这是我第一次尝试完全依靠 AI 编程工具，从零到一开发一款产品。整个过程中，我自己一行代码都没有写。

转写模型使用的是 Qwen ASR，GPU 算力来自 Vast.ai。Vast.ai 的消费级 GPU 虽然价格便宜，但想把它做成稳定、可靠的在线服务，并不是一件容易的事。

为了兼顾成本与服务稳定性，我借助 Codex 放弃了官方的 Serverless 方案，从零构建了一套 GPU 实例调度系统。

这个过程中踩了很多坑，但非常值得。如果没有 AI 的帮助，我估计至少需要 3 个月才能把这件事做好，而现在只用了不到两周——当然，对很多大佬来说，这个速度可能依然不算快。

接下来，郑重向大家介绍一下我的新产品：PennyScribe。

PennyScribe是一款面向 AI Agent 和开发者的音频转写服务，可以将音频、视频中的语音快速转换为结构化文本，再交给 Agent 完成内容总结、知识提取、信息检索和自动化处理。

在音频转写场景里，依赖 ChatGPT 或 Claude Code 这类工具往往面临一个尴尬的瓶颈：它们通常得先下载并跑通 Whisper 模型才能干活。这一过程不仅让处理周期被拉长，设备性能瓶颈或网络波动更是随时可能导致任务中断，体验颇为割裂。

这时，一个对 Agent 友好的云端语音转写服务就能派上用场。尤其是在需要批量处理大量音频时，云端多台 GPU 并行处理的优势会更加明显。

实测下来，Qwen ASR 的转写质量确实在线，但 Qwen ForcedAligner 在时间戳生成上却稍显乏力。虽然剥离背景音乐和环境噪声能带来一定改善，但这无疑会推高处理流程的复杂度与计算成本。

因此，PennyScribe 现阶段决定先专注于一件事：把语音转写成高质量的纯文本。

虽然它暂时不适合视频字幕制作，但如果你需要将访谈、播客、通话或课程录音转换成干净的多语言文本，再交给应用程序或 AI 工作流继续处理，那么 PennyScribe 会是一个非常合适的搭档。

PennyScribe 提供 CLI、API 和 MCP，对 AI Agent 原生友好。

这也是我对未来新产品形态的一点思考：产品不仅要方便人使用，也应该让 AI 能够轻松发现、理解和调用，而不是把所有能力都封闭在 UI 里。

目前，GPU 调度效率和转写吞吐量仍有很大的优化空间。接下来我会继续优化架构、降低成本，并进一步压缩最终价格。

当然，我也不确定这件事是否还有足够大的商业空间——毕竟市面上已经有很多成熟的语音转写产品。但我依然想把它做出来，看看一个真正面向 AI Agent 设计的转写服务，能够走多远。

《夸克》非常好用的免费AI浏览器

下载APP查看