待验证50% 置信事实精确时间
项目使用Whisper Large V3 Turbo模型，将Base64编码的音频数据发送至/audio/transcriptions端点进行转录。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/18
首次发现
有效期至：2027/1/16
来源
用Python构建语音驱动AI多模态生成流水线
youtubeTech With Tim2026/10/18
涉及实体
相关事实
待验证该工具使用 Whisper large v3 模型进行语音识别，并包办下载、音频抽取、切分、识别和时间戳对齐的完整流水线79% 相似待验证使用云端语音转文本引擎时，音频会被上传到提供商处理；使用本地Whisper模型时，音频留在用户机器上。72% 相似待验证Whisper 音频先被转换为 80 维梅尔频谱图，经卷积层下采样后送入编码器生成特征序列，再由解码器以自回归方式逐 token 输出文本72% 相似待验证MiniMax H3工作流集成了音频与视频的双路解码，可以输出带声音的成片70% 相似待验证字节跳动的Seed Audio是其自研的多模态音频生成大模型，基于扩散模型与大规模音频预训练技术68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1062106API
curl https://kongchang.com/api/v1/knowledge/claims/1062106MCP
get_claim(id=1062106)