2. Linux.do
  3. 求大家认为的最好用的OCR、ASR、TTS解决方案

求大家认为的最好用的OCR、ASR、TTS解决方案

yaolan 2026-08-27 12:50 1

大家目前用过的最好的OCR、ASR、TTS解决方案是什么呢？目前市面上开源、商用的解决方案太多了并且良莠不齐，想听听大家的看法。

最新回复 (7)
  • goodjob32 08-27 13:13
    1楼

    ocr可以试试paddle ocr， asr用whisper？

  • peiyangium 08-27 13:16
    2楼

    whisper不太行，还不如qwen-asr。但我觉得qwen-asr也不尽善尽美。

  • huahai23 08-27 13:20
    3楼

    asr和tts我都用qwen家的，还不错。

  • Logic Tan 08-27 13:21
    4楼

    ocr:gpt/gemini多模态

    asr:本地funasr，api用gemini多模态

    tts:不管别家吹的多牛x，vibevoice 7b yyds(仅限音色克隆场景)

  • neteroster 08-27 13:23
    5楼

    ocr：一般图片直接大模型，pdf论文 doc2x

    stt：soniox v5 rt + async / qwen 的也还不错

    tts不太了解就不多说了

  • 赚钱买奶粉 08-27 13:28
    6楼

    ocr： paddle、hunyun、deepseek，我感觉都差不多

    asr：funasr，qwen3ar 也不错，但稳定性没有 funasr 稳，特别是时间戳

    tts：indextt2，2.5 还没试过。其次 VoxCPM2，但 VoxCPM2 不够稳定。qwen3asr 和 cosyvoice3 一个水准，多语言强，但情绪表达一般般。

  • Kiana Kaslana 08-27 13:29
    7楼

    asr：qwen-3 asr


    具体的内容：ASR 模型选型实战：从一段全是噪音的录音说起 - 赵培州

* 帖子来源Linux.do
附近帖子
返回
飞读
随机推荐