这些是常规的语音识别，不是现在的NLP大模型把语音数据加进来一起训练实现的多模态的语音识别。

【 在 gtgtjing 的大作中提到: 】
: 各种聊天工具几年前就可以语音输入转成文字了
--
FROM 222.247.199.*