本周工作总结:

1. 调研MOSS-TTS-Nano，该产品是开源多语言生成模型，仅含0.1B参数，常用于实时语音设计，可直接在CPU上运行，且支持长文本，模拟音色功能。
2. 下载安装MOSS-Audio的4B-instruction及8B-Thinking模型，这两模型都需要GPU支持，仅靠CPU需要大量时间分析，能实现音频语音转文字、音频分析、推理分析等功能，正确率还有待测试。
3. 调研微软发布的Nemotron-0.6B，该模型仅支持再Win11系统部署，而其原模型Nvidia发布的Nemotron-0.6B模型仅明确说明能识别英文，故没有继续尝试
4. 下载部署Fun-ASR-Nano、paraformer-zh-streaming、paraformer-zh等模型并初步尝试转写，具体转写效果仍需进一步测试

问题与洞察:

• 不同开源ASR对于插件、编译环境的要求不一，测试时需进行区分。
• 对于需要GPU驱动的ASR引擎，其仅靠CPU驱动时转写一分钟左右的音频需要长达近40分钟的运行时间才能得到结果。
• 部分模型体积较大，需要花不少时间下载

下周重点工作:

1. 录制多个测试音频，对上述已下载的模型进行横向测试比较。
2. 将上述模型接入到拨号对话中，测试实时转写成果
3. 结合MOSS-TTS-Nano模型，实现“智能对话助手”