能否获取用户输入音频对应的文本内容？

[rgtv-kiwi]

我们在基于 MiniCPM-o 做实时语音场景集成时，除了模型的回复外，还需要在业务侧展示或记录「用户说了什么」对应的文字（语音转写 / STT），用于字幕、审计、检索等。

不知道目前可有方法能否获取用户输入音频对应的文本内容？
谢谢。

[WeiyueSUN]

您好，您提的需求是比较实用的。然而由于我们MiniCPM-o 4.5模型是原生端到端的，中间不存在像级联链路一样的显式ASR环节，所以暂时无法由模型直接提供用户文本。
目前比较务实的建议是随便使用其他可支持streaming ASR的小模型/API 来独立的进行用户音频的ASR转录。
MiniCPM-o 4.5 模型本身也可以做ASR，但目前而言至少要额外部署一个实例来支持这个功能，应用中性价比稍低。后续我们计划扩展出一个专用于 streaming ASR的 demo。