卓卓安Claw项目方案库
展示首页/方案库/研究与调研
研究与调研

卓安Claw 录音质检 GitHub 调研（2026-11-13）

约 10 分钟·卓安Claw · 2026.11
本页目录
  1. 1. 调研范围与方法
  2. 2. 候选项目对比
  3. 3. 关键结论
  4. 3.1 没有“开箱即用”的中文法律谈案质检
  5. 3.2 推荐 V1 技术路线
  6. 3.3 不建议直接采用
  7. 4. 对卓安Claw V1 的落地建议
  8. 4.1 架构
  9. 4.2 质检 rubric
  10. 4.3 数据与许可边界
  11. 5. 开发任务包（建议按此拆）
  12. P0-1 录音上传与对象
  13. P0-2 转写 worker
  14. P0-3 证据查看
  15. P0-4 质检分析
  16. P0-5 主管质检与指标
  17. P0-6 权限、审计、保留
  18. 6. 验收建议
  19. 7. 参考链接

目的：在动手做“谈案录音上传 + 转写 + AI 质检”前，先看 GitHub 有没有可复用/可照搬的成熟方案。
结论：没有找到可直接用于“中文 + 法律谈案 + 人工上传 + 证据回链 + 人工复核”的端到端开源项目；可复用底层组件和评估框架，质检规则必须自己建。

1. 调研范围与方法

  • 查 GitHub API 元数据（stars、license、最近更新时间、语言、是否归档）。
  • 阅读候选项目 README，确认能力、部署方式、模型许可和限制。
  • 重点看四层： 1. 中文 ASR / 长音频； 2. 说话人分离； 3. 通话/销售质检与评分框架； 4. 证据回链、人工复核、本地部署。

2. 候选项目对比

项目 Stars License 能力 适合作什么 主要限制
modelscope/FunASR 21k MIT（工具链；模型权重单独许可） 中文 ASR、VAD、标点、CAM++ 说话人聚类、时间戳、CPU V1 主 ASR 管线 说话人匿名、重叠语音弱；模型权重需逐个确认
FunAudioLLM/SenseVoice 9.7k MIT 234M 小模型，中/粤/英/日/韩，情绪/事件标签 CPU/低配快速转写、情绪辅助 不直接给说话人身份；专有名词较弱
OpenMOSS/MOSS-Transcribe-Diarize 2.3k Apache-2.0 0.9B，联合转写+说话人分离，时间戳，50+ 语言 GPU 可用时的联合方案 偏 GPU，中文准确率无公开细分；需实测
pyannote/pyannote-audio 10.8k 工具链 MIT；community-1 模型 CC-BY-4.0 且 HF gated 纯说话人分离，DER 较好 可选的二路说话人分离 需 HF token/接受条款；商用/再分发需核对模型条款
m-bain/whisperX 25k BSD-2-Clause Whisper + 词级时间戳 + pyannote 分离 词级时间戳/英文场景 中文对齐需实测；依赖 gated pyannote；重叠语音弱
tancheng33/tingo 45 MIT 本地会议纪要，FunASR + CAM++，时间戳回链，导入腾讯/飞书/Zoom 录音 产品交互与证据回链参考 macOS 13+，Apple Silicon only，不能直接部署到 Windows
jasoncheng7115/jt-live-whisper 595 Apache-2.0（模型单独许可） 全本地语音工具箱，Windows WASAPI，批量转写、讲者辨识、摘要 Windows 本地管线/降级参考 模型许可证不一；会议场景为主
attentiontech/gtm-superintelligence 103 Apache-2.0 通话分类、评分、教练建议，每条结论带原句，YAML rubric 质检评分/证据规范参考 英文销售场景，无中文/法律；依赖 Anthropic API
Azure-Samples/tayra 14 仓库元数据 MIT，README 未写 呼叫中心转写、规则+LLM 评分、合规、人工评估记录 评估数据模型/人工复核参考 Azure 锁定；无评分公式/提示词；README 未声明许可
backblaze-b2-samples/speechbrain-call-center-analytics 0 MIT SpeechBrain 转写/分离/情感，关键词合规 轻量质检参考 英文、示例级、依赖 B2
Yacine-ai-tech/VoiceFlow 0 AGPL-3.0 WhisperX/pyannote 多引擎、销售通话分析 多引擎路由参考 AGPL、早期项目、英文为主

Stars/许可为 2026-11-13 GitHub API 查询结果，会变化；商用前逐个复核 LICENSE 与模型条款。

3. 关键结论

3.1 没有“开箱即用”的中文法律谈案质检

现有开源项目分三类：

  • ASR/说话人组件：FunASR、SenseVoice、MOSS、pyannote、WhisperX。
  • 会议纪要工具：tingo、jt-live-whisper。
  • 销售/客服质检框架：gtm-superintelligence、Tayra、SpeechBrain 示例。

没有项目同时具备：

  • 中文法律谈案场景；
  • 电话/面谈/微信语音/线上会议人工上传；
  • 线索/案件关联；
  • 合规、服务、意向、报价、风险五维检测；
  • 每条结论回链录音原句和时间点；
  • 主管复核、律师评定边界；
  • 本地/私有云数据边界。

所以路线是：复用底层 + 自建质检层，不要整仓照搬。

3.2 推荐 V1 技术路线

ASR 主路线（CPU 可跑）

音频 → ffmpeg 标准化 → FunASR
  → fsmn-vad 切分
  → paraformer-zh（或 SenseVoiceSmall）
  → ct-punc 标点
  → CAM++ 说话人聚类
  → 分段 JSON（start/end/speaker/text）
  • FunASR 工具链 MIT、中文优先、CPU 可跑，适合卓安本地/私有云。
  • CAM++ 只给匿名说话人标签（S01/S02），需要人工映射“客户/律师/运营”。
  • 重叠说话、方言、法律术语是主要误差源，V1 必须允许人工修正说话人和术语。

GPU 可选路线

  • MOSS-Transcribe-Diarize：联合转写+分离，适合有 GPU 的服务器；需实测中文法律录音。
  • Fun-ASR-Nano：800M，支持方言/口音，GPU/vLLM 部署。
  • 不建议 V1 强依赖 GPU；先 CPU 跑通，再按量升级。

说话人分离

  • V1：FunASR CAM++，匿名标签 + 人工映射。
  • 可选二路：pyannote community-1 做二次分离/对比；但模型是 CC-BY-4.0 且 HF gated，需法务/许可确认后再启用。
  • 不把“自动识别具体律师身份”作为 V1 承诺；先做“说话人 A/B + 人工确认”。

质检分析

  • 复用 gtm-superintelligence 的证据约束：每条评分/建议必须引用原句；不做无出处的结论。
  • 复用 Tayra 的机器评估 + 人工评估并存：evaluations 与 humanEvaluations 分开存。
  • 规则用 YAML/JSON 配置，不写死在提示词里；法律顾问/主管可改。
  • 输出结构化 JSON：维度、等级、原句、起止时间、原因、建议、复核状态。

3.3 不建议直接采用

  • tingo：产品交互很好（时间戳回链、本地优先、导入会议录音），但 macOS only，不能作为 Windows 服务端。
  • WhisperX：词级时间戳强，但中文对齐和 gated pyannote 增加部署/许可复杂度；V1 不必。
  • Tayra：架构可参考，但 Azure 依赖重，且没有可复用的评分公式/提示词。
  • gtm-superintelligence：评分框架可参考，但英文销售、Anthropic API；不能直接用于中文法律合规。
  • VoiceFlow：AGPL-3.0，早期项目，不适合直接嵌入私有产品。

4. 对卓安Claw V1 的落地建议

4.1 架构

线索/客户/案件
  └─ 沟通记录 zhuoan_comm_record
       ├─ 原件 blob（SHA-256，音频）
       ├─ 转写 zhuoan_comm_transcript（分段、说话人、时间戳）
       └─ 分析 zhuoan_comm_analysis（五维、证据、复核状态）

上传 → 异步任务 → FunASR 转写 → LLM 质检 → 运营摘要/主管队列
  • 原件与转写分层；转写可重跑，不覆盖原件。
  • 分析结果必须能跳回音频时间点；没有原句的结论不展示。
  • 人工复核状态：待复核/已确认/误报/已辅导。

4.2 质检 rubric

按谈案类型配置不同 rubric，而不是一套通用评分：

  • 初次咨询
  • 家属/亲友咨询
  • 会见沟通
  • 报价/委托沟通
  • 进度沟通
  • 回访/复购

五维检测：

  1. 合规话术：承诺结果、违规承诺、不当收费、敏感信息、未告知录音。
  2. 服务质量：开场、需求挖掘、方案解释、下一步约定、礼貌响应。
  3. 客户意向：意向等级、紧迫度、预算、决策人、异议。
  4. 报价：报价金额、折扣、价格异议、比价/竞品。
  5. 风险：投诉、退费、利益冲突、保密、舆情。

4.3 数据与许可边界

  • FunASR 工具链 MIT；模型权重单独许可，需在部署包里列出实际使用的模型与许可。
  • MOSS Apache-2.0；SenseVoice MIT；pyannote community-1 是 CC-BY-4.0 且 gated，非必要不启用。
  • WhisperX BSD-2；但其依赖的 pyannote 模型条款要单独核对。
  • 所有模型下载走内部制品/离线包，不从公网临时拉取。
  • 录音/转写默认本地/私有云；外部 LLM 只送脱敏文本，C 类不送。

5. 开发任务包（建议按此拆）

P0-1 录音上传与对象

  • zhuoan_comm_record 表 + 上传 API + 原件 blob。
  • 线索/客户详情「沟通记录」时间线。
  • 上传字段：类型、时间、参与人、同意确认、备注。

P0-2 转写 worker

  • 音频标准化（ffmpeg）。
  • FunASR 管线：VAD + Paraformer/SenseVoice + 标点 + CAM++。
  • 任务状态：待转写/转写中/已转写/失败。
  • 分段 JSON 入库；支持重跑。

P0-3 证据查看

  • 音频播放器 + 转写分段 + 时间点跳转。
  • 说话人匿名标签 + 人工映射。
  • 术语/热词修正。

P0-4 质检分析

  • YAML rubric + 结构化 JSON schema。
  • LLM 分析（内部/兼容 OpenAI 接口），每条发现带原句/起止时间。
  • 复核状态与误报标记。

P0-5 主管质检与指标

  • 主管队列：风险/待复核/跟进缺口。
  • 经营指标：录音覆盖率、跟进及时率、风险数、复核率。

P0-6 权限、审计、保留

  • 运营只看自己、主管看团队、律师看自己参与、管理者看全所。
  • 上传/播放/下载/导出/删除/复核全审计。
  • 保存期限、删除、告知同意策略待法务确认。

6. 验收建议

  • 用 3 段真实/合成中文谈案录音跑通：电话、面谈、线上会议各 1 段。
  • 转写分段有 start/end/speaker；人工可纠正说话人。
  • 每条 AI 发现能回到原句与音频时间点；无原句的不展示。
  • 主管能确认/误报/已辅导；结果进入评定前有复核。
  • 断网/模型不可用时，上传和原件存证仍可用，转写进入失败队列可重试。

7. 参考链接

  • FunASR: https://github.com/modelscope/FunASR
  • SenseVoice: https://github.com/FunAudioLLM/SenseVoice
  • MOSS-Transcribe-Diarize: https://github.com/OpenMOSS/MOSS-Transcribe-Diarize
  • pyannote-audio: https://github.com/pyannote/pyannote-audio
  • WhisperX: https://github.com/m-bain/whisperX
  • tingo: https://github.com/tancheng33/tingo
  • jt-live-whisper: https://github.com/jasoncheng7115/jt-live-whisper
  • gtm-superintelligence: https://github.com/attentiontech/gtm-superintelligence
  • Tayra: https://github.com/Azure-Samples/tayra
  • SpeechBrain call-center analytics: https://github.com/backblaze-b2-samples/speechbrain-call-center-analytics