0
不把声音先压成文字：Modulate 的音频原生模型想听见什么
客服录音里，用户说“没问题，我再等等”，文字看着很客气；但若这句话前面沉默了十秒，语速突然放慢，另一端的语音助手还在重复同一句答复，质检人员大概不会把它判作一次顺利沟通。把通话先转写，再让语言模型读文本，能处理“说了什么”，却未必保留停顿、
客服录音里，用户说“没问题，我再等等”，文字看着很客气；但若这句话前面沉默了十秒，语速突然放慢，另一端的语音助手还在重复同一句答复，质检人员大概不会把它判作一次顺利沟通。把通话先转写，再让语言模型读文本，能处理“说了什么”，却未必保留停顿、