端到端一体化
End-to-end
语音、说话人、时间戳统一建模,从源头消除传统级联方案的误差传播,输出带说话人标签([S01][S02])与精确时间戳的结构化文本。
SynaVoice Real-Time Voice Switching System
技术介绍 Technology Overview
汉氏技术语音转写系统,构建于复旦大学OpenMoss团队的语音识别模型 MOSS-Transcribe-Diarize 之上。该模型采用 0.9B 参数的端到端语音大模型架构,在 AISHELL-4、Podcast、Movies 等权威基准上取得业界最优(SOTA)成绩,性能超越 GPT-4o、Gemini 等主流商用模型。汉氏技术基于此开源底座进行深度工程化编排与场景调优,将其转化为可私有化交付、可验收的智能语音系统。
Speaker diarization
端到端的多说话人语音转写能力:音视频输入后,同时输出转录文字、 说话人归属与段级时间戳,面向会议记录、通话分析与长音视频内容处理。
输出格式 · [S01] 00:01.08–00:02.96 文本
Technical Highlights
End-to-end
语音、说话人、时间戳统一建模,从源头消除传统级联方案的误差传播,输出带说话人标签([S01][S02])与精确时间戳的结构化文本。
Long-form audio
128K 长上下文窗口,单次转写最长约 90 分钟多说话人音频,从容应对长会议、长录音。
Robustness
重叠抢话、快速切话、方言口音、背景噪声、情绪波动等真实话务环境下依然稳定准确。
Lightweight
仅 0.9B 参数,资源占用低,结合汉氏端侧量化与推理优化,可落地一体机、边缘设备与信创环境,数据不出域。
Multilingual & hotwords
覆盖 50+ 语言,支持人名、品牌、专业术语热词增强,贴合行业口径。
支持私有化部署与 API 接入,先从一个真实场景跑通。