本文记录NVIDIA Nemotron-3.5-ASR-Streaming-0.6B流式语音识别模型中文微调实战，基于AISHELL-1数据集与单卡RTX 3090，涵盖环境搭建（含numba-cuda踩坑）、数据预处理、配置微调与排错，提供实测可复现的完整流程，帮助读者1~2天跑通微调实验。

本文介绍了Docker容器的导出、镜像载入及容器创建流程。容器导出分为save（基于镜像，保留完整配置）和export（基于容器，仅文件系统快照）两种方式。镜像载入对应使用load和import命令。容器创建通过docker run实现，支持后台运行、端口映射等参数配置。文章详细说明了各步骤的具体操作命令和适用场景，帮助用户快速掌握Docker容器迁移与部署的关键技术。

本文介绍 vLLM v0.10.2 版本通过 Docker 运行 OpenAI 服务及 GGUF 量化的使用方式，明确该量化不支持多模态模型，且仅节约显存、不提升速度。GGUF 量化需要 llama.cpp 环境，接着将 Hugging Face 模型转为 FP16 格式 GGUF，再量化为 Q4_0 等类型（文中列多种支持的量化类型），最后通过 Docker 启动量化后的模型，同样提供了测试请求

本文对比了豆包和讯飞两大实时语音转写大模型API，从准确率、功能、费用等方面进行分析。测试结果显示豆包准确率最高（4.8分），支持中英+5种方言，价格2.4-4元/小时，企业用户享有20小时免费时长；讯飞支持更多方言但准确率较低（1分），价格2-4.95元/小时。功能上讯飞支持角色分离和16个领域，豆包不支持。综合推荐豆包API，其流式异步模式识别效果稳定，更适合企业应用场景。

本文介绍了基于Qwen3-ASR的中文方言语音识别与翻译实践方案。使用WenetSpeech开源数据集（涵盖吴语、粤语、川渝方言），采用Qwen3-ASR-1.7B作为语音识别基础模型，结合Qwen3-8B-AWQ大语言模型构建"ASR识别+文本翻译"级联方案。详细说明了三种方言评测集的数据处理方法，特别是吴语数据集的双任务标注特性，并展示了如何构造联合评测集用于端到端评估。该方案为方言语音技术的

本文介绍了基于Qwen3-ASR的中文方言语音识别与翻译实践方案。使用WenetSpeech开源数据集（涵盖吴语、粤语、川渝方言），采用Qwen3-ASR-1.7B作为语音识别基础模型，结合Qwen3-8B-AWQ大语言模型构建"ASR识别+文本翻译"级联方案。详细说明了三种方言评测集的数据处理方法，特别是吴语数据集的双任务标注特性，并展示了如何构造联合评测集用于端到端评估。该方案为方言语音技术的

FireRedASR2S是一款先进的工业级一体化语音识别系统，整合了语音识别(ASR)、语音活动检测(VAD)、语种识别(LID)和标点预测(Punc)功能。该系统在多项测试中表现优异：ASR模块支持中文(含20+方言)、英语及混语识别，普通话平均错误率2.89%；VAD模块支持100+语言检测，F1分数达97.57%；LID模块准确率97.18%；Punc模块平均F1分数78.90%。提供LLM

FireRedASR2S是一款先进的工业级一体化语音识别系统，整合了语音识别(ASR)、语音活动检测(VAD)、语种识别(LID)和标点预测(Punc)功能。该系统在多项测试中表现优异：ASR模块支持中文(含20+方言)、英语及混语识别，普通话平均错误率2.89%；VAD模块支持100+语言检测，F1分数达97.57%；LID模块准确率97.18%；Punc模块平均F1分数78.90%。提供LLM

KeSpeech数据集覆盖普通话及北京、西南、中原、东北、兰银、江淮、冀鲁、胶辽宫8 种方言。在开源 ASR 模型测试中，中文以字错误率（CER）为指标，FireRedASR 表现最优，总 CER 仅 4.7511，显著优于其他模型；Qwen2-Audio、Paraformer、Dolphin 性能相近，总 WER 在 11-13 区间；Whisper 与 PaddleSpeech 表现较弱，总

vLLM最新版（V0.6.1.post1）beam search方式的使用教程，介绍BeamSearchParams，BeamSearchOutput，BeamSearchSequence，并给出sampling和beam search的示例程序