# Hojo-ASR-V1 – Hojo 开源的自动语音识别模型

- Link: https://paooo.com/aigc-news/24375/
- Published: 2026-07-07T14:07:22+08:00
- Author: 站外新闻

## Hojo-ASR-V1 是什么

Hojo-ASR-V1 是初创团队 Hojo 开源的自动[语音识别](https://ai-bot.cn/ai-speech-to-text-tools/)
模型，采用Whisper 特征提取 + Qwen3-Omni 音频编码 + Conformer 适配 + Qwen3-4B 语言
模型解码的架构。模型在 LibriSpeech Clean 数据集上词错误率仅 1.74%，GigaSpeech 7.6%、
VoxPopuli 7.02%，性能接近顶尖大厂水平。模型支持本地部署，面向 Agent 工作流与语音
输入场景。

阅读目录

 * [Hojo-ASR-V1 是什么](https://paooo.com/aigc-news/24375/#hojoasrv1-%e6%98%af%e4%bb%80%e4%b9%88)
 * [Hojo-ASR-V1 的主要功能](https://paooo.com/aigc-news/24375/#hojoasrv1-%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [Hojo-ASR-V1 的技术原理](https://paooo.com/aigc-news/24375/#hojoasrv1-%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [如何使用Hojo-ASR-V1](https://paooo.com/aigc-news/24375/#%e5%a6%82%e4%bd%95%e4%bd%bf%e7%94%a8hojoasrv1)
 * [Hojo-ASR-V1的核心优势](https://paooo.com/aigc-news/24375/#hojoasrv1%e7%9a%84%e6%a0%b8%e5%bf%83%e4%bc%98%e5%8a%bf)
 * [Hojo-ASR-V1的项目地址](https://paooo.com/aigc-news/24375/#hojoasrv1%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [Hojo-ASR-V1的同类竞品对比](https://paooo.com/aigc-news/24375/#hojoasrv1%e7%9a%84%e5%90%8c%e7%b1%bb%e7%ab%9e%e5%93%81%e5%af%b9%e6%af%94)
 * [Hojo-ASR-V1的应用场景](https://paooo.com/aigc-news/24375/#hojoasrv1%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![Hojo-ASR-V1](https://paooo.com/wp-content/uploads/2026/07/Hojo-ASR-V1-website-
1.avif)

## Hojo-ASR-V1 的主要功能

 * **高精度语音转写**：将音频实时转换为文字，支持长句与复杂语义理解。
 * **中英文混合识别**：对口语化表达、中英文夹杂场景具备强鲁棒性。
 * **噪声环境适配**：借助语言模型语义判断，在嘈杂环境下仍保持较高识别率。
 * **专业术语理解**：用 Qwen3-4B 的语义能力，准确识别医疗、法律、科技等领域专有名词。
 * **本地离线运行**：支持完全本地部署，无需联网即可完成语音识别，保障数据隐私。

## Hojo-ASR-V1 的技术原理

 * **声学特征提取**：音频通过 OpenAI Whisper 的特征提取器处理，将原始波形转换为高
   维声学特征向量，保留音素与频谱信息。
 * **音频语义编码**：特征向量输入至 Qwen3-Omni 音频编码器，进行深度语义编码，将声音
   信息转化为与文本语义空间对齐的隐藏状态表示。
 * **特征适配与压缩**：中间层采用 Conformer 结构，在编码器与语言模型之间做特征适
   配和时序压缩，平衡计算效率与信息保真度。
 * **大语言模型解码**：由 Qwen3-4B 大语言模型接收处理后的特征，结合语义上下文生成
   最终文本，使模型能用语言先验纠正发音相似或噪声干扰导致的错误。

## 如何使用Hojo-ASR-V1

 * **下载模型**：访问 HuggingFace 仓库 `HojoAI/Hojo-ASR-V1` 或 GitHub `HojoAI/Hojo-
   ASR` 获取权重与代码。
 * **安装依赖**：配置 Python 环境，安装 `hojo_asr` 及相关依赖库。
 * **加载模型**：通过 `hojo.load_model()` 接口将模型加载至本地 GPU 或 CPU。
 * **输入音频**：传入音频文件路径或实时音频流，调用转写接口。
 * **获取结果**：模型返回识别文本，可接入 DeepSeek、GPT 等大模型进行二次润色与格式
   优化。

## Hojo-ASR-V1的核心优势

 * **识别精度顶尖**：LibriSpeech Clean WER 1.74%，接近英伟达 Canary、IBM Granite
   等榜单头部模型水平。
 * **语义级纠错**：不同于传统 ASR 仅依赖声学匹配，Qwen3-4B 语言模型能根据上下文语
   义推断正确词汇，大幅降低同音字错误。
 * **中文场景优化**：针对中文口语化表达、轻声、儿化音等细节深度调优，体验优于通用
   多语言模型。
 * **隐私安全**：支持完全本地部署，敏感语音数据无需上传云端，适合企业会议与医疗场景。

## Hojo-ASR-V1的项目地址

 * **GitHub仓库**：https://github.com/HojoAI/Hojo-ASR
 * **HuggingFace模型库**：https://huggingface.co/HojoAI/Hojo-ASR-V1

## Hojo-ASR-V1的同类竞品对比

  |  维度 |  Hojo-ASR-V1 |  OpenAI Whisper |  
   |  **模型架构** |  编码器 + 适配器 + LLM 解码 |  Encoder-Decoder |  
 |  **语义理解** |  强（Qwen3-4B 语言模型支撑） |  中等（纯声学映射） |  
 |  **中文优化** |  深度优化，口语化识别强 |  通用多语言，中文细节一般 |  
 |  **开源协议** |  Apache-2.0 |  MIT |  
 |  **本地部署** |  支持，需一定显存/内存 |  支持，生态成熟 |  
 |  **榜单 WER** |  LibriSpeech Clean 1.74% |  Large-v3 约 2.1% |

## Hojo-ASR-V1的应用场景

 * **AI Agent 语音入口**：作为智能体的”耳朵”，将语音指令转换为可执行文本，替代键盘
   成为主要交互方式。
 * **系统级语音输入法**：接管操作系统全局输入，在浏览器、ChatGPT、Claude、Notion
   等任意文本框中语音打字。
 * **会议实时转写**：本地部署实现离线会议纪要生成，避免商业机密语音数据外传。
 * **播客与视频字幕**：快速将长音频内容转为文字稿，支持后续大模型润色与结构化整理。
 * **智能客服与电话质检**：在呼叫中心场景中实时识别客户语音，提取关键信息与情绪关键
   词。