Whisper 模型怎么选：音记AI模型指南
音记AI 的本地转录可选多档 Whisper 模型。这篇按应用内实际提供的模型，讲清楚 Tiny 到 Large-v3 Turbo、英文专用版、中文社区版和量化版怎么选，不同套餐能用哪些，以及怎样用自己的录音做对比。
先说结论
- 不知道选什么：先用 Small。
- 想要更准、电脑还不错：用 Large-v3 Turbo。
- 电脑比较老，或者只想快速看一眼内容：用 Tiny 或 Base。
- 只处理英文：可以比较英文专用版（带 English 后缀）和多语言版。
- 中文为主：可以试 Large-v3 中文，或者 SenseVoice、Qwen3-ASR 这类非 Whisper 模型。
下面是理由和细节。
官方模型一览
音记AI 的文件转录使用多档 Whisper 模型。以下文件大小来自应用内的模型配置：
| 模型 | 文件大小 | 适合场景 |
|---|---|---|
| Tiny | 80MB | 快速预览、老款电脑、确认音频能不能转 |
| Base | 150MB | 短音频、临时笔记 |
| Small | 500MB | 日常会议、课程、访谈的起点 |
| Medium | 1.5GB | 更看重准确率、音频条件复杂 |
| Large-v2 | 2.9GB | 需要和旧版结果保持一致时 |
| Large-v3 | 3.1GB | 质量优先、长期保存的材料 |
| Large-v3 Turbo | 1.6GB | 接近大模型的效果，速度更快 |
Tiny、Base、Small、Medium 还各有一个英文专用版，文件大小相同。
文件大小不等于运行时占用的内存或显存。实际速度还取决于电脑、加速方式、线程数、音频长度和音频质量。
社区模型
Pro 套餐还可以用一批社区模型：
| 模型 | 文件大小 | 特点 |
|---|---|---|
| Large-v3 中文 | 3.1GB | 中文社区微调版，中文准确率最高 |
| Large-v3 Turbo Q5 | 547MB | Large-v3 Turbo 的量化版，体积小很多 |
| Distil Small / Medium / Large-v2 英文 | 336MB 到 1.52GB | 蒸馏版英文模型，更快 |
| Distil Large-v3 | 1.52GB | Large-v3 的蒸馏版（实际下载的是 distil-large-v3.5，仅支持英文） |
量化版（Q5）用更低的数值精度存储模型，体积和内存占用更小，准确率可能略有下降。值不值得，用自己的录音比一下最清楚。
来源：Large-v3 中文来自 BELLE-2/Belle-whisper-large-v3-zh；Large-v3 Turbo Q5 来自 whisper.cpp 官方模型仓库；Distil 系列来自 distil-whisper。
不同套餐能用哪些
| 套餐 | 可用的 Whisper 模型 | GPU 加速 |
|---|---|---|
| 免费版 | Tiny、Base、Small（含英文版） | 不可用 |
| Standard | 全部 11 个官方模型 | 可用 |
| Pro / 终身版 | 官方模型加全部社区模型 | 可用 |
以价格页和应用内提示为准。
各档模型怎么用
Tiny：快速试水。 准确度不适合正式校稿，但资源占用低，适合先确认音频能不能转、语言识别对不对。
Base：轻量任务。 比 Tiny 好一档。干净的短音频可以用；嘈杂、口音重、术语多的录音，建议升级到 Small 或 Medium。
Small：大多数人的起点。 文件大小适中，适合日常会议、课程和访谈。主要的取舍是复杂音频下可能漏掉细节。
Medium：追求准确率。 适合背景噪声多、多人对话的录音。代价是更慢、占用更多资源。
Large-v3：质量优先。 适合「转一次、长期保存」的材料，比如访谈归档、研究资料。
Large-v3 Turbo：大多数情况下的更优解。 文件只有 Large-v3 的一半左右，速度更快，适合想要大模型效果、又不想等太久的人。
让应用按你的电脑推荐
首页顶部有「性能检测」。它用一段约 35 秒的英文样本，分别跑一次 Whisper Base 和一个轻量实时模型，记录转录速度、错误率和 CPU、GPU 占用，再结合你的硬件（芯片、显卡、显存、内存）给出建议：
- 加速方式：Apple Silicon 用 Metal，NVIDIA 显卡用 CUDA，AMD 独立显卡用 Vulkan；Intel Mac、只有核显的 Windows 电脑和虚拟机用 CPU。如果 GPU 实测反而很慢，会退回 CPU。
- 文件转录用哪个 Whisper：只在 Tiny、Base、Medium、Large-v3 里挑。两项实测都表现很好、并且走 GPU 时，才会推荐 Medium 或 Large-v3（显存、内存、芯片代际越高越倾向 Large-v3）；多数电脑会推荐 Base；实测吃力的电脑推荐 Tiny。
- Whisper 还是轻量模型：如果轻量模型在你的电脑上明显更快、错误率又差不多，文件转录会改为推荐它。实时转录则相反，只有 Whisper 在你的电脑上又快又准、CPU 也不吃紧时才推荐 Whisper，否则推荐轻量实时模型。
检测完可以点「应用推荐配置」一键套用。之后在模型列表里，推荐的模型会带「推荐」标记，明显超出电脑能力的 Whisper 模型会有提醒。推荐的模型不在你的套餐里时，选套餐内最接近的一档。推荐只是起点，最终还是用自己的录音试一下。
硬件建议
Apple Silicon Mac（M1 及以后）。 优先从 Small 或 Large-v3 Turbo 开始。经常处理长录音的话，先用同一段样本在本机测一下，再决定是否长期用 Medium 或 Large-v3。
Windows 加 NVIDIA 显卡。 在付费套餐里开启 GPU 加速，可以选 CUDA 或 Vulkan。CUDA 对驱动和显卡型号有要求，详见 NVIDIA 显卡与 CUDA 兼容性。
没有独立显卡的电脑。 优先 Tiny、Base、Small。更大的模型能跑，但等待时间可能超出你的接受范围。Standard 及以上也可以试 SenseVoice 或 Moonshine 这类非 Whisper 模型，它们在 CPU 上就很快。
GPU 设置的详细说明见 GPU 转录文档。
实测数据
我们已经把 Whisper 的各个尺寸和本地其它模型放在同一套语料上跑过一轮，完整数据见本地语音识别模型实测。要判断哪个模型适合你的录音，最可靠的仍然是用自己的素材比较。
怎么用自己的录音比较
不要把网上某个词错率直接套到自己的场景。口音、噪声、麦克风、码率和专业术语都会影响结果。
- 挑一段 2 到 3 分钟、最能代表你工作的录音。
- 分别用 Small、Large-v3 Turbo 和 Large-v3 转一遍。
- 用同一套标准数前一分钟的错误：错字、漏字、多字。
- 记下每次的耗时，用耗时除以音频时长，得到你电脑上的实时率。
- 选错误能接受、等待也能接受的那个。
多语言和英文专用
如果音频不是纯英文，优先用多语言模型。只处理英文时，可以比较英文专用版和多语言版的效果，英文专用版在一些场景下更稳。
中文为主的用户，除了 Whisper，还可以试 Whisper 之外的本地模型。SenseVoice 速度快、中文效果好（Standard 起），Qwen3-ASR 准确率更高但更慢（Pro）。三类模型的关系见模型与引擎总览。
常见问题
模型下载后放在哪里？ 在应用的模型目录里，可以在设置中管理和删除。不用的模型删掉可以释放空间。
换模型后旧的转录会变吗？ 不会。已完成的转录保持不变，新任务用新模型。
为什么大模型反而错得更多？ 少数情况下，大模型在静音或噪声段会「补出」原文没有的内容。可以开启 VAD 等参数，或换一档模型对比。参数说明见分引擎参数说明。
