课程项目中负责WeNet与Whisper的微调实验：用Python编写数据预处理与特征对齐脚本，在Git管理下维护训练配置与日志，对比不同学习率与解码策略对识别效果的影响；与两名同学分工完成评测，在课程提供的5小时公开测试集上使字错率相对基线下降约3个百分点，并输出实验报告与复现说明。此外补充了FunASR在相同数据上的对照实验，记录各框架在推理速度与内存占用上的差异，形成可复用的实验记录与调参建议。

个人项目面向离线语音指令场景，基于Kaldi完成特征提取与声学模型训练流程复现，再用Python脚本做数据增广与结果统计；在Docker中封装推理环境，在自录10类指令、每类50条样本上测试，识别准确率约92%，并整理误识别案例、分析噪声与口音影响，提出后续优化方向与复现步骤。同时用C++编写轻量特征前处理模块，在Linux下验证端到端推理耗时，记录各环节瓶颈以便后续优化。