SenseVoice-Small模型识别结果的后处理技巧文本纠错与标点恢复语音识别技术已经相当普及但直接从麦克风或音频文件里“听”出来的文字往往和我们期望的最终文稿还有一段距离。你肯定遇到过这种情况一段流畅的演讲被识别成一长串没有停顿、没有标点的文字中间还夹杂着几个莫名其妙的同音错别字。读起来费劲理解起来更费劲。SenseVoice-Small作为一款轻量高效的语音识别模型在识别准确率上表现不俗。但和所有语音识别系统一样它的原始输出是“纯净”的文本流——只有字词没有标点也难免会受到口音、背景噪音或发音模糊的影响产生一些识别错误。这就好比一位速记员忠实地记录下了所有音节但还没来得及整理成文。今天我们就来聊聊如何给这位“速记员”配备一位得力的“编辑”通过后处理技巧将原始的识别文本润色成一篇可读性高、符合书写规范的文章。我们会重点展示文本纠错和标点恢复这两个关键环节看看它们是如何让SenseVoice-Small的输出“脱胎换骨”的。1. 为什么需要后处理原始识别文本的典型问题直接使用SenseVoice-Small的原始输出你可能会遇到下面几个头疼的问题。理解这些问题是做好后处理的第一步。1.1 “一马平川”的文本标点符号的缺失这是最直观的问题。语音是连续的但书面语言需要停顿和分隔。原始识别文本通常是一整段没有句号、逗号、问号等任何标点。这不仅影响阅读速度更可能改变语义。比如原始识别可能是“好的我们明天上午十点开会讨论项目预算请大家准时参加”。读起来需要自己断句而不同的断句方式可能产生歧义。后处理的目标之一就是智能地插入这些“呼吸符”。1.2 “音同字不同”的陷阱同音字与近音字错误中文里有大量的同音字和近音字这是语音识别的经典难题。SenseVoice-Small虽然强大但也无法完全避免。同音字错误比如“公式”被识别为“公事”“期中”被识别为“期终”。近音字错误受口音或模糊发音影响比如“时间”被识别为“实践”。专有名词错误人名、地名、产品名等模型若未在训练数据中充分学习容易出错。这些错误不纠正轻则显得不专业重则可能引发误解。1.3 口语化与书面化的鸿沟口语中充满了重复、冗余、停顿词如“嗯”、“啊”、“那个”和不完整的句子。SenseVoice-Small有时会忠实记录这些内容。而正式的文稿通常需要更简洁、更规范的书面表达。后处理可以在一定程度上进行过滤和润色提升文本的正式度和简洁性。2. 核心后处理技巧一文本纠错文本纠错的目标是找出并修正识别结果中的错别字。方法上我们可以从简单的规则匹配走到更智能的深度学习模型。2.1 基于规则的快速纠错对于某些高频、固定的错误模式基于规则的纠错简单有效。这就像一本常见的“错题本”。实现思路 建立一个常见易错词对照表。当识别文本中出现“错词”时就将其替换为“正确词”。这种方法速度快针对性强。简单代码示例def rule_based_correction(text): 基于规则的简单文本纠错 # 定义一个常见的同音字/易错字映射表 correction_map { 公事: 公式, 期终: 期中, 做文: 作文, 由其: 尤其, 必竟: 毕竟, 穿流不息: 川流不息, } for wrong, right in correction_map.items(): text text.replace(wrong, right) return text # 示例纠正一段包含错误的文本 raw_text 本次期终考试的重点是数学公事和做文 corrected_text rule_based_correction(raw_text) print(f原始文本: {raw_text}) print(f纠正后文本: {corrected_text})输出效果原始文本: 本次期终考试的重点是数学公事和做文 纠正后文本: 本次期中考试的重点是数学公式和作文这种方法立竿见影但缺点也很明显它只能处理已知的错误无法应对未在映射表中的新错误维护词表的工作量也较大。2.2 基于深度学习模型的智能纠错要处理更复杂、更泛化的错误就需要请出“AI编辑”——基于深度学习的文本纠错模型。这类模型通常在大规模文本语料上训练能够理解上下文语义从而判断某个词在当前位置是否合理并给出最可能的纠正建议。业界常见的方案包括使用百度ERNIE-CSC、Soft-Masked BERT等专门用于中文拼写检查CSC的模型。这些模型本质上是在做一项任务给定一个可能有错的句子输出一个纠正后的句子。处理流程示意输入SenseVoice-Small的原始识别文本。模型推理将文本送入预训练好的纠错模型。输出模型返回纠正后的文本并可能标注出修改的位置。概念性代码示例以调用一个假设的纠错服务为例# 假设我们有一个封装好的纠错函数它内部调用了一个深度学习模型 def deep_learning_correction(text, model_nameernie-csc): 调用深度学习纠错模型进行文本纠错 注意此处为概念性代码实际需要接入具体的模型API或本地服务 # 这里模拟一个模型调用过程 # 实际应用中可能是 requests.post(api_url, datatext) 或 model.predict(text) # 模拟一些常见的、规则无法解决的纠错案例 correction_examples { 请把这份文件发一份给财务部: 请把这份文件复印一份给财务部, # “发”在上下文中可能应为“复印” 这个产品的优势在于其独特的算法: 这个产品的优势在于其独特的算法, # 无错误模型应保持原样 由于网络原因会议将廷迟十分钟: 由于网络原因会议将延迟十分钟, # “廷”纠正为“延” } # 在实际中这里应该是模型的真实输出 # 为演示我们简单返回模拟结果 if text in correction_examples: return correction_examples[text] else: # 假设模型对未定义的输入原样返回或进行简单处理 return text [已通过模型纠错] # 示例 raw_texts [ 请把这份文件发一份给财务部, 这个产品的优势在于其独特的算法, 由于网络原因会议将廷迟十分钟 ] for txt in raw_texts: corrected deep_learning_correction(txt) print(f输入: {txt}) print(f输出: {corrected}\n)深度学习模型纠错的能力远强于规则方法能处理更微妙的语境错误。但其计算成本较高且依赖于模型的质量和训练数据。3. 核心后处理技巧二标点恢复标点恢复也称为标点预测是给连续的文本流添加上逗号、句号、问号等标点符号。这不仅仅是在“加符号”更是在理解语义单元和说话者的停顿意图。3.1 基于停顿与规则的简单恢复一个最基础的思路是利用语音识别中可能附带的时间戳信息或静音段检测。在说话人自然停顿较长的地方插入句号或逗号。方法简述SenseVoice-Small或其他前端工具提供每个词的时间戳。计算词与词之间的时间间隔。如果间隔超过一个阈值例如500毫秒则在此处插入一个句号或逗号取决于更复杂的规则。这种方法实现简单但非常粗糙。因为停顿不一定对应标点而标点处也不一定有明显停顿。3.2 基于序列标注的深度学习标点预测当前的主流方法是将其视为一个序列标注任务。模型逐字阅读文本并为每个字预测其后应跟随的标点符号类型如O-无标点COMMA-逗号PERIOD-句号QUESTION-问号。这就像训练一个模型学习书面语言的“呼吸节奏”。常用的模型包括循环神经网络RNN、长短期记忆网络LSTM以及现在更流行的Transformer架构如BERT。这些模型能够捕捉长距离的上下文依赖从而做出更准确的预测。处理流程输入经过纠错后的纯文本序列例如“好的我们明天上午十点开会讨论项目预算请大家准时参加”。分词与向量化将文本转换为模型能理解的词向量或字向量序列。模型预测序列标注模型为每个位置输出一个标点标签。后处理合并将标签序列与原始文本合并生成带标点的最终文本。概念性代码示例展示逻辑# 假设我们有一个标点预测模型 def punctuation_restoration(text, model_namebert-punctuation): 基于深度学习模型的标点恢复 注意此处为概念性代码实际需要接入具体的模型 # 模拟一个训练好的模型对常见模式的预测 # 实际中模型会输出每个字符/词后面的标点概率分布 example_patterns { 好的我们明天上午十点开会讨论项目预算请大家准时参加: 好的我们明天上午十点开会讨论项目预算请大家准时参加。, 今天的天气怎么样你觉得会下雨吗: 今天的天气怎么样你觉得会下雨吗, 首先打开电脑然后连接网络接着登录系统: 首先打开电脑然后连接网络接着登录系统。 } if text in example_patterns: return example_patterns[text] else: # 简单模拟在“那么”“然后”“但是”等词后加逗号句末加句号。 # 这是一个非常简陋的规则仅用于演示逻辑真实模型要复杂得多。 import re text re.sub(r(那么|然后|但是|不过|因此|所以)([^。]), r\1\2, text) if not text.endswith((。, , )): text 。 return text # 示例 no_punct_text 好的我们明天上午十点开会讨论项目预算请大家准时参加 restored_text punctuation_restoration(no_punct_text) print(f无标点文本: {no_punct_text}) print(f标点恢复后: {restored_text})4. 效果展示后处理前后的对比说了这么多技术最直观的还是看效果。我们模拟一段SenseVoice-Small可能识别出的原始文本然后展示经过纠错和标点恢复后的样子。场景模拟一段关于项目讨论的会议录音。4.1 原始识别文本模拟好的我们明天上午十点在中关村软件员开会讨论下一阶段的算法模型优化方案尤其是卷机神经网络部分的参数调整需要大家提前看一下相关文献另外关于预算的申请流程我已经发到工作群了请大家查收存在的问题无任何标点阅读困难。存在同音错误“软件员”应为“软件园”“卷机神经网络”应为“卷积神经网络”。4.2 第一步文本纠错后我们使用结合规则和深度学习模型的纠错方法进行处理。好的我们明天上午十点在中关村软件园开会讨论下一阶段的算法模型优化方案尤其是卷积神经网络部分的参数调整需要大家提前看一下相关文献另外关于预算的申请流程我已经发到工作群了请大家查收变化“软件员” → “软件园”“卷机神经网络” → “卷积神经网络”假设“发”在上下文中是合适的未做修改4.3 第二步标点恢复后将纠错后的文本送入标点预测模型。好的我们明天上午十点在中关村软件园开会讨论下一阶段的算法模型优化方案尤其是卷积神经网络部分的参数调整需要大家提前看一下相关文献。另外关于预算的申请流程我已经发到工作群了请大家查收。4.4 对比分析处理阶段文本示例可读性专业度原始识别好的我们明天上午十点在中关村软件员开会...极差需手动断句有错别字低存在明显错误仅纠错好的我们明天上午十点在中关村软件园开会...较差无标点但错误已修正中等内容准确但格式不佳完整后处理好的我们明天上午十点在中关村软件园开会...优秀符合书面语习惯无歧义高内容准确格式规范可以看到完整的后处理流程将一段“生硬”的机器转写变成了可直接用于会议纪要或邮件发送的规范文本。标点符号的加入划分了意群使信息层次分明纠错功能修正了关键术语确保了信息的准确性。5. 实践建议与总结在实际项目中集成这些后处理技巧时我有几点建议供你参考。关于纠错模型的选择如果业务场景中的错误类型相对固定如特定领域的专有名词可以优先建立规则库快速见效。对于通用场景或追求更高准确率建议采用成熟的深度学习纠错模型如ERNIE-CSC。可以考虑将两者结合规则处理高频错误模型处理复杂错误。关于标点预测目前开源社区和云服务提供商都有不错的标点预测模型。选择时除了看准确率还要关注其支持的标点类型是否支持问号、感叹号、顿号等以及推理速度。对于实时字幕等场景速度至关重要。流程串联通常的 pipeline 是语音识别 - 文本纠错 - 标点恢复。纠错应在标点恢复之前因为错误的词汇可能影响标点位置的预测。整个流程可以封装成一个服务对上游提供干净的文本输出。效果评估不要只看字错误率CER更要关注句错误率SER和主观听感。后处理的最终目标是提升可读性和用户体验可以找一些真实用户看看他们是否觉得处理后的文本更易读、更舒服。回过头看SenseVoice-Small提供了高质量的识别基础而文本纠错和标点恢复这两项后处理技巧则是将“原材料”加工成“成品”的关键工序。它们一个负责“校对”一个负责“排版”共同把机器识别的文本打磨得更像人写出来的样子。这个过程并不神秘其核心依然是让机器更好地理解语言的上下文和结构。当你下次看到一份工整的语音转写稿时或许可以想想这背后除了出色的声学模型可能还有一位默默工作的“文本编辑”呢。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
SenseVoice-Small模型识别结果的后处理技巧：文本纠错与标点恢复
发布时间：2026/6/11 21:06:47
SenseVoice-Small模型识别结果的后处理技巧文本纠错与标点恢复语音识别技术已经相当普及但直接从麦克风或音频文件里“听”出来的文字往往和我们期望的最终文稿还有一段距离。你肯定遇到过这种情况一段流畅的演讲被识别成一长串没有停顿、没有标点的文字中间还夹杂着几个莫名其妙的同音错别字。读起来费劲理解起来更费劲。SenseVoice-Small作为一款轻量高效的语音识别模型在识别准确率上表现不俗。但和所有语音识别系统一样它的原始输出是“纯净”的文本流——只有字词没有标点也难免会受到口音、背景噪音或发音模糊的影响产生一些识别错误。这就好比一位速记员忠实地记录下了所有音节但还没来得及整理成文。今天我们就来聊聊如何给这位“速记员”配备一位得力的“编辑”通过后处理技巧将原始的识别文本润色成一篇可读性高、符合书写规范的文章。我们会重点展示文本纠错和标点恢复这两个关键环节看看它们是如何让SenseVoice-Small的输出“脱胎换骨”的。1. 为什么需要后处理原始识别文本的典型问题直接使用SenseVoice-Small的原始输出你可能会遇到下面几个头疼的问题。理解这些问题是做好后处理的第一步。1.1 “一马平川”的文本标点符号的缺失这是最直观的问题。语音是连续的但书面语言需要停顿和分隔。原始识别文本通常是一整段没有句号、逗号、问号等任何标点。这不仅影响阅读速度更可能改变语义。比如原始识别可能是“好的我们明天上午十点开会讨论项目预算请大家准时参加”。读起来需要自己断句而不同的断句方式可能产生歧义。后处理的目标之一就是智能地插入这些“呼吸符”。1.2 “音同字不同”的陷阱同音字与近音字错误中文里有大量的同音字和近音字这是语音识别的经典难题。SenseVoice-Small虽然强大但也无法完全避免。同音字错误比如“公式”被识别为“公事”“期中”被识别为“期终”。近音字错误受口音或模糊发音影响比如“时间”被识别为“实践”。专有名词错误人名、地名、产品名等模型若未在训练数据中充分学习容易出错。这些错误不纠正轻则显得不专业重则可能引发误解。1.3 口语化与书面化的鸿沟口语中充满了重复、冗余、停顿词如“嗯”、“啊”、“那个”和不完整的句子。SenseVoice-Small有时会忠实记录这些内容。而正式的文稿通常需要更简洁、更规范的书面表达。后处理可以在一定程度上进行过滤和润色提升文本的正式度和简洁性。2. 核心后处理技巧一文本纠错文本纠错的目标是找出并修正识别结果中的错别字。方法上我们可以从简单的规则匹配走到更智能的深度学习模型。2.1 基于规则的快速纠错对于某些高频、固定的错误模式基于规则的纠错简单有效。这就像一本常见的“错题本”。实现思路 建立一个常见易错词对照表。当识别文本中出现“错词”时就将其替换为“正确词”。这种方法速度快针对性强。简单代码示例def rule_based_correction(text): 基于规则的简单文本纠错 # 定义一个常见的同音字/易错字映射表 correction_map { 公事: 公式, 期终: 期中, 做文: 作文, 由其: 尤其, 必竟: 毕竟, 穿流不息: 川流不息, } for wrong, right in correction_map.items(): text text.replace(wrong, right) return text # 示例纠正一段包含错误的文本 raw_text 本次期终考试的重点是数学公事和做文 corrected_text rule_based_correction(raw_text) print(f原始文本: {raw_text}) print(f纠正后文本: {corrected_text})输出效果原始文本: 本次期终考试的重点是数学公事和做文 纠正后文本: 本次期中考试的重点是数学公式和作文这种方法立竿见影但缺点也很明显它只能处理已知的错误无法应对未在映射表中的新错误维护词表的工作量也较大。2.2 基于深度学习模型的智能纠错要处理更复杂、更泛化的错误就需要请出“AI编辑”——基于深度学习的文本纠错模型。这类模型通常在大规模文本语料上训练能够理解上下文语义从而判断某个词在当前位置是否合理并给出最可能的纠正建议。业界常见的方案包括使用百度ERNIE-CSC、Soft-Masked BERT等专门用于中文拼写检查CSC的模型。这些模型本质上是在做一项任务给定一个可能有错的句子输出一个纠正后的句子。处理流程示意输入SenseVoice-Small的原始识别文本。模型推理将文本送入预训练好的纠错模型。输出模型返回纠正后的文本并可能标注出修改的位置。概念性代码示例以调用一个假设的纠错服务为例# 假设我们有一个封装好的纠错函数它内部调用了一个深度学习模型 def deep_learning_correction(text, model_nameernie-csc): 调用深度学习纠错模型进行文本纠错 注意此处为概念性代码实际需要接入具体的模型API或本地服务 # 这里模拟一个模型调用过程 # 实际应用中可能是 requests.post(api_url, datatext) 或 model.predict(text) # 模拟一些常见的、规则无法解决的纠错案例 correction_examples { 请把这份文件发一份给财务部: 请把这份文件复印一份给财务部, # “发”在上下文中可能应为“复印” 这个产品的优势在于其独特的算法: 这个产品的优势在于其独特的算法, # 无错误模型应保持原样 由于网络原因会议将廷迟十分钟: 由于网络原因会议将延迟十分钟, # “廷”纠正为“延” } # 在实际中这里应该是模型的真实输出 # 为演示我们简单返回模拟结果 if text in correction_examples: return correction_examples[text] else: # 假设模型对未定义的输入原样返回或进行简单处理 return text [已通过模型纠错] # 示例 raw_texts [ 请把这份文件发一份给财务部, 这个产品的优势在于其独特的算法, 由于网络原因会议将廷迟十分钟 ] for txt in raw_texts: corrected deep_learning_correction(txt) print(f输入: {txt}) print(f输出: {corrected}\n)深度学习模型纠错的能力远强于规则方法能处理更微妙的语境错误。但其计算成本较高且依赖于模型的质量和训练数据。3. 核心后处理技巧二标点恢复标点恢复也称为标点预测是给连续的文本流添加上逗号、句号、问号等标点符号。这不仅仅是在“加符号”更是在理解语义单元和说话者的停顿意图。3.1 基于停顿与规则的简单恢复一个最基础的思路是利用语音识别中可能附带的时间戳信息或静音段检测。在说话人自然停顿较长的地方插入句号或逗号。方法简述SenseVoice-Small或其他前端工具提供每个词的时间戳。计算词与词之间的时间间隔。如果间隔超过一个阈值例如500毫秒则在此处插入一个句号或逗号取决于更复杂的规则。这种方法实现简单但非常粗糙。因为停顿不一定对应标点而标点处也不一定有明显停顿。3.2 基于序列标注的深度学习标点预测当前的主流方法是将其视为一个序列标注任务。模型逐字阅读文本并为每个字预测其后应跟随的标点符号类型如O-无标点COMMA-逗号PERIOD-句号QUESTION-问号。这就像训练一个模型学习书面语言的“呼吸节奏”。常用的模型包括循环神经网络RNN、长短期记忆网络LSTM以及现在更流行的Transformer架构如BERT。这些模型能够捕捉长距离的上下文依赖从而做出更准确的预测。处理流程输入经过纠错后的纯文本序列例如“好的我们明天上午十点开会讨论项目预算请大家准时参加”。分词与向量化将文本转换为模型能理解的词向量或字向量序列。模型预测序列标注模型为每个位置输出一个标点标签。后处理合并将标签序列与原始文本合并生成带标点的最终文本。概念性代码示例展示逻辑# 假设我们有一个标点预测模型 def punctuation_restoration(text, model_namebert-punctuation): 基于深度学习模型的标点恢复 注意此处为概念性代码实际需要接入具体的模型 # 模拟一个训练好的模型对常见模式的预测 # 实际中模型会输出每个字符/词后面的标点概率分布 example_patterns { 好的我们明天上午十点开会讨论项目预算请大家准时参加: 好的我们明天上午十点开会讨论项目预算请大家准时参加。, 今天的天气怎么样你觉得会下雨吗: 今天的天气怎么样你觉得会下雨吗, 首先打开电脑然后连接网络接着登录系统: 首先打开电脑然后连接网络接着登录系统。 } if text in example_patterns: return example_patterns[text] else: # 简单模拟在“那么”“然后”“但是”等词后加逗号句末加句号。 # 这是一个非常简陋的规则仅用于演示逻辑真实模型要复杂得多。 import re text re.sub(r(那么|然后|但是|不过|因此|所以)([^。]), r\1\2, text) if not text.endswith((。, , )): text 。 return text # 示例 no_punct_text 好的我们明天上午十点开会讨论项目预算请大家准时参加 restored_text punctuation_restoration(no_punct_text) print(f无标点文本: {no_punct_text}) print(f标点恢复后: {restored_text})4. 效果展示后处理前后的对比说了这么多技术最直观的还是看效果。我们模拟一段SenseVoice-Small可能识别出的原始文本然后展示经过纠错和标点恢复后的样子。场景模拟一段关于项目讨论的会议录音。4.1 原始识别文本模拟好的我们明天上午十点在中关村软件员开会讨论下一阶段的算法模型优化方案尤其是卷机神经网络部分的参数调整需要大家提前看一下相关文献另外关于预算的申请流程我已经发到工作群了请大家查收存在的问题无任何标点阅读困难。存在同音错误“软件员”应为“软件园”“卷机神经网络”应为“卷积神经网络”。4.2 第一步文本纠错后我们使用结合规则和深度学习模型的纠错方法进行处理。好的我们明天上午十点在中关村软件园开会讨论下一阶段的算法模型优化方案尤其是卷积神经网络部分的参数调整需要大家提前看一下相关文献另外关于预算的申请流程我已经发到工作群了请大家查收变化“软件员” → “软件园”“卷机神经网络” → “卷积神经网络”假设“发”在上下文中是合适的未做修改4.3 第二步标点恢复后将纠错后的文本送入标点预测模型。好的我们明天上午十点在中关村软件园开会讨论下一阶段的算法模型优化方案尤其是卷积神经网络部分的参数调整需要大家提前看一下相关文献。另外关于预算的申请流程我已经发到工作群了请大家查收。4.4 对比分析处理阶段文本示例可读性专业度原始识别好的我们明天上午十点在中关村软件员开会...极差需手动断句有错别字低存在明显错误仅纠错好的我们明天上午十点在中关村软件园开会...较差无标点但错误已修正中等内容准确但格式不佳完整后处理好的我们明天上午十点在中关村软件园开会...优秀符合书面语习惯无歧义高内容准确格式规范可以看到完整的后处理流程将一段“生硬”的机器转写变成了可直接用于会议纪要或邮件发送的规范文本。标点符号的加入划分了意群使信息层次分明纠错功能修正了关键术语确保了信息的准确性。5. 实践建议与总结在实际项目中集成这些后处理技巧时我有几点建议供你参考。关于纠错模型的选择如果业务场景中的错误类型相对固定如特定领域的专有名词可以优先建立规则库快速见效。对于通用场景或追求更高准确率建议采用成熟的深度学习纠错模型如ERNIE-CSC。可以考虑将两者结合规则处理高频错误模型处理复杂错误。关于标点预测目前开源社区和云服务提供商都有不错的标点预测模型。选择时除了看准确率还要关注其支持的标点类型是否支持问号、感叹号、顿号等以及推理速度。对于实时字幕等场景速度至关重要。流程串联通常的 pipeline 是语音识别 - 文本纠错 - 标点恢复。纠错应在标点恢复之前因为错误的词汇可能影响标点位置的预测。整个流程可以封装成一个服务对上游提供干净的文本输出。效果评估不要只看字错误率CER更要关注句错误率SER和主观听感。后处理的最终目标是提升可读性和用户体验可以找一些真实用户看看他们是否觉得处理后的文本更易读、更舒服。回过头看SenseVoice-Small提供了高质量的识别基础而文本纠错和标点恢复这两项后处理技巧则是将“原材料”加工成“成品”的关键工序。它们一个负责“校对”一个负责“排版”共同把机器识别的文本打磨得更像人写出来的样子。这个过程并不神秘其核心依然是让机器更好地理解语言的上下文和结构。当你下次看到一份工整的语音转写稿时或许可以想想这背后除了出色的声学模型可能还有一位默默工作的“文本编辑”呢。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
