms ) for ts in speech_timestamps: segment = audio_tensor[ts["start"]:ts["end"]] # 对segment做识别

7.3 数字和英文混合识别的处理

中文场景里经常遇到中英混合的情况，比如"把这个API的endpoint改一下"。通用ASR模型对中英混合的处理参差不齐，有的会把英文识别成中文谐音，有的会把中文识别成英文。

解决办法有几个：一是选支持多语言的模型（Whisper在这方面表现不错）；二是在训练数据里加入中英混合样本；三是用热词增强把常见英文术语加进去。另外后处理阶段可以做规则修正，比如把"接口"改成"API"（如果上下文确定是技术场景）。

数字识别也是重灾区。"2024年"可能被识别成"二零二四年"或"两千零二十四年"，需要做ITN（逆文本归一化）统一格式。这个通常用规则+模型混合方案，规则处理常见模式，模型处理复杂情况。

7.4 模型更新后的回归测试

每次更新ASR模型（换模型、微调、改配置），都必须做回归测试。我见过太多次"新模型在测试集上WER降了，但线上某些场景反而变差了"的情况。

回归测试要覆盖：通用测试集、领域测试集、边界case（长音频、短音频、噪声、口音、中英混合）。每个测试集都要记录WER和具体错误样本，方便对比分析。最好建一个自动化测试流水线，每次模型更新自动跑一遍，生成对比报告。

一个实用技巧：维护一个"错误样本库"，把线上发现的bad case收集起来，每次模型更新后重点验证这些样本是否修复。这比单纯看WER指标更能反映实际效果。

8. ASR技术的典型应用场景拆解

8.1 会议转录系统的架构设计

会议转录是ASR最典型的应用之一，技术挑战在于：多人对话、远场拾音、专业术语多、需要区分说话人。完整的系统架构通常包括：音频采集 → VAD切分 → 说话人分离（Diarization） → ASR识别 → 标点恢复 → 文本后处理 → 结构化输出。

说话人分离是会议场景的关键环节，通常用声纹嵌入（Speaker Embedding）做聚类。每个语音段提取一个声纹向量，然后聚类成不同的说话人。这个步骤和ASR可以并行，最后按时间戳合并结果。

实际部署时，会议转录通常用离线方案，因为需要等整段音频结束才能做说话人聚类。如果要做实时转录，说话人分离只能用在线聚类，效果会打折扣。

8.2 语音输入法的低延迟优化

语音输入法对延迟极度敏感，用户说完话希望立刻看到文字。这要求ASR系统做流式识别，且首字延迟控制在300ms以内。

优化手段包括：用轻量级流式模型（比如量化后的Conformer-T）、做增量解码（每来一个chunk就输出部分结果）、用CTC前缀束搜索做快速粗筛。另外输入法场景通常有强语言模型约束（用户输入习惯、常用词），可以大幅缩小搜索空间。

8.3 工业设备声控的特殊要求

工业场景的ASR和消费级场景差异很大：背景噪声大（机器运转声）、指令集固定（通常几十条指令）、要求高可靠性（误识别可能导致安全事故）。

这类场景通常不用通用ASR模型，而是针对固定指令集训练小模型。关键词检测（Keyword Spotting）比完整ASR更合适——只需要判断音频中是否包含特定指令词，不需要转写完整文字。模型可以做到非常小（<1M参数），在嵌入式芯片上实时运行。

训练数据方面，工业场景需要采集实际噪声环境下的指令音频，不能用干净的录音数据。通常会在不同噪声水平、不同设备状态下采集大量样本，做数据增强。

9. 怎么评估一个ASR系统好不好

9.1 WER之外还需要看什么

WER是最核心的指标，但不是唯一指标。实际评估还要看：实时率（RTF），即处理1秒音频需要多少秒计算时间，RTF<1才能实时；首字延迟，流式场景的关键指标；内存占用，嵌入式场景的硬约束；鲁棒性，在不同噪声、口音、语速下的WER波动。

另外要区分离线WER和流式WER。同一个模型，流式推理的WER通常比离线高10%-30%，因为流式看不到未来上下文。评估时要明确场景需求，不能用离线指标去要求流式系统。

9.2 构建有代表性的测试集

测试集的质量直接决定评估的可靠性。一个好的测试集应该覆盖：不同说话人（性别、年龄、口音）、不同场景（安静、噪声、远场）、不同内容（通用、领域、数字、中英混合）、不同音频质量（采样率、编码格式）。

测试集规模通常几百到几千条，太少统计意义不足，太多评估成本高。关键是分布要匹配实际场景，如果线上80%是近场录音，测试集里就不应该放太多远场样本。

标注质量也很重要。ASR测试集的标注要严格遵循标注规范，比如数字怎么写、英文怎么标、口语填充词要不要保留。标注不一致会导致WER虚高，误导模型选型。

9.3 错误分析的正确姿势

看WER数字只能知道"好不好"，看错误样本才能知道"为什么不好"。错误分析要分类统计：替换错误、删除错误、插入错误各占多少；错误集中在哪些词、哪些音素、哪些场景。

我通常会把错误样本按以下维度分类：高频词错误、专有名词错误、数字错误、同音词错误、边界切分错误。每类错误对应不同的优化手段——高频词错误可能是语言模型问题，专有名词错误需要热词增强，边界切分错误要调VAD参数。

一个容易被忽略的点：ASR错误往往有"连锁效应"。一个词识别错了，后面的语言模型可能被带偏，导致连续错误。分析错误时要看错误传播路径，不能只看单个错误。

10. 一些个人实践中的体会

折腾ASR这些年，我最大的感受是：模型只是系统的一部分，工程细节往往决定最终效果。我见过太多团队花大力气调模型，WER降了1%，结果因为音频预处理没做好，线上效果还不如之前。

另一个体会是数据比模型重要。同样的模型架构，用高质量领域数据微调后，效果能超过大模型零样本。与其追最新的模型架构，不如先把数据采集和标注做好。

还有就是评估要贴近真实场景。实验室里的WER再低，如果测试集和线上分布不一致，都是自欺欺人。我现在做项目，第一件事就是搭一个和线上一致的评估流水线，所有优化都在这个流水线上验证。

最后说一个具体技巧：如果你刚开始做ASR项目，不要一上来就自己训练模型。先用开源预训练模型（Whisper、Paraformer、WeNet）跑通整个流程，搞清楚数据预处理、推理、后处理各个环节，再根据实际效果决定要不要微调或换模型。这样能少走很多弯路。