GLM-ASR 是智谱AI开源的一个语音识别模型，虽然体积小，只有1.5B的参数量，但识别速度快、准确率高，在中文和方言识别上表现非常突出，尤其擅长处理低音量、嘈杂环境下的语音，比很多同类模型更稳健。
GLM-ASR 支持 17 种语言，包括日、英、法、德、俄、西等主流语言，甚至连加泰罗尼亚语、立陶宛语这种小语种都支持，在中文和地方方言，比如粤语场景下远超老牌语音识别模型 Whisper。
今天分享的 GLM-ASR 一键包基于 智谱AI 最新开源的 GLM-ASR-Nano-2512 模型打包制作，WebUI包括单次转写和批量转写两个模块，支持音频/视频一键转写， 同时支持生成txt和srt字幕文件，方便二次创作。因视频转写效率不如直接音频转写，故新增视频转音频功能，如果是视频文件，建议先将视频转换为音频，再进行转写操作。
下载地址：点此下载
主要特点
开源且轻量：参数量 1.5B，相比一些超大模型运行速度更快，同时保持高精度。
方言支持强：不仅能识别普通话和英语，还特别优化了粤语等方言，解决了很多语音识别模型在方言上的短板。除标准普通话和英语外，模型针对粤语及其他方言进行了深度优化。对于做港剧字幕组、粤语客服质检的小伙伴来说，有效填补了方言识别领域的空白。
低音量识别能力：专门训练过“轻声/低音量”场景，即使说话很轻也能准确转写。它专门针对 "低语/轻声"场景进行训练，能够捕捉并准确转录传统模型难以识别的极低音量音频。以后开会偷偷录音（误），也不怕听不清了。
高性能：在中文语音识别的常见测试集（如 Wenet Meeting、Aishell-1）上，平均错误率只有 4.10%，优于 OpenAI Whisper V3 等模型。
多语言支持：支持 17 种语言，常见语种的识别错误率都在可用范围内（WER ≤ 20%）。包括日、英、法、德、俄、西等主流语言，甚至连加泰罗尼亚语、立陶宛语这种小语种都支持
应用领域
会议记录：在多人会议、嘈杂环境下依然能准确转写，适合企业会议纪要。
客服与呼叫中心：支持方言和低音量识别，能更好理解不同客户的语音输入。
教育与学习：帮助学生或研究者快速转写课堂、讲座内容。
媒体与字幕：为视频、播客自动生成字幕，尤其适合中文和粤语内容。
智能设备：在语音助手、智能家居中提升识别准确率，尤其在安静或嘈杂场景下。
使用教程：（建议N卡，显存4G起，支持50系显卡）
支持CPU和CUDA两种运行模式，CPU较慢，有条件建议使用CUDA（独立显卡）模式
支持音频、视频转换，支持批量音频转换。上传需要转写的音频/视频文件，点 开始识别 即可。
注意：视频识别不如音频识别准确率高，建议使用音频转写。视频文件可先用WebUI里的视频转音频，转换后音频文件保存在audio_temp目录，再使用转换后的音频转写。
