会飞的荧
@feitu
一条很有画面感的实测：女友一生气就切方言，男朋友一句没听懂，字幕一个字没改全听懂了——四川话、粤语、英语、法语 11 句台词，AI 字幕 11 句全对，连男生结巴的"你你说啥"都原样留着。
字幕交给的是开源模型 Hojo-ASR-Multi-V1，它只改了一条规则：不翻译——你说什么字，它就写什么字。
同一段音频喂给 Whisper large-v3 对照，差距很具体：粤语那句"你话过请我食饭㗎，唔好赖账"，Whisper 写成书面中文"你曾說過請我吃飯的,不要賴帳"，粤语原文一个字不剩，Hojo 版"唔、噶、话过"全在；四川话的"莫""要得"，Whisper 变成"别""要的"，Hojo 原样保留；英语那句 Whisper 整句漏掉，Hojo 一字不差。
作者还单独跑了两轮数据（自测口径）：上一期 90 条欧洲五语种真人音频——干净音频 Hojo 略输 Whisper，加噪和 1.4 倍速后反超，且 90 条零语言误判、零幻觉，Whisper 则把一句意大利语认成了瑞典语；这期 30 条中文系加英语——普通话、英语双方全对；粤语按字算 Hojo 错 7%、Whisper 错 50%（错的全是"翻译"造成的）；四川话 3% 对 11%。
还有个彩蛋：模型页面到今天还写着"中文、英文待支持"，可 Credits 里鸣谢了 WenetSpeech-Chuan 和 WenetSpeech-Yue——能力早就训进去了，文档没跟上。
上手门槛写得很清楚：pip install hojo-asr，权重 12GB 从 Hugging Face 拉，Mac 上 CPU 跑 float32 峰值内存 20GB；建议前面接一个 VAD 按停顿切句再送进去，逐句识别时语言切换更稳；输出全小写无标点，做字幕直接用。
16GB 内存的机器别试，中文长音频他也没测过；Apache 2.0，商用也行，官方账号 @hojoHQ 的 roadmap 上写着推理引擎和小型化。
我的看法：字幕场景的胜负不在"平均准确率"，而在保不保真——翻译式转写把方言压成书面语，等于在转写环节偷偷做了一次改写，方言词、语气、结巴全丢；Hojo 把规则反过来定（你说什么字我写什么字），再用零误判、零幻觉兜底，这对字幕比低 WER 更要紧。
文档滞后那条彩蛋也说明一件事：开源项目的能力经常跑在说明书前面，判断一个模型行不行，得看 Credits 和数据，别只看首页。
