最近在做一个语音驱动的 Agent 项目，遇到一个很头疼的问题：
用户说一段话，STT 转出来的文字全是口水词、重复、半句话。直接丢给 LLM 当 prompt ，效果很差——模型不是不聪明，是输入质量太低。
但你用 agent 多了会发现，你给 agent 的上下文越多（特别在 Vibe Coding 场景），模型给出的效果越好。而语言输入又比文字输入的效率高 5 倍左右。
试过自己加一层 LLM 做后处理，能用，但延迟加了 1-2 秒，而且 prompt 调来调去很烦。
然后我就自己做了一个 ASR+LLM 的 benchmark 平台， 最后选出了最合适的模型。做了一个类似 typeless 的产品，但这个产品不 2C ，更多的是 2D/2B 。
所以干脆把这层做成了一个独立的 API 服务：Sayd （ sayd.dev ）。核心产品叫 Talk API ，语音进去，直接出 agent-ready 的干净文本。不是单纯的 STT ，而是在转录的同时做了去噪、去口癖、保留意图。
目前跑下来几个数据：
延迟 < 200ms 首字节
支持 60+ 语言，中英混说自动识别
注册送免费额度（ 5 美金），不用绑卡，相当于 40 小时连续对话，日常的话估计可以用个把月了
如果你也在做 AI 硬件、语音助手、Agent 这些方向，欢迎试试，也欢迎提需求和反馈。
链接： https://sayd.dev
用户说一段话，STT 转出来的文字全是口水词、重复、半句话。直接丢给 LLM 当 prompt ，效果很差——模型不是不聪明，是输入质量太低。
但你用 agent 多了会发现，你给 agent 的上下文越多（特别在 Vibe Coding 场景），模型给出的效果越好。而语言输入又比文字输入的效率高 5 倍左右。
试过自己加一层 LLM 做后处理，能用，但延迟加了 1-2 秒，而且 prompt 调来调去很烦。
然后我就自己做了一个 ASR+LLM 的 benchmark 平台， 最后选出了最合适的模型。做了一个类似 typeless 的产品，但这个产品不 2C ，更多的是 2D/2B 。
所以干脆把这层做成了一个独立的 API 服务：Sayd （ sayd.dev ）。核心产品叫 Talk API ，语音进去，直接出 agent-ready 的干净文本。不是单纯的 STT ，而是在转录的同时做了去噪、去口癖、保留意图。
目前跑下来几个数据：
延迟 < 200ms 首字节
支持 60+ 语言，中英混说自动识别
注册送免费额度（ 5 美金），不用绑卡，相当于 40 小时连续对话，日常的话估计可以用个把月了
如果你也在做 AI 硬件、语音助手、Agent 这些方向，欢迎试试，也欢迎提需求和反馈。
链接： https://sayd.dev
 |
1
kakuxwn 1 天前
一开始以为语音转文字 API 的产品，去看了一下才知道是针对口喷 vibe coding 的语音转文字，并且去除口水词这些优化文字给到 AI 的产品
|
 |
2
clemente 1 天前  1
其实是 说的越少 信息含量越高 对问题建模越精确同时字越少 越好
|
 |
3
xyholic 1 天前
这个确实有需求
|
 |
4
teaguexiao OP @kakuxwn 对的对的，语音转文字加清洗，特别适合给 agent 口喷需求
|
|
5
teaguexiao OP @xyholic 嗯嗯你目前有用什么产品吗
|
Select Language