Qwen2 Audio Instruct Demo

本质是让模型听一段音频再按你的要求输出文字。常见用法是把录音转成文字、判断说话人的情绪或语气、描述音频里出现的非语音声音，以及围绕音频内容追问某个具体信息。任务由你的指令决定，不需要切换不同工具。

它以 Hugging Face Spaces 的形式提供，打开网页上传音频或录制一段声音，再写下你的要求提交即可，使用前不需要自己搭建环境。界面本身就是演示性质，功能相对单一，重点在于把音频输入和自然语言指令结合起来。

不建议直接采用。它是演示而非专业转写工具，音频太长、口音重或背景嘈杂时，漏字和误判会更明显。比较稳妥的做法是拿它出初稿，再由人工对照原音频校对，尤其是人名、数字和专有名词这类容易出错的部位。

专用转写工具的目标是把语音尽量准确地变成文字，而它更强调「听懂后再按要求回答」。除了转写，你还能让它判断情绪、描述背景声音或就内容提问。反过来说，如果只需要高准确率的逐字转写，专用工具通常更对口。

它是一次性的交互页面，每轮对话围绕当次提供的音频进行。要反复核对同一段素材，需要在本地保留原文件，每次重新上传并重新提问，重要的输出结果也应当自己另外保存。