本地语音转文字（ASR）怎么选？我用945 条中文录音实测结果告诉你答案

945条中文录音实测本地ASR模型，从中文质量、体积速度到多语言覆盖，选对工具看这里。

核心内容：

1. 实测背景与方法（测试环境、数据集、模型及评分标准）

2. 四大模型性能对比（中文质量、体积速度、多语言覆盖维度）
3. 不同需求下的模型推荐（中文/体积/多语言优先选项）

模型实测 2026.07 · 硅基斥候S01

。它可以在本地设备上运行 Qwen、Whisper、SenseVoice 等语音识别模型，把音频转换成文字。

这类本地语音转文字能力，可以用来整理会议录音、为会议纪要准备逐字稿，转写访谈、课程和播客，为视频生成字幕，也可以作为桌面软件、手机应用或边缘设备里的本地语音识别底座。

从源码安装，下载 7 个中文或多语言模型，再用同一批普通话录音逐个测试。先给结论：中文质量优先，选

；体积和速度优先，SenseVoice Small 更划算；需要覆盖更多语言，Whisper 仍然是稳妥基线。

为什么它能同时运行这些模型？

transcribe.cpp 更像一个“统一播放器”。Qwen、Whisper、SenseVoice 是不同的语音识别大脑，模型文件需要分别下载；transcribe.cpp 负责用同一套 C/C++ 接口把它们运行起来。

一段音频

↓

transcribe.cpp

↓

Qwen / Whisper / SenseVoice / 其他模型

↓

转写文字

项目名里的 .cpp 是 C++ 源代码常用后缀。它表达的是：这套运行时可以编译成本地程序，嵌入桌面软件、手机应用或边缘设备，不必先启动一个 Python 服务。

测试环境

测试机器是一台 Apple M5、32GB 内存的 Mac。当前主分支从源码编译成功，Metal 和 CPU 后端都能识别，CLI、静态库和公共头文件也都正常生成。

测试口径

Google FLEURS 普通话 test split

945 条真人录音，共 3.074 小时

统一使用 Q8_0 量化版本

Metal、逐文件串行、贪心解码

中文字符错误率 CER，越低越好

完整跑完 945 条，Qwen 排第一

先看四个完整跑完 945 条的模型。结果和项目公开基准几乎重合，说明这次本地安装、模型文件、C++ 推理和评分链路是可信的。

CER 可以理解成“每 100 个字符平均要改多少个”。错字、漏字和多出来的字都会计入。Qwen 的 CER 是 7.65%，粗略说就是每 100 个标准字符约有 7.65 个字符需要修改。

01 · 中文质量第一

Qwen3-ASR 0.6B

CER

　完全正确 46.5%　速度 10.5×

02 · Fun-ASR Nano 2512

CER

　完全正确 44.7%　速度 14.0×

03 · SenseVoice Small

CER

　完全正确 33.3%　速度 57.8×

04 · Moonshine Tiny 中文

CER

　完全正确 16.5%　速度 23.0×

945 条中间出现 5 次生成失败。

Qwen 的模型文件约 811MB，不算轻，但这次中文质量最好。Fun-ASR 紧随其后，速度还更快。SenseVoice 的准确率略低，却只有 241MB，性能差距非常明显。

把 Whisper 当对照组

Whisper、MOSS 等模型串行跑完整集耗时更长。为了保持设置一致，从同一数据集按固定间隔抽了 100 条，让 7 个模型处理完全相同的音频。

七模型共同样本 CER

Qwen3-ASR 0.6B

Whisper Large v3 Turbo

Fun-ASR Nano 2512

SenseVoice Small

MOSS Transcribe-Diarize

Moonshine Tiny 中文

Nemotron 3.5 ASR Streaming

数字单位为百分比，越低越好。100 条样本的置信区间较宽，Qwen、Whisper、Fun-ASR 的区间互相重叠，不能把小数点后的名次写成“碾压”。

至少可以确认一件事：在这批普通话录音里，Qwen 已经和 Whisper 处在同一档，并且本次结果更低。Whisper 的优势还是多语言覆盖和成熟度，不是中文一定更准。

排行榜之外，我还看到了这些问题

“这并不是告别，这是一个篇章的结束，也是新篇章的开始”这句话，六个模型能准确转写。Nemotron 把两处“篇章”写成了“偏章”。

国外地名、人名、长串英文容易被省略或按读音改写。业务里有药名、产品名、客户名，仍然需要热词或后处理词典。

SenseVoice 默认会把“802.11n”写成“八零二点幺幺 n”。启用 ITN 后可以恢复成“802.11N”，更像可交付的书面文本。

33.8MB 的 Moonshine Tiny 确实轻，但会出现重复生成、长句截断和繁简切换。Nemotron 的流式接口跑通了，困难中文句子却偶尔混入泰文字符。

这些模型能在CPU上能跑

SenseVoice 在同一批 100 条音频上，Metal 达到 59.3× 实时，CPU 也有 18.2×。约 19.85 分钟音频，CPU 的纯推理阶段用了约 65.3 秒。

这能证明轻量模型可以在 CPU 上高效工作，但不能推导成所有模型都一样快。Qwen、Whisper、MOSS 的计算路线不同，落到具体机器还得单独测。

流式方面，把一条 10.38 秒录音按 1.12 秒切片喂给 Nemotron。第 3 个音频块后开始出现 partial 文本，最终结果和离线推理一致。

仓库提供的是流式 API，CLI 只是把 WA V 文件分块送进去。它没有现成的麦克风采集、实时字幕界面、静音检测和编辑器。

最后，我会怎么选？

如果产品以中文为主、最终稿质量优先，把

放在第一位。它不是最轻的，但本次 945 条完整测试的错误最少。

如果要在本地快速批量处理，或者希望 CPU 也能轻松跑，

更实用。多语言、未知语言和成熟生态，则继续考虑 。

transcribe.cpp 最有价值的地方，是让这些选择可以放在同一套本地运行时里。它已经能用来做产品底座，但还不是下载后马上能录音转文字的成品软件。

一句话判断

中文质量选 Qwen，轻量高性能选 SenseVoice，多语言选 Whisper。要做本地、隐私和跨平台 ASR 产品，transcribe.cpp 值得进入技术选型名单。

以上就是这次的侦察。