底层模型清单

中文版仅供参考，以英文版为准 · 更新日期：2026 年 10 月 19 日

没有"先进 AI 大模型"这类含糊话，也没有"专有魔法"。Voxtakes 是一条由具名模型组成的管线——以开源权重为主，全部跑在我们自己的 GPU 上。每一个环节、每一个模型、每一家厂商如下。

管线环节	模型	出品方	运行方式
语音识别（ASR）——源视频转写，以及每句成片的再转写质检打分	Whisper large-v3，运行于 faster-whisper 引擎	OpenAI（开放权重，MIT）；faster-whisper 为社区开源实现	自有 GPU 自托管
翻译（MT）——逐句翻译并强制执行你的术语表	混元 MT 2.0 7B（主路）· MiMo v2.6 flash（备路）	腾讯（混元 MT 系列，开源权重）；小米（MiMo 开源权重 LLM 系列）	两路均经模型 API（OpenRouter / MiMo 直连）调用；其余全部环节自托管
声音克隆与配音（TTS）——按选定音色逐句合成	IndexTTS-2.5 · Chatterbox 多语言版 · MiMo 音色克隆路线	B 站 IndexSpeech 团队（开放权重）；Resemble AI（Chatterbox，MIT）；小米（MiMo 音频）	全部自有 GPU 自托管，按目标语言自动选路线
人声分离——剥离干净人声作克隆参考、重配背景声床	Demucs（htdemucs）	Meta AI（MIT）	自托管，一次分离全语言复用
说话人识别——自动判断每句话是谁说的	ESNet VoiceEncoder（Chatterbox 声纹编码器）	Resemble AI（MIT）	自托管 CPU，全任务约 1 秒
硬字幕擦除——定位并逐帧修复烧录字幕	RapidOCR（PaddleOCR 文字检测）+ STTN 视频修复；升级路线 LaMa	百度 Paddle（Apache-2.0）；STTN、LaMa 为学术开源（MIT / Apache-2.0）	自托管，机器质检复核（擦除后再 OCR 验证零残留）
质量控制——每句成片回听打分后才拼装母版	同一套 Whisper large-v3 再转写评分器 + 逐句术语核验	权重来自 OpenAI；评分与门禁逻辑为我们自研	自托管，内嵌每个任务

你的数据会去哪里

视频、音频、音色参考不经过任何第三方模型 API：ASR、TTS、分离、说话人识别、字幕擦除全部运行在我们租用的 GPU（标准任务：RunPod 美区）与自有 GPU（经济任务：亚洲机房）。唯一离开我们基础设施的模型调用是主路翻译——文本句子经 OpenRouter 调用腾讯混元 MT 2.0 7B，小米 MiMo v2.6 flash 为备用路线。处理方全名单见隐私政策第 5 节，7 天双副本自动删除对所有路线一视同仁。

模型变更

任何一个环节更换模型，本页与当次版本发布同步更新，并在「最近更新」写明。你选择的是能读懂的管线，不是黑箱。