如何嵌入语音识别？返回 JSON {"steps": [2 个以上步骤的列表], "why": "short"}。
语音转文本（STT，speech-to-text）将音频转换为文本，由模型进一步处理。如何嵌入：选择模式 - 流式传输（语音发生时的转录，用于实时对话）或批处理（上传文件 - 接收文本，用于录音）；考虑准确性因素 - 噪音、口音、术语、语言（通常必须明确指定语言）；处理识别错误（STT 会出错，尤其是姓名和数字 - 让用户检查并更正）；将文本传递给法学硕士以了解其含义。 STT 是输入，而不是结束：原始转录几乎总是需要清理或理解。规则：STT 提供文本，但不提供理解 - 模型遵循含义，并通过噪声、语言和错误检查来监控质量。