这是我第一次尝试完全依靠 AI 编程工具，从零到一开发一款产品。整个过程中，我自己一行代码都没有写。
转写模型使用的是 Qwen ASR，GPU 算力来自 Vast.ai。Vast.ai 的消费级 GPU 虽然价格便宜，但想把它做成稳定、可靠的在线服务，并不是一件容易的事。
为了兼顾成本与服务稳定性，我借助 Codex 放弃了官方的 Serverless 方案，从零构建了一套 GPU 实例调度系统。
这个过程中踩了很多坑，但非常值得。如果没有 AI 的帮助，我估计至少需要 3 个月才能把这件事做好，而现在只用了不到两周------当然，对很多大佬来说，这个速度可能依然不算快。
接下来，郑重向大家介绍一下我的新产品：PennyScribe。
PennyScribe 是一款面向 AI Agent 和开发者的音频转写服务，可以将音频、视频中的语音快速转换为结构化文本，再交给 Agent 完成内容总结、知识提取、信息检索和自动化处理。
如果你曾经让 ChatGPT 或 Claude Code 处理音频转写任务，可能会发现它们经常需要先下载并运行 Whisper。这不仅会让处理时间变得漫长，还可能因为设备性能不足或网络问题而中断。
这时，一个对 Agent 友好的云端语音转写服务就能派上用场。尤其是在需要批量处理大量音频时，云端多台 GPU 并行处理的优势会更加明显。
在测试过程中，我发现 Qwen ASR 的文本转写效果非常出色，但 Qwen ForcedAligner 生成时间戳的效果并不理想。去除背景音乐和环境噪声后会有所改善，但这也会增加处理流程的复杂度和计算成本。
因此，PennyScribe 现阶段决定先专注于一件事：把语音转写成高质量的纯文本。
虽然它暂时不适合视频字幕制作，但如果你需要将访谈、播客、通话或课程录音转换成干净的多语言文本，再交给应用程序或 AI 工作流继续处理，那么 PennyScribe 会是一个非常合适的搭档。
PennyScribe 提供 CLI、API 和 MCP，对 AI Agent 原生友好。
这也是我对未来新产品形态的一点思考：产品不仅要方便人使用，也应该让 AI 能够轻松发现、理解和调用，而不是把所有能力都封闭在 UI 里。
目前，GPU 调度效率和转写吞吐量仍有很大的优化空间。接下来我会继续优化架构、降低成本，并进一步压缩最终价格。
当然，我也不确定这件事是否还有足够大的商业空间------毕竟市面上已经有很多成熟的语音转写产品。但我依然想把它做出来，看看一个真正面向 AI Agent 设计的转写服务，能够走多远。