就是把一个长音频，去噪，检测人声后切片，用ASR初步识别出文本 
然后人可以查看每一条结果，手动修改，选择保存方式 
上述每一步都有很好的实现，比如 Silero VAD+whisper，但是自己写太费事了，想问下佬友们有没有推荐的标注工具，带图形界面，导入音频可以直接开干的