Parroting Journal · 文章

Mac 本機語音辨識模型怎麼選?SenseVoice、Qwen3-ASR、Breeze-ASR、Whisper 比較

在 Mac 上用本機語音輸入,打開設定看到一整排模型:SenseVoice、Qwen3-ASR、Breeze-ASR、Whisper、Parakeet……第一個問題通常是:到底該下載哪一個?這篇整理最常見的幾個模型各自擅長什麼、有什麼限制,以及怎麼用你自己的聲音測出哪一個最準。

· 約 8 分鐘閱讀

繁體中文English简体中文日本語
鸚鵡在 Mac 前面挑選幾個不同大小的語音模型

我是 Sona Orbit,一個人開發學舌鳥的獨立開發者。學舌鳥是我做的免費 Mac 語音輸入工具,可以在 App 裡下載文中提到的模型。比較表的數字來自 transcribe.cpp 公開的評測(中文錯字率用 FLEURS 中文測試集,速度在 M4 Max 上用 GPU 測量),跟學舌鳥的模型說明頁同一份;其他數字都附上官方來源。你的 Mac、聲音和說話內容都會讓結果不同,請當作相對參考。功能說明以學舌鳥 0.4.15 為準。

1. 先看結論:依你的說話習慣挑

  • 想要快、檔案小,日常主力:SenseVoice Small(253 MB)。學舌鳥標「推薦」的就是它,舊一點的 Mac 也跑得順。
  • 想要中文更準:Qwen3-ASR 1.7B(1.5 GB),這份清單裡中文錯字最少;想折衷選 Qwen3-ASR 0.6B(850 MB)。
  • 台灣口音、中英夾雜很多:試試 Breeze-ASR-25(1.2 GB)。聯發創新基地針對台灣華語和中英夾雜調整,但是清單裡最慢的一個。
  • 幾乎只講英文:可以看 Parakeet 系列(NVIDIA),英文快又準,但不支援中文。
  • 想用自己的錄音訓練專屬模型:目前開源的 parroting-asr-training 工具包是針對 SenseVoice Small,做法見上一篇。

2. 比較表:大小、速度、中文錯字率

模型開發者下載大小中文錯字率
(越低越準)
速度
(越高越快)
語言
SenseVoice Small阿里巴巴 FunAudioLLM253 MB10.1%267×中、粵、英、日、韓
Qwen3-ASR 0.6B阿里巴巴 Qwen850 MB7.6%69×30 種
Qwen3-ASR 1.7B阿里巴巴 Qwen1.5 GB7.1%41×30 種
Fun-ASR Nano阿里巴巴 FunAudioLLM891 MB8.6%78×中、英、日
Fun-ASR Nano Multilingual阿里巴巴 FunAudioLLM891 MB7.3%70×31 種
Breeze-ASR-25聯發創新基地1.2 GB8.1%22×中、英(台灣華語)
Whisper Large v3 TurboOpenAI886 MB8.5%44×約 100 種

兩個看表時要注意的地方:

  • FLEURS 是朗讀新聞稿,而且答案以簡體為準。SenseVoice 在這裡錯字率最高,但日常短句的體感未必差這麼多;Breeze-ASR-25 擅長的台灣口音和中英夾雜,這份測試也量不太出來。
  • 速度差距很大。SenseVoice Small 比 Breeze-ASR-25 快了十倍以上。一句話放開按鍵後等多久,就是從這裡來的。

3. 語音輸入在意的,跟跑分不一樣

網路上的評測多半拿標準資料集在伺服器顯卡上跑分。但在 Mac 上按住快捷鍵講話,你在意的是三件事:

  1. 放開按鍵後,字多快出來?等 0.2 秒和等 2 秒,體感完全不同。
  2. 講台灣中文夾雜英文術語時,會不會變成同音怪字,或冒出簡體?
  3. 檔案多大、占多少記憶體?8 GB 的 Mac 同時開很多 App 時,這點很重要。

前幾年 Mac 上的本機語音轉文字工具大多用 OpenAI 的 Whisper。拿它當日常中文輸入法,常見的困擾有:要準就得用大模型、講完要等;輸出偶爾混進簡體字;遇到一段安靜或雜音時,可能冒出「謝謝觀看」這類沒說過的字(Whisper 的「幻覺」)。這也是 SenseVoice、Qwen3-ASR、Breeze-ASR-25 這幾個針對中文的模型越來越常被拿來用的原因。

4. SenseVoice Small:快,日常主力

SenseVoice Small 是阿里巴巴 FunAudioLLM 開源的模型。它最大的不同是「非自迴歸」設計:不是一個字接一個字往下猜,而是一次把整段話對應的字算出來。官方說明寫它比 Whisper-Small 快 5 倍以上、比 Whisper-Large 快 15 倍。

  • 體感:按住快捷鍵講完一句放開,字幾乎馬上貼到游標位置。
  • 語言:中、粵、英、日、韓五種,會自動判斷你說的是哪一種。
  • 短處:中文錯字比大模型多一些;輸出以簡體為主;沒見過的人名和英文新詞(例如 Gemini、Claude)有時會挑錯同音字。

學舌鳥在它後面加了本機處理來補短處:自動轉成繁體(台灣用字)或簡體、補標點和中英文之間的空格,再用讀音比對的個人詞典固定常聽錯的詞。

鸚鵡按下按鍵,話一說完字就飛進筆電

5. Qwen3-ASR:中文最準的一組

Qwen3-ASR 是阿里巴巴 Qwen 團隊的語音辨識模型,官方說明建立在 Qwen3-Omni 的聲音理解能力上,支援 30 種語言,加上 22 種中文方言與口音(例如粵語的香港與廣東口音、吳語、閩南語)。

  • 準:在比較表裡,1.7B 的中文錯字率最低(7.1%),0.6B 也有 7.6%。
  • 0.6B 還是 1.7B:當作隨時呼叫的輸入法,0.6B(850 MB)在速度和準確度之間比較平衡;1.7B(1.5 GB)更準,但比較慢、也比較吃記憶體。
  • 適合:口音較重、說話快、或會混用多種語言的人。

同一家的 Fun-ASR Nano(891 MB)是另一個選擇:中文錯字率跟 Qwen3-ASR 0.6B 接近,Multilingual 版支援 31 種語言。

6. Breeze-ASR-25:台灣華語與中英夾雜

如果你平常講話是「這個 PR 的 logic 有點問題,你幫我 check 一下 API 的 response」這種風格,很多通用模型會在中英切換的地方出錯。Breeze-ASR-25 是聯發創新基地(MediaTek Research)以 Whisper Large-v2 為基礎,針對台灣華語和中英夾雜調整的開源模型。

官方模型卡跟原版 Whisper Large-v2 比較的詞錯誤率:

測試集內容Whisper Large-v2Breeze-ASR-25變化
CommonVoice16-zh-TW台灣華語9.847.97−19%
ASCEND-MIX中英夾雜21.0116.38−22%
CSZS-zh-en中英夾雜29.4913.01−56%

中英夾雜的進步最明顯。但在長篇的台灣華語錄音(Formosa 系列測試)上,進步只有 0~9%,其中一項還略差。

代價:它本質上還是 Whisper 大模型,是清單裡最慢的一個(速度 22×,SenseVoice Small 是 267×)。如果你習慣講兩三秒就放開,等待感會比較明顯;如果你常一次講一大段中英夾雜的內容,例如會議筆記或技術討論,就值得試試。

鸚鵡聽著中英文交錯的對話泡泡,把它們整齊排成一行

7. Whisper 與 macOS 內建聽寫

Whisper:OpenAI 的多語模型,語言最多(約 100 種)。Large v3 Turbo(886 MB)中文錯字率 8.5%,準確度不錯,但比 SenseVoice 慢很多;為了快改用 Small 或更小的版本,中文錯字會明顯變多。輸出偶爾混進簡體,安靜時也可能出現幻覺字。

macOS 內建聽寫:免安裝、偶爾講一兩句很方便(Apple 說明)。但在 Apple 的功能清單裡,「華語(台灣)」不在裝置端辨識的語言中,聲音會交給 Apple 的伺服器處理;它也不能換模型、沒有個人詞典。

8. 花 2 分鐘,用你自己的聲音實測

跑分用的是別人的聲音、別人念的稿。每個人的語速、麥克風距離、常講的詞都不同,錯字率最低的模型,不一定最聽得懂你。學舌鳥把這個測試做成內建功能:

  1. 念幾輪朗讀錄音:設定 → 個人化訓練 →「朗讀錄音」。一輪 10 句、約 2 分鐘,每句念完就標出聽錯的字,一輪結束告訴你錯字率。每 5 句會留 1 句當考卷,所以想比較模型,建議多念幾輪,讓考卷多一點句子。
  2. 下載想比較的模型:設定 → 說話 → 語音模型與語言 →「管理模型」,例如 SenseVoice Small、Qwen3-ASR 0.6B、Breeze-ASR-25。
  3. 用同一份考卷比:按「管理模型」視窗最上面的「用你的朗讀錄音測一下」,就能看到每個模型在你的聲音上的錯字率。

很快就能知道:在你的麥克風和口音下,253 MB 的 SenseVoice Small 是不是已經夠準,還是換大模型真的少錯很多。

鸚鵡對著麥克風念稿,旁邊幾個模型的成績卡並排比較

9. 選好模型後,剩下的錯字怎麼修

不管選哪一個,通用模型都不認識你新同事的名字或公司內部的專案代號。建議的組合是:

  1. 快的模型打底:日常用 SenseVoice Small 或 Qwen3-ASR 0.6B,按住講、放開就貼上。
  2. 固定的錯交給個人詞典:貼上後把人名或術語改對,學舌鳥會比對讀音放進確認清單,按「加入詞典」下一句就生效,不開 AI 也有效。
  3. 口語贅字交給選用的 AI 整理:常講「呃、那個、不對改成三點半」的話,可以開 AI 整理,用 Apple Intelligence 或免費的 Gemini key。

想再往下壓錯字,可以看上一篇:從詞典到專屬語音模型的三層解法。

10. 常見問題

在學舌鳥裡下載和切換這些模型要付費嗎?

不用。學舌鳥免費,清單裡的模型都能在 App 裡直接下載、隨時切換,沒有字數或分鐘數限制。各模型由各自的開發者以開源授權發佈,使用前可以先看授權。

下載很多模型,會一直占用記憶體嗎?

不會。下載的模型只占硬碟空間;只有正在使用的那一個會放進記憶體,閒置一段時間後也會釋放(之後第一次說話約多等 0.1~0.4 秒)。不用的模型可以在「管理模型」裡刪除。

8 GB 記憶體的 Mac 建議選哪一個?

先用預設的 SenseVoice Small(253 MB),占用少、反應最快;想要更準可以試 Qwen3-ASR 0.6B(850 MB)。Breeze-ASR-25 和 Qwen3-ASR 1.7B 比較大,同時開很多 App 時比較吃記憶體。

中文錯字率最低的是哪一個?

在 transcribe.cpp 的 FLEURS 中文評測裡是 Qwen3-ASR 1.7B(7.1%)。但這是朗讀新聞稿的成績,台灣口音和中英夾雜不一定一樣,建議用朗讀錄音測你自己的聲音。

為什麼不用 macOS 內建聽寫就好?

偶爾講一兩句簡短中文,內建聽寫最省事。但「華語(台灣)」的聲音會交給 Apple 的伺服器處理,也不能換模型、不能用個人詞典。

← 返回文章列表