一、引言：从 ChatGPT 到语音革命
在人工智能的快速发展历程中，OpenAI 无疑是最为耀眼的创新气力之一。自 ChatGPT 以强大的自然语言处理本领震撼环球，掀起 AI 应用的热潮后，OpenAI 并未停止探索的脚步，又推出了一款极具厘革性的语音识别体系 ——Whisper。
ChatGPT 改变了人们与呆板对话的方式，而 Whisper 则将这种对话的可能性拓展到了语音范畴。它打破了传统语音识别技能的诸多局限，为语音交互带来了新的突破。作为一款通用语音识别模型，Whisper 经过 680,000 小时的多语言和多使命监督数据练习，显现出惊人的鲁棒性与泛化本领。
Whisper 支持多达 99 种语言的主动语音辨识 ，从常见的英语、中文、日语，到一些小众语言，几乎涵盖了天下上大部门生齿所使用的语言。这种多语言支持本领，使得 Whisper 可以或许凌驾语言停滞，在环球范围内助力语音交互的实现。无论是在跨国会议中的及时翻译，还是在多元文化背景下的智能设备交互，Whisper 都能让沟通变得更加顺畅。
在功能上，Whisper 也实现了语音处理使命的集成化。它不仅可以完成基本的多语言语音识别，将语音准确转换为同语言文本，还具备语音翻译功能，能直接将一种语言的语音翻译成另一种语言的文本；同时，它可以或许识别语音中的语言范例，以及检测语音中的活动地区，即语音活动检测。这种多使命处理本领，让 Whisper 成为一个综合性的语音处理平台，无需为差异使命切换差异工具。
在技能实现上，Whisper 采用端到端的深度学习技能，以编码器 - 解码器 Transformer 架构为核心，将输入音频转化为对数梅尔频谱图后进行处理，整个过程简便高效。与传统语音识别体系依靠声学模型和语言模型差异，Whisper 直接从大规模数据中学习语音与文本的映射关系，大大简化了体系布局，同时提升了模型的准确性温顺应性。
Whisper 已经在 OpenAI 的多个项目中得到应用，如 GPT - 4 的语音输入，让用户可以或许通过语音与 GPT - 4 进行交互，进一步拓展了 GPT - 4 的使用场景，提升了交互的便捷性。在 CLIP 的语音分类中，Whisper 也发挥了紧张作用，加强了 CLIP 对语音信息的处理本领。这些应用不仅验证了 Whisper 的技能实力，也为未来 AI 语音交互的发展指明了方向。
本文将深入探讨 Whisper 的技能原理，详细解读其背后的模型架构、练习方法和创新技能点。同时，结合实际应用案例，展示 Whisper 在差异场景下的强大功能和应用价值，为读者全面呈现这一语音识别范畴的创新效果。
二、技能架构：Transformer 驱动的语音革命
2.1 端到端架构计划
Whisper 采用了简便而强大的端到端架构，其核心基于 Transformer 架构构建，这种架构在自然语言处理范畴已经取得了巨大的成功 ，而 Whisper 将其创新性地应用于语音识别使命中。
在处理语音数据时，Whisper 起首将输入的音频进行切片处理，将其分割成 30 秒的音频块。这一处理方式有助于模型更好地处理长音频序列，同时也符合实际应用中语音数据的常见长度划分。随后，这些 30 秒的音频块被转换为对数梅尔频谱图（log-Mel spectrogram）。对数梅尔频谱图是一种在语音处理中广泛使用的特征表现方法，它可以或许有效地捕获语音信号的频率特征，而且对人耳的听觉特性进行了模拟，使得模型更轻易学习到语音中的关键信息。
转换后的对数梅尔频谱图被输入到 Transformer 的编码器中。编码器部门由多个卷积层和 Transformer 块构成。卷积层起首对频谱图进行初步的特征提取，通过卷积操作，可以或许捕获到频谱图中的局部特征和模式。例如，卷积层可以检测到语音中的特定频率模式，这些模式可能对应于差异的音素或语音特征。Transformer 块则进一步对这些特征进行处理，使用自留意力机制（self-attention mechanism），模型可以或许关注到频谱图中差异位置的特征，从而捕获到语音信号中的长距离依靠关系。这种自留意力机制使得模型可以或许在处理语音时，更好地理解语音的上下文信息，例如在识别一连的语音时，可以或许根据前后的语音内容来准确判定当前的语音片段。
解码器部门同样基于 Transformer 架构，它接收编码器输出的特征表现，并结合一系列特别的标记（tokens）来生成终极的文本输出。这些特别标记在 Whisper 的多使命处理中发挥着关键作用，它们可以引导模型执行差异的使命，如语音识别、翻译、语种检测和语音活动检测等。例如，当模型接收到 <|translate|> 标记时，它会将输入的语音翻译成目标语言；而 <|language:xx|> 标记则用于指示模型进行语种检测。
2.2 多语言与多使命本领
Whisper 的多语言和多使命本领是其最为突出的特点之一，这得益于其在大规模多语言数据集上的练习。Whisper 使用了包含 68 万小时的多语言和多使命监督数据进行练习，这些数据涵盖了 99 种语言，使得 Whisper 可以或许在多种语言和使命之间进行高效的切换和处理。
在多语言语音识别方面，Whisper 可以将语音转换为与语音相同语言的文本。无论是英语、中文、日语还是其他小众语言，Whisper 都可以或许准确地识别语音内容，并将其转换为相应的文本。例如，在处理一段中文语音时，Whisper 可以或许准确地识别出其中的汉字，并将其转换为精确的中文文本，即使语音中存在差异的口音或方言，Whisper 也能凭借其强大的泛化本领进行准确识别。
语音翻译是 Whisper 的另一大亮点功能。Whisper 可以或许实现跨语言的语音翻译，将一种语言的语音翻译成另一种语言的文本。这种翻译本领是基于其在大量翻译数据上的练习，以及独特的使命标记机制。通过在输入中添加 <|translate|> 标记以及目标语言的指示标记，Whisper 可以在不进行额外练习的情况下，实现对任意语言对的语音翻译。例如，将一段法语语音翻译成英语文本，只需要在输入中明白指示翻译使命和目标语言，Whisper 就能准确地完成翻译工作。
在语种检测方面，Whisper 也表现出色。它可以或许主动识别输入语音中的语言范例，准确率高达 98% 以上（基于 VoxLingua107 数据集）。这一本领使得 Whisper 在处理多语言混合的语音数据时，可以或许起首判定出语音的语言范例，然后根据语言范例选择符合的处理方式，大大提高了处理效率和准确性。
语音活动检测也是 Whisper 支持的使命之一。它可以或许检测语音中的活动地区，即判定语音中哪些部门是有人语言的，哪些部门是静音或背景噪音。这一功能在语音处理中非常紧张，例如在语音转文本的过程中，可以通过语音活动检测往复除静音部门，提高识别效率和准确性；在语音翻译中，也可以通过检测语音活动来更好地安排翻译使命，避免对偶尔义的静音部门进行翻译。
2.3 模型家族与性能优化
为了满意差异场景下的应用需求，Whisper 提供了一个包含 5 种差异尺寸模型的模型家族，从最小的 Tiny 模型到最大的 Large 模型，每个模型在参数数目、计算复杂度和性能表现上都有所差异，用户可以根据本身的硬件资源和应用需求选择符合的模型。
Tiny 模型是 Whisper 模型家族中参数数目最少的模型，仅有 39M 个参数。由于其较小的模型规模，Tiny 模型在计算资源有限的设备上，如移动端设备或嵌入式设备上，具有出色的运行效率。它可以或许在较低的硬件配置下快速地完成语音识别使命，固然其准确性可能略低于其他较大的模型，但在一些对及时性要求较高、对准确性要求相对较低的场景下，如简单的语音指令识别、语音搜刮等，Tiny 模型可以或许提供足够的性能支持。
Large 模型则处于另一个极端，它拥有 1550M 个参数，是 Whisper 模型家族中最为强大的模型。Large 模型在大规模数据集上进行了充分的练习，其在语音识别的准确性上表现卓越，词错误率（WER）已经达到了人类水平。这使得 Large 模型在对准确性要求极高的场景下，如会议记录、字幕生成、语音翻译等使命中，可以或许发挥出其优势，提供高质量的语音处理服务。
除了 Tiny 和 Large 模型外，Whisper 还提供了 Base、Small 和 Medium 模型，它们的参数数目分别为 74M、244M 和 769M。这些模型在性能和计算复杂度之间提供了差异的平衡，用户可以根据具体的应用场景和硬件资源来选择符合的模型。例如，在一些对准确性有肯定要求，但硬件资源又不是非常富足的场景下，可以选择 Small 或 Medium 模型，它们在保证肯定准确性的同时，也可以或许在普通的桌面计算机或服务器上高效运行。
在性能优化方面，Whisper 针对差异的硬件平台进行了优化，无论是在 CPU 还是 GPU 上，都可以或许实现较好的速度与精度的平衡。在 GPU 上，Whisper 使用 GPU 的并行计算本领，可以或许快速地处理大规模的语音数据，大大提高了语音识别的效率；在 CPU 上，Whisper 也通过优化算法和内存管理，使得模型可以或许在 CPU 上高效运行，为那些没有 GPU 资源的用户提供了可行的解决方案。
三、实战应用：从开发到落地
3.1 Hugging Face 快速上手
Hugging Face 作为自然语言处理范畴的紧张平台，为开发者提供了便捷使用 Whisper 模型的途径，使得开发者可以或许快速将 Whisper 集成到本身的项目中。
在 Hugging Face 上使用 Whisper，起首需要安装相干的库。通过 pip install transformers 下令，可以安装 Hugging Face 的核心库 transformers，该库提供了对各种预练习模型的支持，包括 Whisper。安装完成后，即可在 Python 代码中引入相干模块并加载 Whisper 模型。例如：
- [/code] from transformers import pipeline
- transcriber = pipeline('automatic-speech-recognition', model='openai/whisper-base')
- 上述代码中，使用 pipeline 函数创建了一个语音识别管道，指定模型为 'openai/whisper-base'，这是 Whisper 的基础模型版本。通过这一步骤，就完成了模型的加载，准备进行语音识别使命。
- 在进行语音识别时，只需要将音频文件路径通报给创建的 transcriber 对象即可。例如：
- [code]
print(result['text'])
这里，将音频文件的路径更换为实际的音频文件路径，transcriber 会主动读取音频文件，并使用加载的 Whisper 模型进行语音识别，末了输出识别后的文本。
Hugging Face 还提供了丰富的工具和功能，帮助开发者进一步优化和定制语音识别使命。例如，可以通过调整模型的参数，如 beam search 的宽度，来提高识别的准确性；也可以使用 Hugging Face 的数据集工具，对本身的音频数据进行预处理和标注，以便对 Whisper 模型进行微调，使其更好地顺应特定的应用场景。
3.2 多模态融合案例
3.2.1 会议纪要体系：及时语音转写 + 情感分析
在当代办公场景中，高效的会议纪要记录对于团队协作至关紧张。使用 Whisper 结合情感分析技能，可以构建一个智能会议纪要体系，实现及时语音转写与情感分析的融合，为会议参与者提供更全面的信息。
体系起首使用 Whisper 的及时语音转写功能，将会议中的语音及时转换为文本。通过与麦克风或会议音频输入设备的连接，Whisper 可以或许快速准确地识别语音内容，并将其转化为笔墨显示在屏幕上。这一过程不仅提高了记录会议内容的效率，还淘汰了人工记录可能出现的遗漏和错误。
在情感分析方面，体系采用自然语言处理技能，对转写后的文本进行分析，判定发言者的情感倾向，如积极、消极或中性。例如，通过分析文本中的词汇、语气和语法布局，情感分析模块可以识别出发言者对某个议题的态度，以及会议讨论过程中的情绪变化。比如，当发言者使用积极的词汇如 “非常好”“很有前景” 时，体系会判定其情感为积极；而当出现消极词汇如 “题目很大”“不太满意” 时，则判定为消极情感。
将语音转写与情感分析的效果结合，会议纪要体系可以生成更丰富、更有价值的会议纪要。例如，在会议纪要中不仅记录会议的内容，还会标注出每个发言者的情感倾向，帮助会议参与者更好地理解会议中的讨论氛围和各方态度。这对于后续的决策订定和题目解决具有紧张的参考价值。
3.2.2 跨境电商客服：多语言语音交互 + 主动翻译
跨境电商的发展使得客服需要面临来自环球各地的客户，语言停滞成为了客服工作中的一大挑衅。使用 Whisper 的多语言语音识别和翻译功能，可以构建一个多语言语音交互客服体系，实现与客户的无停滞沟通。
当客户拨打客服电话或发送语音消息时，体系起首使用 Whisper 的多语言语音识别功能，识别客户语音中的语言范例，并将其转换为文本。无论客户使用英语、中文、日语还是其他语言，Whisper 都能准确识别，并将语音内容转化为相应的文本。
对于非客服职员母语的语言文本，体系使用 Whisper 的翻译功能，将其翻译成客服职员可以或许理解的语言。例如，如果客户使用法语发送语音消息，Whisper 会将其识别为法语语音，并将其翻译成中文文本，方便客服职员阅读和复兴。
在客服职员复兴客户时，体系同样可以将客服职员输入的文本通过 Whisper 的翻译功能，翻译成客户的语言，并以语音的情势发送给客户。这一过程实现了多语言语音交互与主动翻译的无缝对接，大大提高了跨境电商客服的工作效率和服务质量。
3.2.3 短视频字幕生成：视频内容解析 + 多语言字幕输出
在短视频内容创作和传播中，字幕的添加是一个紧张环节。使用 Whisper 结合视频内容解析技能，可以实现短视频字幕的主动生成和多语言输出，为短视频创作者和环球观众提供便利。
体系起首对短视频的音频进行提取，然后使用 Whisper 的语音识别功能，将音频转换为文本。在语音识别过程中，Whisper 可以或许准确识别音频中的语音内容，包括差异的口音和语速，生成准确的文本字幕。
为了实现多语言字幕输出，体系使用 Whisper 的翻译功能，将识别出的文本翻译成多种语言。例如，对于一段中文短视频，体系可以将其字幕翻译成英语、日语、韩语等多种语言，满意差异地区观众的需求。
结合视频内容解析技能，体系可以根据视频的时间轴，将生成的字幕与视频内容进行精准匹配。通过分析视频的关键帧、场景切换等信息，字幕体系可以或许准确地确定每个字幕出现的时间点，确保字幕与视频画面的同步，为观众提供更好的观看体验。
3.3 行业解决方案
3.3.1 医疗范畴：基于 Whisper 构建电子病历语音录入体系（需留意幻觉题目）
在医疗范畴，电子病历的录入是一项繁琐且耗时的工作。使用 Whisper 构建电子病历语音录入体系，可以大大提高大夫的工作效率，淘汰手动录入的错误。大夫只需通过语音描述患者的病情、诊断效果和治疗方案等信息，体系即可使用 Whisper 将语音及时转换为文本，并主动填充到电子病历的相应字段中。
但在应用中，需要留意 Whisper 可能出现的 “幻觉” 题目。由于 Whisper 是基于大规模数据练习的模型，在某些情况下，它可能会生成与输入语音不相干或禁绝确的文本，就像产生了 “幻觉” 一样。例如，在识别医学专业术语时，可能会由于相似发音或数据偏差而出现错误识别。为相识决这一题目，在实际应用中，可以结合医疗范畴的专业知识库，对 Whisper 输出的文本进行二次验证和修正。通过将 Whisper 识别的文本与专业知识库中的术语和诊断尺度进行比对，体系可以及时发现并纠正可能出现的错误，确保电子病历的准确性和可靠性。
3.3.2 教育行业：多语言在线课程及时字幕生成
随着在线教育的普及，多语言课程的需求日益增长。使用 Whisper 可以为在线课程及时生成多语言字幕，打破语言停滞，让环球弟子都能更好地学习。无论是英语授课的国际课程，还是其他语言的专业课程，Whisper 都能及时识别课程中的语音，并将其转换为文本。然后，通过其强大的翻译功能，将文本翻译成多种语言的字幕，如中文、西班牙语、阿拉伯语等。这些多语言字幕会及时显示在视频画面上，弟子可以根据本身的需求选择观看。对于听力停滞的弟子，字幕的及时生成也为他们提供了更好的学习体验，帮助他们更好地理解课程内容。
3.3.3 金融范畴：电话灌音合规查察与关键词提取
在金融范畴，电话灌音的合规查察是一项紧张的工作，用于确保金融机构的业务操作符合法规要求。使用 Whisper 将电话灌音转换为文本后，可以结合自然语言处理技能进行关键词提取和合规查察。通过预先设定的关键词库，如金融产品名称、风险提示词汇等，体系可以快速定位到灌音文本中的关键信息，判定业务操作是否合规。例如，在贩卖金融产品时，是否准确传达了产品的风险信息。同时，Whisper 的多语言本领也使得在处理跨国业务的电话灌音时，可以或许准确识别差异语言的语音，为金融机构的环球化业务提供支持。
四、技能挑衅与突破方向
4.1 现存题目
尽管 Whisper 在语音识别范畴取得了显著的效果，但作为一项仍在发展中的技能，它也面临着一些挑衅和现存题目，这些题目在肯定水平上限定了其在某些场景下的应用。
“AI 幻觉” 是 Whisper 面临的一个较为突出的题目。所谓 “AI 幻觉”，是指模型在处理语音时，会生成一些与输入语音内容不相干乃至完全假造的文本 。研究表明，在大约 80% 的长文本转录中，Whisper 可能会出现假造内容的情况。例如，在一些医疗范畴的语音转录测试中，Whisper 会在患者病情描述中插入一些并未提及的症状或治疗方法；在会议记录场景中，会出现凭空添加的发言内容。这种 “AI 幻觉” 征象在高风险场景中尤为危险，如医疗诊断记录、法律证词转录等，由于错误的转录可能会导致严峻的后果，因此在这些场景中，往往需要人工进行细致校验，这无疑增加了使用本钱和时间本钱。
计算资源的需求也是 Whisper 在实际应用中面临的一个挑衅。以 Large 模型为例，在进行推理时，它需要至少 8GB 的显存。这对于一些硬件资源有限的设备，如普通的笔记本电脑、低端服务器大概嵌入式设备来说，运行 Large 模型可能会非常困难，乃至无法运行。即使是其他较小的模型，固然对计算资源的需求相对较低，但在处理大规模语音数据大概需要及时处理语音的场景下，也可能会由于计算资源不足而导致性能降落，如识别速度变慢、准确率降低等。
在处理长尾语言时，Whisper 的表现也有待提高。长尾语言是指那些使用人数较少、在练习数据中占比较低的语言。固然 Whisper 声称支持 99 种语言，但对于部门小语种，其识别准确率仍然低于 85%。例如，一些非洲、南美洲的小众语言，以及一些濒危语言，Whisper 在识别这些语言的语音时，轻易出现较多的错误，如单词识别错误、语法布局混乱等。这重要是由于这些语言的练习数据相对较少，模型对其语言特征的学习不够充分，导致在实际应用中难以准确识别。
4.2 社区优化方案
面临 Whisper 存在的这些题目，开源社区积极探索，提出了一系列优化方案，这些方案在肯定水平上解决了 Whisper 的现存题目，提升了其性能和适用性。
Faster-Whisper 是基于 CTranslate2 实现的对 Whisper 模型的优化版本，它在提升推理速度方面表现出色。通过对 Transformer 类网络的优化，Faster-Whisper 实现了比原始 Whisper 模型快 4 倍的推理速度 ，同时保持了相同的准确性。这一速度提升在处理大规模语音数据大概对及时性要求较高的场景中尤为紧张，例如及时直播字幕生成、语音助手的及时交互等。Faster-Whisper 还支持 8 位量化，这一技能可以在不牺牲太多准确度的情况下，进一步淘汰模型在 CPU 和 GPU 上的内存占用。在资源受限的环境中，如移动设备或嵌入式体系上，8 位量化使得 Faster-Whisper 可以或许更加高效地运行，为这些设备上的语音识别应用提供了可能。
为相识决 Whisper 的 “AI 幻觉” 题目，社区采用了 VAD 加强的方案，即集成 silero-vad 实现语音活动检测。VAD 的作用是从一段语音信号中标识出语音片段与非语音片段。在语音转写使命中，通过 VAD 可以提前将语音和非语音部门分离出来，从而淘汰模型在处理非语音部门时产生幻觉的可能性。例如，在一段包含大量静音和背景噪音的语音中，VAD 可以准确地检测出语音活动的地区，只让 Whisper 模型处理这些有语音的部门，避免模型对静音或噪音部门进行偶尔义的转录，从而提升了识别速度，并有效淘汰了幻觉的产生。同时，VAD 加强方案在不影响转录准确性的前提下，提高了整个语音识别体系的稳固性和可靠性。
针对 Whisper 在特定范畴和场景下准确率有待提高的题目，社区采用了范畴微调的方法。通过网络医疗、法律等范畴的专有数据集，对 Whisper 模型进行微调，可以显著提升其在这些特定场景下的准确率。以医疗范畴为例，医疗术语具有专业性强、词汇量大、语义复杂等特点，普通的 Whisper 模型在识别医疗语音时轻易出现错误。通过使用大量的医疗语音数据和对应的文本标注对模型进行微调，模型可以学习到更多的医疗术语、诊断尺度和病历誊写规范等知识，从而提高在医疗范畴的语音识别本领。在法律范畴，通过微调可以使模型更好地理解法律条文、法庭辩说的语言风格和逻辑布局，准确识别法律相干的专业词汇和术语，提高法律语音内容的转录准确性。
五、未来猜测：语音 AI 的新范式
Whisper 的出现，不仅是语音识别范畴的一次重大突破，更是开启了语音 AI 发展的新范式，为未来的研究和应用指明了多个极具潜力的方向。
5.1 多模态对齐：解锁图文声的融合理解
在未来，语音识别技能将不再局限于单纯的语音 - 文本转换，多模态融合将成为关键的发展趋势。Whisper 有望与图像识别、自然语言处理等技能深度融合，实现图文声多模态的协同理解。例如，结合 OpenAI 的 CLIP（Contrastive Language - Image Pretraining）模型，Whisper 可以在处理语音的同时，对图像内容进行理解和关联分析 。在一个视频会议场景中，Whisper 负责识别会议中的语音内容，CLIP 则对会议中的共享图片、视频画面进行分析，两者结合，不仅可以生成准确的会议纪要文本，还能对图片中的关键信息进行提取和解释，使得会议纪要更加丰富和全面。这种多模态对齐技能，将极大地提升 AI 对复杂信息的理解本领，为智能办公、智能教育、智能安防等范畴带来全新的应用体验。
5.2 增量推理：及时语音交互的关键突破
及时性是语音识别在很多应用场景中的关键需求，如及时语音翻译、语音助手的即时相应等。当前 Whisper 在处理长音频时存在肯定的延迟题目，而增量推理技能，即流式语音处理技能，将是解决这一题目的紧张突破方向。增量推理允许模型在接收到新的语音数据时，基于之前的推理效果进行连续更新，而无需重新处理整个音频。这意味着模型可以逐帧或逐段地处理语音，实现真正的及时语音识别和交互。例如，在及时直播场景中，观众可以通过语音提问，语音助手使用增量推理技能，及时识别观众的题目，并敏捷给出回答，大大提高了互动的效率和流畅性。随着硬件技能的不断进步，如边沿计算设备的性能提升，增量推理技能将使 Whisper 在及时语音交互范畴发挥更大的作用。
5.3 隐私掩护：联邦学习与同态加密的探索
随着语音识别技能在日常生存和商业范畴的广泛应用，用户对语音数据隐私掩护的关注度也日益提高。联邦学习（Federated Learning）和同态加密（Homomorphic Encryption）等技能为解决语音数据隐私题目提供了新的思绪。联邦学习允很多个参与方在不共享原始数据的情况下协作练习模型，每个参与方在本地设备上练习模型，然后将模型参数或梯度更新发送到中央服务器进行聚合，从而避免了原始语音数据的会合存储和传输，降低了数据泄露的风险。同态加密则允许对加密后的数据进行计算，其效果在解密后与对明文数据进行计算的效果相同，这意味着在语音数据处理过程中，数据可以始终保持加密状态，即使数据被第三方获取，也无法从中获取敏感信息。在医疗语音数据处理中，可以使用联邦学习结合同态加密技能，让多家医疗机构在掩护患者隐私的前提下，共同练习语音识别模型，提高医疗语音识别的准确性和效率。未来，随着这些隐私掩护技能的不断完善和应用，Whisper 将可以或许在保障用户隐私的基础上，更加安全地为用户提供优质的语音服务。
结语：开启语音智能新时代
从代码实现到行业落地，Whisper 正在重塑语音交互的未来。尽管存在局限性，其创新架构和开源生态为开发者提供了无限可能。随着技能迭代和场景深化，这个 "会听话" 的 AI 模型有望成为数字天下的通用接口。
关注作者获取最新 AI 技能动态与实战案例！
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
|
