语音识别引擎对比
可按说话语言选择识别引擎。“对方语音”也可使用相同本地引擎识别他人的声音。
不知道选哪个时
| 说话语言 | 推荐 |
|---|---|
| 日语 | Parakeet日语TDT或Haas-ja |
| 英语 | Parakeet 英语 |
| 其他语言或需要自动识别语言时 | Qwen3-ASR或Whisper turbo |
| 电脑性能较低时 | Web Speech(云端) |
引擎一览
| 引擎 | 运行位置 | 语言 | 下载 | 耗时占语音时长 | 特点 |
|---|---|---|---|---|---|
| Parakeet日语TDT | 本机 | 日语 | 约1.0GB | 约3.5% | 快速准确,包含标点 |
| Haas-ja | 本机 | 日语 | 约480MB | 约13% | 普通对话略准于Parakeet日语TDT,自行输出汉字与标点 |
| Parakeet英语 | 本机 | 英语及其他欧洲语言 | 约670MB | 约5% | 快,含标点和大小写;不支持日中韩 |
| Qwen3-ASR | 本机 | 日英中韩等52种语言 | 约1.0GB | 约10—20% | 单个模型支持多语言,自动识别语言 |
| Whisper turbo | 本机 | 日英中韩等 | 约1.0GB | 约30% | 自动识别语言,比其他本地引擎耗时更多 |
| Web Speech(Microsoft) | 云端 | 多语言 | 无 | — | 无需模型下载,需要网络,音频发往Microsoft |
| Google(非官方、实验性) | 云端 | 多语言 | 无 | — | 非官方API,可能不经通知停止使用,音频发往Google |
- 本地引擎仅使用CPU,不使用GPU。声音不会发送到电脑外。
- 速度为作者Ryzen 7 7700上的参考值。“约5%”表示10秒语音约需0.5秒识别。
- Haas-ja约13%由既有相对值(约为Parakeet日语TDT的3.6倍),以约3.5%为基准换算并四舍五入。
- 仅Qwen3-ASR和Whisper turbo支持将语言设为自动。
识别合成语音的结果
将Qwen3-TTS和Irodori-TTS生成的相同音频送入各引擎,与原文比较,可用于观察各引擎的倾向差异。
各项为“平均错误率 · 完全匹配句数/30”。错误率越低越准确。
日语(按读音比较)
Parakeet日语TDT的汉字由应用后处理修正,因此此处将双方转为平假名后比较。
| 音频来源 | Whisper turbo | Qwen3-ASR | Parakeet日语TDT | Haas-ja |
|---|---|---|---|---|
| Irodori-TTS | 5.6% · 25/30 | 13.8% · 21/30 | 6.9% · 20/30 | 4.5% · 25/30 |
| Qwen3-TTS | 14.9% · 23/30 | 17.3% · 19/30 | 11.1% · 23/30 | 9.7% · 23/30 |
其他语言(Qwen3-TTS音频)
| 语言 | Whisper turbo | Qwen3-ASR | Parakeet 英语 |
|---|---|---|---|
| 英语 | 2.1% · 27/30 | 0.8% · 28/30 | 2.9% · 25/30 |
| 中文 | 5.4% · 25/30 | 0.3% · 29/30 | 不支持 |
| 韩语 | 2.4% · 27/30 | 4.0% · 24/30 | 不支持 |
| 德语 | 3.9% · 26/30 | 4.4% · 25/30 | 4.7% · 23/30 |
| 西班牙语 | 4.2% · 27/30 | 2.8% · 28/30 | 3.9% · 25/30 |
| 法语 | 6.6% · 24/30 | 6.1% · 27/30 | 2.5% · 26/30 |
| 意大利语 | 6.4% · 24/30 | 11.2% · 21/30 | 5.9% · 21/30 |
| 葡萄牙语 | 6.2% · 26/30 | 7.4% · 24/30 | 6.5% · 21/30 |
| 俄语 | 2.6% · 26/30 | 9.3% · 22/30 | 4.4% · 25/30 |
结果的限制
- 测试使用合成语音而非真人麦克风录音。真实人声、杂音和说话习惯会改变结果。
- 每种语言使用30句AI生成的日常短句,未经母语者确认。
- 日中韩按字符计错,其他语言按单词计错。数字写法(“3”与“三”)和改写也会计为错误。
- 未经过应用的汉字转换、标点修正等后处理。
- 未测试Web Speech和Google云端引擎。