本地语音识别模型实测：Qwen3、SenseVoice、Parakeet、Whisper 谁更准更快

这篇不是排行榜。我们把音记AI 里能选到的几类本地语音识别模型，放在同一套音频上跑了一遍，记录它们错了多少字、花了多长时间。语料、评分方法、图表和原始结果都公开在本站上，任何一个数字你都可以自己复算。

如果你只想知道「中文用哪个、英文用哪个」，看下一节就够了。想知道这些数字靠不靠得住，请读完「我们怎么测的」和「局限」两节。

先说结论

这些建议只对「干净、语速正常的单人或双人语音」成立。会议噪声、电话音、口音和中英混说，这次都没有测。

什么是字错率、词错率和 RTF

词错率（WER） 用于英文：把模型输出和标准稿逐词对齐，数出替换、漏掉、多出来的词，除以标准稿总词数。WER 2% 大约等于每 100 个词错 2 个。

字错率（CER） 用于中文：中文没有空格分词，按词算会失真，所以按字算。计算前去掉标点和空白，英文字母统一转小写。

RTF（实时率） 是转录耗时除以音频时长。RTF 0.1 表示 1 小时的音频大约 6 分钟转完；RTF 小于 1 才跟得上实时。RTF 只在同一台机器、同一类推理方式下可比。

我们怎么测的

两类模型，两种跑法

音记AI 的本地模型分成两类，跑法不同，所以分开测、分开列表，不能放在一张表里排名次：

• Qwen3-ASR、SenseVoice、Parakeet、Cohere Transcribe、FireRed、Moonshine、Zipformer：在应用里始终用 CPU 推理。
• Whisper（Base / Small / Large-v3 Turbo）：支持 GPU 加速。Mac 用系统自带的 GPU 加速，Windows 可以选 Vulkan 或 CUDA。

正因为一条走 CPU、一条走 GPU，同样的音频上 Whisper 的耗时不能和非 Whisper 模型直接横比。

语料

一共 5 段音频，参考稿随音频一起提供：

有一点必须先说清楚：多数语料是合成语音，发音清晰、没有噪声。这类音频比真实会议容易得多，所以下面的错误率普遍偏低，只适合比较模型之间的相对差距，不代表你的录音能达到同样水平。

中文只有一段，约 310 个有效字。字错率 1% 大约就是错 3 个字，两个模型差 1% 可能只是差了三个字。

评分规则

• 参考稿里有汉字、假名或韩文时，用字错率；否则用词错率。
• 比对前统一规范化：全角转半角，统一大小写，去掉标点和符号，保留各语言的字母和数字（é、ü 这类字母不会被删掉）。
• 英文数字写法统一：twenty five 和 25 算同一个词，1,000 和 1000 相同，3.5 和 three point five 相同。
• 字错率：汉字、假名、韩文逐字比对，夹在中文里的英文单词和数字按整词比对，避免一个英文单词被拆成多个字母、稀释错误率。
• 没有处理的差异：中文数字和阿拉伯数字（二十五和 25）、繁体和简体，这两类会被算成错字。
• 每段音频还会记录插入率、删除率、替换率和重复率。重复率只统计转录结果里比参考稿多出来的紧邻重复（1 到 4 个词或字的循环），参考稿本来就有的重复不算。
• 切段方式与应用内文件转录保持一致；Whisper 在 Mac 上会并行解码，多路字幕行的到达顺序不等于时间顺序，评测按时间轴重排、夹紧重叠后再拼成全文，否则错误率会被顺序错乱抬到几十个百分点。

不支持某种语言的模型不会被强行测试。Parakeet、Moonshine 和英文 Zipformer 不覆盖中文，所以只有 4 段英文结果。Whisper Large-v3 和当时的中文社区微调版因两台机器都没有对应模型被跳过（中文微调版现已在应用内下架）。

硬件与参数

Mac 是笔记本芯片、Windows 是台式机，两台机器的绝对耗时没有可比性，只适合看同一台机器内部的相对差距。

体积按 1 GB = 1024 MB 计，与应用内「下载体积」的十进制显示会差几个百分点。

英文结果

Windows 一列里，Whisper 的两个数字是「Vulkan / CUDA」两个后端的结果；其它模型只有一个后端，所以是单个数字。

怎么读这张图：

• 英文最准的一档是 Qwen3-ASR、Cohere、Parakeet、Whisper Small 和 Whisper Large-v3 Turbo，两台机器上的错误率都在 1.6%～3.3%。4 段英文一共只有约 1500 个词，这一档之间差的就是十几个词，不必太在意排名。
• Whisper 的三个尺寸在两台机器上都胶着：Mac 上 Base 3.55%、Small 2.17%、Turbo 2.41%；Windows 上 Base 3.11%～3.94%、Small 2.01%～2.75%、Turbo 2.69%～3.28%。排名随机器略有浮动，属于「参数更多不等于这段语料更准」的典型。
• Moonshine 和 Zipformer 快得多，但错误率是第一档的 1.7 到 5 倍。适合要尽快拿到草稿的场合。
• FireRed 主要为中文设计，英文表现不是它的强项。
• Whisper 的数字来自 GPU，其它模型来自 CPU，RTF 不能直接横比。

中文结果

Windows 一列里，Whisper 的两个数字是「Vulkan / CUDA」两个后端的结果；其它模型只有一个后端，所以是单个数字。

这段中文约 310 个字，换算成错字数会更直观：0.33% 约 1 个字，0.66% 约 2 个字，1.97% 约 6 个字，2.63% 约 8 个字，7.89% 约 24 个字。

• Whisper Large-v3 Turbo 在 Mac 上只错了 1 个字左右；Qwen3-ASR 两台机器都是约 2 个字。
• SenseVoice 和中英 Zipformer 多错四五个字，但速度快 4 到 5 倍（Mac 上 1.8 秒对 4.8～8.4 秒）。中文访谈要人工校对，这笔账通常算它们划算。
• Whisper Base 在 Windows Vulkan 下输出后半段混入繁体（「確實」「覺得」这类），评测不转换繁简，18.09% 几乎全是繁简差异；同一模型在 CUDA 下是 2.63%，与 Mac 一致。同一模型只换一个 GPU 后端就出现这么大差异，说明小模型的语言稳定性有限——Windows 上建议至少用 Small。
• Whisper Small 在 Windows Vulkan 上是 1.32%（约 4 个字），比 Mac 的 2.96% 还低，属于段落级波动，不要据此下结论。
• Cohere 在英文上属于第一档，到了这段中文却错了约 24 个字，是 Whisper Turbo 的二十多倍。「多语言」不等于每种语言都好，转中文就看中文结果。

速度：换算成你要等多久

CPU 推理的模型（Qwen3-ASR、SenseVoice 等）

Whisper（GPU 加速，Windows 两种后端）

这是按短音频的 RTF 推算的，长音频还会受分段、内存和散热影响，只能当量级参考。另外每次转录都要加载一次模型，短音频的 RTF 里含这块固定开销，所以这里的数字比表格里按语种列的 RTF 略高一点。

Windows 上 CUDA 与 Vulkan 的差距很小（都在 10% 上下），这段测试里 Vulkan 反而略快一点点；如果你在 Windows 上遇到某个后端不稳定，换另一个后端的性能代价并不大。

同一模型在两台机器上的错误率几乎一样（Qwen3-ASR 中文两台都是 0.66%，SenseVoice 中文都是 1.97%），差别主要在速度，说明速度更多取决于机器和推理后端，准确率更多取决于模型。

按场景怎么选

• 中文会议、访谈，事后会人工校对：先用 SenseVoice 或中英 Zipformer。要逐字引用时，再用 Qwen3-ASR 或 Whisper Large-v3 Turbo 重跑关键段落。
• 英文播客、课程：Parakeet、Cohere 和 Qwen3-ASR 都在 2% 上下；更在意速度就用 Whisper Base 或 Moonshine。
• 只要快速草稿：Moonshine（英文）或 Zipformer（中英）。
• Apple 芯片的 Mac：Whisper 有系统 GPU 加速，Base 就够快（1 小时约 1.3 分钟）；要中文逐字准就上 Large-v3 Turbo。
• 有 NVIDIA 显卡的 Windows：Whisper 的 CUDA 与 Vulkan 速度接近，可以按稳定性挑；这段中文上 Vulkan 的错字更少（Small 1.32% 对 CUDA 3.29%），可以先试 Vulkan。
• 内存吃紧的设备：Cohere Transcribe 光模型就 2.7 GB，Qwen3-ASR 接近 1 GB；Moonshine 只有 42 MB。
• 方言、粤语、小语种：这次没有测，请用自己的录音试。

不同模型在应用里的可用范围和套餐有关，以价格页和应用内模型列表为准。

公开榜单为什么不能直接对比

Whisper 论文、Sherpa-ONNX 预训练模型页和 Hugging Face Open ASR Leaderboard 用的是 LibriSpeech、Common Voice 等标准数据集，切分方式和我们这 5 段音频完全不同。榜单上的英文词错率不能拿来和这里的中文字错率比名次。

局限

• 语料只有 5 段，多数是合成语音，中文只有 1 段。
• 没有测会议噪声、远场、电话音、口音和中英混说。
• 除 Whisper 外的模型只测了 CPU：桌面版目前没有为它们启用 GPU 推理。
• Whisper 在两台机器上都只测了 Base / Small / Large-v3 Turbo；Large-v3 和中文社区微调版两台机器都缺少模型，被跳过（中文微调版现已在应用内下架）。
• Whisper Base 在 Windows Vulkan 下的中文输出混入繁体，18.09% 几乎全部来自繁简差异；评测刻意不做繁简转换（见「评分规则」），同一模型在 CUDA 下为 2.63%。
• Mac 和 Windows 是两台不同代际的机器，跨平台速度对比只能看趋势。
• Mac 这一轮是在日常桌面状态下跑的（后台有浏览器、编辑器等任务），速度数字会略低于完全空载的机器；Windows 一轮接近空载。
• 图表由原始数据直接生成、四舍五入到两位小数；要精确比对请看原始 JSON。

自己复现

原始结果（已去掉本机路径、机型标识和转录全文）：

• ml-engine-mac-cpu.json（Mac，非 Whisper 模型）
• whisper-metal-mac.json（Mac，Whisper）
• ml-engine-win-cpu.json（Windows，非 Whisper 模型）
• whisper-vulkan-win.json（Windows，Whisper Vulkan）
• whisper-cuda-win.json（Windows，Whisper CUDA）

图表由这五份 JSON 生成：

• 英文词错率
• 中文字错率
• 1 小时音频耗时

引用本文时，请用 JSON 里的模型标识、语料标识和原始小数定位，不要只抄本文四舍五入后的表格。

常见问题

为什么错误率这么低，和我自己用的感觉不一样？ 因为多数语料是发音清晰的合成语音。真实会议有噪声、抢话和口音，错误率会明显升高。这里的数字适合比较模型之间的差距，不适合预测你的录音效果。

Whisper 和其它模型哪个更好？ 两类模型的实现、硬件和参数都不同，不能直接排名。有 GPU 可加速时 Whisper 很快；纯 CPU 上，SenseVoice 这类模型同样很快，体积还小得多。

Mac 上 Whisper 为什么第一次用很慢？ 系统第一次加载 Whisper 模型时要先把它编译成本机格式，这一步很慢且只发生一次。评测对每个模型先跑一轮丢掉、只记第二轮，避免把编译时间算进耗时；你在应用里第一次用某个模型时也会有同样的等待。

中文为什么不看词错率？ 中文没有天然分词，按词算会让结果失真。字错率按字比对，更接近人工校对时的感受。

怎么在自己的电脑上比？ 挑一段 1 到 3 分钟、最能代表你工作的录音，用两三个候选模型各转一遍，数一下第一分钟的错误，再看耗时。方法详见本地转录工具横评最后的自测步骤。

相关阅读

• 2026 年 Mac 和 Windows 本地语音转文字工具横评
• Whisper 模型怎么选
• 本地转录为什么更安全
• 模型与引擎总览（文档）