大多數希望擁有自研 ASR、TTS 或語音翻譯服務的團隊面臨相同的混亂選擇：將 ESPnet、NeMo、k2 和 HuggingFace 的片段粘合在一起，或將一切交給雲 API 並永遠按分鐘支付費用。Tycho 是一個旨在短路這一決策的工具包——一個單一堆棧，用於微調和自定義最先進的預訓練語音模型，然後評估和部署它們，重點關注投資回報率而不是基準誇耀。

本概述介紹了 Tycho 涵蓋的端到端內容：在精心策劃的數據集上微調 SOTA 基礎模型、使用新功能和適配器自定義它們、運行誠實的評估，以及以在生產流量中可生存的方式部署它們。它還涉及研究導向的路徑——使用參考食譜和論文摘要作為支架，從頭開始訓練您自己的大型語音模型。如果您正在權衡語音產品的構建與購買，或者您厭倦了將四個半維護的存儲庫拼接在一起來交付一個 ASR 端點，本演練是關於現代自研語音堆棧實際上可能看起來如何的有用地圖。