STT/ASR在站内已经看到很多推荐了，不过很多是API或者实时服务。 
我的需求是： 

转录时长在1-3小时不等的中文（夹杂英文单词）访谈录音。
不要求实时转录。
区分说话人（通常是2个）。 
- 需要一个交互UI，能够实现：

关联切分的录音到单句。点击可以播放对应单句的语音，便于修改文字。（出于研究目的，不能完全交给机器转录）
能够添加术语、热词表。
简单的规整，如删除语病、语气词等。



去年曾经用过科大讯飞的方案，倒是符合要求，但当时发现讯飞的转录效果不如Gemini 2.5 Pro的多模态转录。虽然后者不方便单句修改，但也凑合用了。现在又要处理一些录音，不知道有没有熟悉这方面的佬推荐一下