用户说一段话，STT 转出来的文字全是口水词、重复、半句话。直接丢给 LLM 当 prompt ，效果很差——模型不是不聪明，是输入质量太低。
但你用 agent 多了会发现，你给 agent 的上下文越多（特别在 Vibe Coding 场景），模型给出的效果越好。而语言输入又比文字输入的效率高 5 倍左右。
试过自己加一层 LLM 做后处理，能用，但延迟加了 1-2 秒，而且 prompt 调来调去很烦。
然后我就自己做了一个 ASR+LLM 的 benchmark 平台， 最后选出了最合适的模型。做了一个类似 typeless 的产品，但这个产品不 2C ，更多的是 2D/2B 。
所以干脆把这层做成了一个独立的 API 服务：Sayd （ sayd.dev ）。核心产品叫 Talk API ，语音进去，直接出 agent-ready 的干净文本。不是单纯的 STT ，而是在转录的同时做了去噪、去口癖、保留意图。
目前跑下来几个数据：
延迟 < 200ms 首字节
支持 60+ 语言，中英混说自动识别
注册送免费额度（ 5 美金），不用绑卡，相当于 40 小时连续对话，日常的话估计可以用个把月了
如果你也在做 AI 硬件、语音助手、Agent 这些方向，欢迎试试，也欢迎提需求和反馈。
链接： https://sayd.dev
