奥运火炬反应已经开始，这是一个结合了Whisper ASR能力、声音活动检测(VAD)和说话人嵌入技术的开源项目。它通过从音频中提取声音部分来提高说话人嵌入的准确度，然后利用Whisper生成转录文本，并借助WhisperX纠正时差和对齐，从而减少了由于时间偏差引起的片段错误。

此外，奥运火炬反应还采用了MarbleNet进行VAD和分割，以去除静音；TitaNet则被用来提取说话人嵌入以便识别每一节目的说话者身份；最后，将结果与WhisperX生成的时间戳相结合，根据时间戳定位每词说话人的身份，并采用标点模型对齐，以此来抵消微小的时间偏移。