transcribe.cpp 最近在 HN 上很火，它是一个开源的本地语音转文字运行工具。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。
我从源码安装，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，我会选 Qwen3-ASR 0.6B；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。
数据集：Google FLEURS 普通话 test split
规模：945 条真人录音，共 3.074 小时
模型：统一使用 Q8_0 量化版本
推理：Metal、逐文件串行、贪心解码
评分：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 7.65% 完全正确 46.5% 速度 10.5×
02 · Fun-ASR Nano 2512
CER 8.59% 完全正确 44.7% 速度 14.0×
03 · SenseVoice Small
CER 10.11% 完全正确 33.3% 速度 57.8×
04 · Moonshine Tiny 中文
CER 13.74% 完全正确 16.5% 速度 23.0×
945 条中出现 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，我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
6.83 Qwen3-ASR 0.6B
7.51 Whisper Large v3 Turbo
7.91 Fun-ASR Nano 2512
9.19 SenseVoice Small
9.22 MOSS Transcribe-Diarize
12.77 Moonshine Tiny 中文
19.18 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
清晰短句，大家差距不大。“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”。
专有名词和中英混读，仍是共同难点。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。
数字格式会影响分数，也影响可读性。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。
小模型的代价很真实。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，我把一条 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。
这里有个边界：仓库提供的是流式 API，CLI 只是把 WAV 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，我会把 Qwen3-ASR 0.6B 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，SenseVoice Small 更实用。多语言、未知语言和成熟生态，则继续考虑 Whisper。
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。
粤ICP备14082021号
免费POC，
零成本试错
