利用Whisper，模型是使用large-v2
辨識完再做預測文本主要使用以下三種自然語言模型
- T5 : 泛用性高，不需要特別對目標項目做調整，模型本身就有很大量的訓練資料，可以因應各種類型的需求，靈活性比較高，在短的文本中效果較佳。
- MacBERT : 能夠同時考慮一句話中的上下文來進行調整，提高精準度，先在文本上做預訓練，然後在特定目標上進行調整，相較T5可以處理更長的文本，在訓練跟推理上有更大優勢。
- Kenlm：方法速度快，擴展性強，效果一般
此外選出的答案偶爾會有簡體中文，這情況將會利用OpenCC去做簡體轉繁體
找出音檔中每個字的時間戳記，再利用時間戳記去把音檔中每一個字儲存為一個聲音檔案
