北京
做音频转写的人都知道一个残酷的比例：把声音变成文字，只占整份工作的两成。剩下八成时间，全耗在对着客户那份格式规范逐条核对上——标签有没有留空格、数字要不要转成文字、数学符号对不对、有没有漏词。这些活儿不产生新内容，却能把人钉在椅子上好几个小时。
一位做自由职业音频转写和数据标注的开发者，干脆给自己写了个工具。项目叫 Transcriber-QA-Toolkit，核心是一个 Python 脚本 groq_batch_fixer.py，跑在 Groq 的高速推理接口上，音频处理交给 FFmpeg。按作者的说法，这套流程能把质检时间砍掉 90%。
它解决的是两个最磨人的环节。第一个是漏词。人耳听写难免漏掉一两个词，脚本的做法是读 JSON 转写文件里的时间戳，一旦发现前后两段之间出现超过 0.5 秒的静音空档，就用 FFmpeg 把那段音频切出来，送进 whisper-large-v3 重新识别。识别结果里只要含有字母，就当作漏掉的语音打印出来提示补回。
第二个是格式。脚本把转写片段分批送进 LLaMA 模型（比如 llama3-70b-8192 或 llama3-8b-8192），配合严格的系统提示和零样本、少样本示例，让模型只干一件事：执行反向文本规范化、修标点、管好标签周围的空格规则。作者强调，模型在这里纯粹充当格式化算法，原始说出来的词一个不动。
为什么非得用开源权重模型？作者给了三条理由，都跟这门副业的现实处境有关。
- 保密：自由职业者接的音频往往高度机密，涉及医疗、法律、未发布产品。这类数据不能往可能拿用户数据训练的闭源接口上送。LLaMA 和 Whisper 这类开源权重模型能保证客户数据不外泄，用户甚至可以选择通过 Ollama 完全在本地跑推理。
- 成本：在 Groq 这类快速推理服务上跑开源模型，每个任务的成本只有几分钱的一小部分，这门生意才算得过来。
- 听话：通用闭源模型在遵守特定格式标签上表现很差，比如要求某个标签前后不留空格这种规则。开源权重模型在结构性任务上能稳定照做，不会自作主张当个话多的助手。
至于谁愿意为它掏钱，作者的判断很直接：自由转写者按音频分钟计酬，质检时间省下来，等于时薪翻倍。转写机构则可能为本地化、自动化的质检工具付订阅费，好让员工交出去的活儿在提交前就 100% 符合客户规范。
第一个用户就是作者本人。他本身就是自由职业音频转写和数据标注承包者，过去要花好几个小时拿 JSON 文件对着严格规范人工核对。现在的流程是跑一遍脚本、过一遍自动修正、提交任务。每天省下的质检时间以小时计，直接体现在实际到手的时薪上。
这个项目是作为 Hacktoberfest 开源 AI 挑战第二周“副业”主题的投稿做出来的。整套东西围绕一个脚本展开，没有复杂的架构，瞄准的也是一个被大厂产品忽略的角落——那些靠格式规范吃饭、按分钟计酬的人。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
