千问的音视频识别（手机录音）的收音识别太弱了、听脑做的还行 但是每天只有 20 分钟 ，对于一次 3 个小时的直接寄 ，我看到有用豆包的 有用 gemini 的 ，这些是否自建一个效果咋样 ，需求是 每次开会录音可能 3 个小时 主要是需要第一步录音转文字效果好