Voice / Speech / Multimodal
台日英混合會議轉錄：QwenASRMiniTool＋whisper-guard 的雙層品質閘門
以 QwenASRMiniTool 做本地多語 ASR，再用 whisper-guard 過濾靜音、低信心與重複幻覺；整理成可供 Athena 採用的 VAD、術語提示、雙模型校驗與時間軸保護流程。
2026年9月16日3 分鐘閱讀👁 5
Speech AI · Meeting Transcription · Local-first
混合語言會議的穩定解法，不是只換一顆模型，而是把「辨識」與「品質閘門」拆開
Threads 作者分享的做法，是針對台灣中文、日文、英文混用、口音重與專有名詞多的會議，利用 QwenASRMiniTool 做本地 ASR／字幕產生，再用 whisper-guard 類型的規則層抑制 Whisper 幻覺。搭配術語提示與後續文字修正，可以形成比單次轉錄更穩定的處理鏈。
先釐清：這不是兩個 ASR 模型互相投票。QwenASRMiniTool 是含 UI、CLI 與 API 的多模型轉錄工具；whisper-guard 是讀取 Whisper segment metrics 的後處理套件，主要過濾靜音、低信心、重複與字元循環。
兩個工具各自做什麼
| 工具 | 定位 | 適合放在哪一層 | 重要限制 |
|---|---|---|---|
| QwenASRMiniTool 2.0 | Windows 本地轉錄 UI，支援音檔／影片／麥克風、SRT、說話者分離、批次、OpenAI 相容 API 與無頭 CLI。 | 第一層 ASR、人工校對 UI、字幕時間軸保護。 | Windows 10/11 導向；不同模型的語言與噪音適性不同。Repo 沒有獨立 LICENSE 檔，GitHub API 也未辨識授權，僅 README 自述程式碼 MIT；模型與預編譯元件須逐一看授權。 |
| whisper-guard 0.3.1 | Python 套件，依 no_speech_prob、avg_logprob、compression_ratio 與重複模式過濾 Whisper 幻覺。 | Whisper／faster-whisper／mlx-whisper 後方的 deterministic quality gate。 | 抓不到 metrics 看起來正常的「流暢幽靈句」；仍需上游 VAD、音訊切段與必要的人工覆核。 |
QwenASRMiniTool 的實用訊號
- 多語混合：支援中文、日文、英文等多語辨識，可自動偵測或鎖定語言。
- 台灣語音選項：提供 TEA-ASR-1.1 台灣國語、Whisper Breeze-ASR-26 國台語混合，以及 Qwen3-ASR 通用／日語特化模型。
- 術語提示：可貼入人名、產品名、縮寫與背景說明，適合會議前先建立 vocabulary prompt。
- Agent 安全修改字幕：
transcribe先輸出帶時間軸的 JSON；Agent 只能改text；再用 把文字回填，避免 LLM 順手改壞 timestamp。