语音转文字模型对比与选择方法
我们用 5 种语言的相同音频，测量了本工具可选的 10 个语音转文字模型。错误率是识别错误的比例，处理时间是处理 1 小时音频所需时间的参考值。不确定选哪个模型时，请先看“按语言和设备推荐”。
测量日期：2026年10月29日
按语言和设备推荐
日语
在可使用 WebGPU 的电脑上，Haas-ja v1.0（710 MB）最准确（错误率 5.2%）。处理时间也只有 SenseVoice Small 的约三分之一。在这类电脑上的 Chrome、Edge 中（搭载 Apple 芯片的 Mac 除外），默认使用该模型。在手机和无法使用 WebGPU 的电脑上，请选择默认的 SenseVoice Small（240 MB）。它与 Whisper Large v3 Turbo（1.5 GB）准确率相当，处理时间不到一半。
中文与韩语
中文方面，默认的 SenseVoice Small 比所有 Whisper 模型都更准确。韩语方面，在可使用 WebGPU 的电脑上，Whisper Large v3 Turbo（错误率 5.0%）和 Large v3（4.6%）比 SenseVoice Small（7.9%）更准确。两种语言在可使用 WebGPU 的电脑上，Qwen3-ASR 1.7B 的准确率都与 SenseVoice Small 相当或更高。
英语
在可使用 WebGPU 的电脑上，Whisper Large v3 Turbo（错误率 5.8%）或 Medium（5.7%）就足够准确。最准确的是 Qwen3-ASR 1.7B（4.3%），但首次需下载约 5.2 GB，并占用约 5 GB 显存。在手机上请选择 SenseVoice Small（9.0%）。
西班牙语、德语等其他语言
在可使用 WebGPU 的电脑上，请选择 Whisper Large v3 Turbo。西班牙语中，Turbo（错误率 4.4%）比 Large v3（6.2%）更准确，处理时间也更短。西班牙语最准确的是 Qwen3-ASR 1.7B（4.1%）。在手机和无法使用 WebGPU 的电脑上，请选择 Whisper Small 及以上。
手机
日语、中文、韩语和英语请选择默认的 SenseVoice Small。手机上使用的是 Whisper 的轻量版（8 位），因此 Tiny 的日语错误率超过 70%。其他语言中 Whisper Small 最准确，但处理时间接近音频时长或更长。处理长音频时，也可以选择 Whisper Base。
WebGPU 是浏览器调用 GPU 进行计算的机制，可在电脑版 Chrome、Edge 等浏览器中使用。
打开转写工具各语言的错误率
错误率是识别结果与正确文本相比出错的比例，越小越准确。日语、中文和韩语按字计算，英语和西班牙语按词计算。各语言中错误最少的模型以颜色标出。表中是在可使用 WebGPU 的电脑上运行时的数值。
| 模型 | 日语 | 英语 | 西班牙语 | 韩语 | 中文 |
|---|---|---|---|---|---|
| Haas-ja v1.0 | 5.2% | — | — | — | — |
| SenseVoice Small | 8.6% | 9.0% | — | 7.9% | 7.9% |
| Whisper Tiny | 44.4% | 16.0% | 21.1% | 20.4% | 30.1% |
| Whisper Base | 26.3% | 11.5% | 13.2% | 13.7% | 24.0% |
| Whisper Small | 14.1% | 7.3% | 7.6% | 7.2% | 14.5% |
| Whisper Medium | 8.7% | 5.7% | 5.3% | 5.7% | 9.8% |
| Whisper Large v3 Turbo | 8.9% | 5.8% | 4.4% | 5.0% | 9.9% |
| Whisper Large v3 | 6.9% | 5.6% | 6.2% | 4.6% | 11.5% |
| Qwen3-ASR 1.7B | 8.0% | 4.3% | 4.1% | 5.1% | 7.7% |
| Voxtral Mini 4B | 6.1% | — | — | — | — |
“—”表示在本工具中该语言无法选择该模型。测量使用的是朗读音频，在有噪音的录音或多人对话中，所有模型的错误率都会上升。
处理时间与下载大小
处理时间是在本站测试电脑（AMD Ryzen 7 8745H，集成显卡 Radeon 780M）上转写 1 小时音频所需时间的参考值。下载大小只在首次下载，之后使用保存在浏览器中的模型。
| 模型 | 1 小时音频的处理时间 | 首次下载大小 | 运行环境 |
|---|---|---|---|
| Haas-ja v1.0 | 约 2 分钟 | 〜710 MB | 可使用 WebGPU 的电脑（占用约 1 GB 显存） |
| SenseVoice Small | 约 7 分钟 | 〜240 MB | 电脑、手机（由 CPU 处理） |
| Whisper Tiny | 约 5 分钟 | 〜145 MB | 电脑、手机 |
| Whisper Base | 约 6 分钟 | 〜280 MB | 电脑、手机 |
| Whisper Small | 约 10 分钟 | 〜925 MB | 电脑、手机 |
| Whisper Medium | 约 19 分钟 | 〜650 MB | 建议使用可使用 WebGPU 的电脑（用 CPU 处理 1 小时音频需要数小时） |
| Whisper Large v3 Turbo | 约 16 分钟 | 〜1.5 GB | 建议使用支持 WebGPU 且 GPU 支持 16 位浮点运算（fp16）的电脑（不支持时由 CPU 处理，需要数小时） |
| Whisper Large v3 | 约 23 分钟 | 〜2.0 GB | 支持 WebGPU 且 GPU 支持 16 位浮点运算（fp16）的电脑 |
| Qwen3-ASR 1.7B | 约 19 分钟 | 〜5.2 GB | 可使用 WebGPU 的电脑（占用约 5 GB 显存） |
| Voxtral Mini 4B | 约 50 分钟 | 〜2.9 GB | 支持 WebGPU 且 GPU 支持 16 位浮点运算（fp16）的电脑（占用约 5 GB 显存；集成显卡需 16 GB 以上内存） |
在配备 GeForce 等独立显卡的电脑上会更快，在较旧的电脑上会更慢。SenseVoice Small 不使用 GPU，由 CPU 处理。
手机和无法使用 WebGPU 的电脑
在手机和无法使用 WebGPU 的电脑上，会用 CPU 运行 Whisper 的轻量版（8 位）。错误率比在电脑 GPU 上运行时更高，尤其是 Tiny 会明显变差。
| 模型 | 日语 | 英语 | 西班牙语 | 韩语 | 中文 | 1 小时音频的处理时间 | 首次下载大小 |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8.6% | 9.0% | — | 7.9% | 7.9% | 约 7 分钟 | 〜240 MB |
| Whisper Tiny | 70.5% | 28.3% | 31.5% | 30.2% | 51.0% | 约 10 分钟 | 〜40 MB |
| Whisper Base | 31.2% | 12.1% | 14.0% | 15.2% | 25.1% | 约 15 分钟 | 〜75 MB |
| Whisper Small | 14.8% | 7.6% | 7.7% | 7.4% | 14.3% | 约 45 分钟 | 〜240 MB |
处理时间是测试电脑的 CPU（1 个线程）上的数值，手机上会更长。Medium 及以上的 Whisper 用 CPU 处理 1 小时音频需要数小时。
测量结果说明了什么
- 模型越大不一定越准确。Whisper Large v3 在日语和韩语上比 Large v3 Turbo 更准确，但在西班牙语和中文上错误比 Turbo 多，处理时间约为 1.4 倍。
- 在日语和中文上，240 MB 的 SenseVoice Small 与 1.5 GB 的 Whisper Large v3 Turbo 准确率相当或更高（日语 8.6% 对 8.9%，中文 7.9% 对 9.9%）。
- Whisper Medium 的准确率与 Large v3 Turbo 基本相同，下载大小不到一半（650 MB 对 1.5 GB），处理时间约为 Turbo 的 1.2 倍。
- Qwen3-ASR 1.7B 在英语、西班牙语和中文上错误最少。
- 日语错误最少的是 Haas-ja v1.0（5.2%），比 SenseVoice Small（8.6%）错误少约四成。处理时间也只有 SenseVoice Small 的约三分之一。
- 在与手机相同的 CPU 路径上，Whisper Tiny 的错误率大幅上升（日语从 44.4% 升至 70.5%），Small 则几乎不变。
测量方法
- 音频取自 Google 公开的多语言语音识别评测数据 FLEURS（朗读音频）的测试集，每种语言等间隔选取 100 句。
- 使用与本工具相同的程序（transformers.js 4.2.0）、相同的模型轻量化格式和相同的处理（给 Whisper 的初始文本，以及对结果为空的区间重新识别），在浏览器中转写。
- 去除标点、空格以及全角与半角的差异后，与正确文本比较。中文统一为简体字，英语经过 Whisper 评测所用的文本规范化。
- 测试电脑为 AMD Ryzen 7 8745H（集成显卡 Radeon 780M），内存 32 GB，浏览器为 Chromium 153。处理时间不包括模型加载。
- Haas-ja v1.0 和 Voxtral Mini 4B 只测量了日语，SenseVoice Small 只测量了西班牙语以外的 4 种语言（仅限本工具中可选的语言）。Voxtral Mini 4B 在其他模型的前一天、Haas-ja v1.0 在 2026 年 11 月 3 日，用同一台电脑和相同音频测量。
- Qwen3-ASR 1.7B 另用一个模型添加时间戳，因此其处理时间是在本工具的界面中转写日语音频（108 秒）测得的，包含这一步骤。
常见问题
模型越大就越准确吗？
不一定。Whisper 从 Tiny 到 Medium 是越大越准确，但 Large v3 在西班牙语和中文上的错误比 Large v3 Turbo 多。在日语和中文上，小巧的 SenseVoice Small 与 Turbo 准确率相当。
在手机上应该选择哪个模型？
日语、中文、韩语和英语请选择 SenseVoice Small，这也是默认模型。其他语言中 Whisper Small 最准确，但处理较慢，处理长音频时也可以选择 Whisper Base。Tiny 错误较多，不推荐使用。
默认模型是如何决定的？
根据所选语言和设备性能自动决定。日语在电脑上使用 Chrome、Edge 等浏览器、可使用 WebGPU 且内存为 4 GB 以上时为 Haas-ja v1.0（搭载 Apple 芯片的 Mac 除外）。手机、Safari、Firefox 等其他环境中的日语以及中文和韩语为 SenseVoice Small。英语和其他语言会根据 GPU 和内存选择某个 Whisper 模型。英语在会被选为 Whisper Base 及以下的设备（手机、集成显卡电脑等）上，会改为 SenseVoice Small。
会议录音的错误率也一样吗？
不一样。本次测量使用的是一个人朗读的音频，在有噪音的录音或多人对话中，所有模型的错误率都会上升。请将其作为比较模型的参考。
选择模型开始转写
本工具免费使用，无需注册。音频文件在浏览器内处理，不会离开你的设备。
打开转写工具