一、组长那句话

2025年8月的一个周一早会，组长放了一张幻灯片。

上面是Whisper-large-v3的benchmark数据：普通话识别准确率，在常见测试集上达到了96.3%。这在我们行业，是商用级别的水平。

更关键的是——开源、免费。

组长把幻灯片翻到下一页，是一张对比表：

指标	我们自研ASR	Whisper-large-v3
普通话准确率	92.1%	96.3%
方言支持	3种	12种
部署成本	GPU集群	单卡可跑
迭代周期	3个月	开箱即用
研发投入	5人团队·2年	0

组长说了一句话，语气很平静：“我们自研的ASR可以退休了。”

那天下班，我在地铁上想了很久。我花了三年训练声学模型、做数据标注、调识别率。在这个方向，我算是做得扎实的那种——参加过两次行业ASR比赛，拿过一次第二。

然后Whisper出来了。开源、免费、准确率干到了行业商用级别。

我这三年的投入，是不是全部在一个"正在被开源平替"的方向上了？

---

二、更扎心的事在后面

Whisper出来之后，我们接了个客户需求：给一个线上会议系统做实时字幕。

以前这种需求，能撑起一个专门的语音团队——声学模型适配、语言模型优化、实时流式识别的延迟控制、多说话人分离——每个环节都需要专人做。

这次产品用Whisper接了个API，两天搭完了。实时字幕效果，比我们以前的自研还好。

我去看了一下它的输出。不仅识别准确，还能自动加标点、分段，甚至能区分"嗯……那个我觉得"这种口语化的停顿和正文。

我们自研的ASR，光加标点这个功能就做了三个月，效果还不好。

那种感觉，不是技术落后，是整个方向的价值在快速塌陷。

更让我难受的是，我们团队一个实习生，用Whisper加了一层简单的后处理，就把我们做了半年的"会议纪要自动生成"功能做出来了。他用了三天。

三天。

---

三、我想了很久

那段时间我每天在想一个问题：如果ASR这个方向没了，我这三年到底积累了什么？

不是"会训练声学模型"——Whisper不用训练，开箱即用。
不是"会做数据标注"——Whisper用了68万小时的多语言数据训练的，你标注不了那么多。
不是"会调识别率"——Whisper的准确率已经超过你能调的上限了。

我翻来覆去想了两周，想明白了一件事：

Whisper能做的是"说了什么"。但它不知道"这段话在什么业务场景下是什么意思"。

会议里有人说"这个方案我们再议"——Whisper识别出来了，但它不知道这句话意味着"这个方案被搁置了"还是"真的要再讨论一次"。

客服通话里用户说"还行吧"——Whisper识别出来了，但它不知道这个"还行吧"是满意还是不满意。

医疗问诊里医生说"建议做个CT"——Whisper识别出来了，但它不知道这个建议是常规检查还是怀疑有问题。

语音识别只是第一步。识别完了然后呢？理解、提取、判断——这些"说了什么之后"的事，Whisper做不了，需要大模型来做，需要懂业务的人来设计。

---

四、我做了第一个实验

想通之后，我做了一个实验。

拿了一段30分钟的产品会议录音，先用Whisper转成文字，然后接了一个大模型做后处理。

我给大模型的指令是这样的：

以下是一段产品会议的录音转写文本。请完成以下任务：

1. 提取会议中讨论的所有议题
2. 每个议题的讨论结论（通过/搁置/待定）
3. 每个议题的负责人和截止时间
4. 标注会议中提到的风险项
   输出格式为结构化JSON。

大模型输出了一份完整的会议纪要，包含6个议题、4个结论、5个行动项、2个风险标注。

我拿这份纪要跟参会的PM对比了一下，准确率大概85%。错误主要出在"讨论结论"的判断上——大模型不太能区分"大家倾向于不做"和"决定不做"这种微妙的差别。

但85%已经很有用了。以前做会议纪要，要人工听录音、手动记录，30分钟的会议至少要花一个小时整理。现在五分钟出初稿，人工校对十五分钟搞定。

---

五、我后来做了什么

第一件事：转向"语音+大模型"的后处理层。

在Whisper输出的文本上，接大模型做意图理解和关键信息抽取。给客户的会议系统做了一套完整的功能链：

• 实时字幕（Whisper）→ 会议纪要自动生成（大模型）→ 行动项追踪（大模型+规则引擎）→ 待办推送（对接OA系统）

客户说这个功能比实时字幕本身有用十倍。“字幕我们看着就完了，但会议纪要和行动项追踪，是真的能帮我们省时间。”

第二件事：研究垂直领域语音数据集的构建。

通用ASR很强了，但在三个方向还有大量空白：

方言。 Whisper支持12种方言，但中国有几百种方言。我手上有三年积累的语音数据处理经验——怎么做数据采集、怎么标注、怎么做数据增强。我在跟一个方言保护NGO合作，构建方言语音数据集。

专业术语。 医疗、法律、金融领域的专业术语，Whisper的识别率明显下降。我在做的是：把专业领域的术语表整理出来，用Whisper做基础识别，然后用大模型做术语纠错。这个方向在医疗和法律领域需求很大。

噪声场景。 工厂车间、户外施工、道路交通——这些场景的背景噪声极大，Whisper的识别率会断崖式下降。我有三年处理这种恶劣音频的经验，知道怎么做噪声抑制和语音增强。

这些方向，都是通用ASR做不好的、需要深度行业经验的地方。

---

六、写在最后

我以前觉得，ASR工程师的核心能力是"把识别率从92%调到93%"。

现在我觉得，核心能力是"知道识别出来的文字在业务场景里意味着什么"。

Whisper把"说了什么"这件事做到了极致。但"说了什么之后呢"——理解意图、提取关键信息、判断情绪、生成纪要——这些才是语音技术真正的价值所在。

三年ASR，真正的价值不在于训练模型，在于你知道"说话"这件事在每个业务场景下意味着什么。

如果你也在做语音识别，也在慌，我的建议是：别去跟Whisper比识别率，去学怎么把Whisper的输出和大模型的理解能力结合起来。纯ASR的时代结束了，但"语音+大模型"的应用层，才刚刚开始。

组长说"自研ASR可以退休了"，他说得对。但ASR工程师不需要退休——退休的是模型，不是人。人的经验，换个战场，还能打很久。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2026 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！