Hojo-ASR 实测 中英混说 0 错误率

aehyok 这条引用推其实比主推更有料——他拿 Hojo-ASR-Multi-V1 跟 Whisper large-v3 做了一轮"Vibe Coding 口喷"实测，专门挑最难的混合场景：中文、英文、方言、技术词、数字、临时改口全部混在一起。

实测五个场景，CER 越低越好：

• 会议时间修改：Hojo 18.75% / Whisper 18.75%——打平；
• 代码操作与工具改口：Hojo 13.51% / Whisper 37.84%——Hojo 完胜；
• 中英混说：Hojo 0.00% / Whisper 100.00%——Hojo 全对，Whisper 完全崩；
• 计时器修改：Hojo 0.00% / Whisper 4.00%——Hojo 全对；
• 竞品调研：Hojo 16.13% / Whisper 25.81%——Hojo 占优。

几个值得圈出来的细节：

• 中英混说这个场景：开发者边说"把 PR review 一下"边切英文"rebase 一下"，Hojo 跟下来了，Whisper 直接整段英文漏掉——这是日常编程场景里最常见的痛点；
• 临时改口："这里改一下……不对，换另一个方案"——Vibe Coding 不会先写完再念，都是边想边说。Hojo 把改口都识别对了，Whisper 只拿到前半句；
• Hojo 的架构走的是 Encoder → Adapter → LLM 路线，最后用 Qwen3 LLM decoder 输出文字。这点很关键——用 LLM 做 decoder，天生对口语、code-switching、自我纠正都更稳。

为什么这件事对 Agent 开发重要：

• 当语音真正成为 Agent 的输入层，ASR 要面对的不再是标准普通话，而是方言 + 中英文混说 + 技术词 + 结巴 + 改口——Hojo 这种针对口语场景训练的模型才扛得住；
• 口喷 Vibe Coding 是下一步——以后 Agent 不只接 prompt，还接语音直接指挥："这个页面再紧凑一点"、"刚才那个方案撤掉"、"让 Codex 看下报错"；
• 中文开发者尤其受益：标准普通话 ASR 已经卷得很透了，但"口喷式 Vibe Coding"这一档还是空白，Hojo 开了第一枪。

实操提醒：

• Hojo 模型本身 12GB 起步，Mac 上 CPU 跑 float32 即可，峰值内存 20GB；
• 建议前面接 VAD 按停顿切句再送进去，逐句识别时语言切换更稳；
• 输出是全小写无标点，做字幕直接用，要标点的场景自己补一步；
• 16GB 内存机器别试；中文长音频作者还没测过，目前更适合短句。

Apache 2.0 + 商用 OK，官方账号 @hojoHQ，roadmap 上写着推理引擎和小型化——值得关注后续。

一句话总结：Hojo 这种"为 Agent 口喷场景设计"的 ASR，比 Whisper 更适合中文开发者的 Vibe Coding。