带有说话者分离和编辑器的语音转文本转录服务

我们公司每周积累大量音频和视频录音：客户通话、会议、访谈、网络研讨会和播客集。目前所有这些材料都处于无用状态——没有人有时间去听数小时的录音，因此协议和重要引用在对话结束后立即丢失。我们需要一个自动语音转文本转录服务，将每个录音转换为准确且可搜索的转录文本。

项目的基础是一个可靠的语音识别引擎。该服务应接受常见的音频和视频格式，即使在不完美的录音上也能高精度转录，并添加标点和段落，使文本读起来正常。说话者分离是强制性的：每一行都归属于一个说话者，逐字时间戳允许即时导航到录音的正确位置。还需要批量处理——一次上传数十个文件。

同样重要的是识别后的处理。我们需要一个方便的编辑器，可以纠正错误、重命名说话者、合并和拆分段落，并通过关键字搜索整个档案。准备好的转录文本应导出为文本、字幕和结构化格式。请描述您在语音识别模型方面的经验、在真实音频上的预期准确性、支持的语言，以及您将如何确保录音的保密性。

对我们来说重要的是：
— 带有标点和说话者分离的自动转录；
— 逐字时间戳和整个档案的全文搜索；
— 用于纠正和导出为文本、字幕和结构化数据的编辑器。