我是 Sona Orbit,一个人开发学舌鸟的独立开发者。学舌鸟是我做的免费 Mac 语音输入工具,可以在 App 里下载文中提到的模型。比较表的数字来自 transcribe.cpp 公开的评测(中文错字率用 FLEURS 中文测试集,速度在 M4 Max 上用 GPU 测量),跟学舌鸟的模型说明页同一份;其他数字都附上官方来源。你的 Mac、声音和说话内容都会让结果不同,请当作相对参考。功能说明以学舌鸟 0.4.15 为准。
1. 先看结论:依你的说话习惯挑
- 想要快、文件小,日常主力:SenseVoice Small(253 MB)。学舌鸟标“推荐”的就是它,旧一点的 Mac 也跑得顺。
- 想要中文更准:Qwen3-ASR 1.7B(1.5 GB),这份清单里中文错字最少;想折衷选 Qwen3-ASR 0.6B(850 MB)。
- 台湾口音、中英夹杂很多:试试 Breeze-ASR-25(1.2 GB)。联发创新基地针对台湾华语和中英夹杂调整,但是清单里最慢的一个。
- 几乎只讲英文:可以看 Parakeet 系列(NVIDIA),英文快又准,但不支持中文。
- 想用自己的录音训练专属模型:目前开源的 parroting-asr-training 工具包是针对 SenseVoice Small,做法见上一篇。
2. 比较表:大小、速度、中文错字率
| 模型 | 开发者 | 下载大小 | 中文错字率 (越低越准) | 速度 (越高越快) | 语言 |
|---|---|---|---|---|---|
| SenseVoice Small | 阿里巴巴 FunAudioLLM | 253 MB | 10.1% | 267× | 中、粤、英、日、韩 |
| Qwen3-ASR 0.6B | 阿里巴巴 Qwen | 850 MB | 7.6% | 69× | 30 种 |
| Qwen3-ASR 1.7B | 阿里巴巴 Qwen | 1.5 GB | 7.1% | 41× | 30 种 |
| Fun-ASR Nano | 阿里巴巴 FunAudioLLM | 891 MB | 8.6% | 78× | 中、英、日 |
| Fun-ASR Nano Multilingual | 阿里巴巴 FunAudioLLM | 891 MB | 7.3% | 70× | 31 种 |
| Breeze-ASR-25 | 联发创新基地 | 1.2 GB | 8.1% | 22× | 中、英(台湾华语) |
| Whisper Large v3 Turbo | OpenAI | 886 MB | 8.5% | 44× | 约 100 种 |
两个看表时要注意的地方:
- FLEURS 是朗读新闻稿,而且答案以简体为准。SenseVoice 在这里错字率最高,但日常短句的体感未必差这么多;Breeze-ASR-25 擅长的台湾口音和中英夹杂,这份测试也量不太出来。
- 速度差距很大。SenseVoice Small 比 Breeze-ASR-25 快了十倍以上。一句话放开按键后等多久,就是从这里来的。
3. 语音输入在意的,跟跑分不一样
网络上的评测多半拿标准数据集在服务器显卡上跑分。但在 Mac 上按住快捷键讲话,你在意的是三件事:
- 放开按键后,字多快出来?等 0.2 秒和等 2 秒,体感完全不同。
- 讲台湾中文夹杂英文术语时,会不会变成同音怪字,或冒出简体?
- 文件多大、占多少内存?8 GB 的 Mac 同时开很多 App 时,这点很重要。
前几年 Mac 上的本机语音转文字工具大多用 OpenAI 的 Whisper。拿它当日常中文输入法,常见的困扰有:要准就得用大模型、讲完要等;输出偶尔混进简体字;遇到一段安静或杂音时,可能冒出“谢谢观看”这类没说过的字(Whisper 的“幻觉”)。这也是 SenseVoice、Qwen3-ASR、Breeze-ASR-25 这几个针对中文的模型越来越常被拿来用的原因。
4. SenseVoice Small:快,日常主力
SenseVoice Small 是阿里巴巴 FunAudioLLM 开源的模型。它最大的不同是“非自回归”设计:不是一个字接一个字往下猜,而是一次把整段话对应的字算出来。官方说明写它比 Whisper-Small 快 5 倍以上、比 Whisper-Large 快 15 倍。
- 体感:按住快捷键讲完一句放开,字几乎马上贴到光标位置。
- 语言:中、粤、英、日、韩五种,会自动判断你说的是哪一种。
- 短处:中文错字比大模型多一些;输出以简体为主;没见过的人名和英文新词(例如 Gemini、Claude)有时会挑错同音字。
学舌鸟在它后面加了本机处理来补短处:自动转成繁体(台湾用字)或简体、补标点和中英文之间的空格,再用读音比对的个人词典固定常听错的词。

5. Qwen3-ASR:中文最准的一组
Qwen3-ASR 是阿里巴巴 Qwen 团队的语音识别模型,官方说明建立在 Qwen3-Omni 的声音理解能力上,支持 30 种语言,加上 22 种中文方言与口音(例如粤语的香港与广东口音、吴语、闽南语)。
- 准:在比较表里,1.7B 的中文错字率最低(7.1%),0.6B 也有 7.6%。
- 0.6B 还是 1.7B:当作随时呼叫的输入法,0.6B(850 MB)在速度和准确度之间比较平衡;1.7B(1.5 GB)更准,但比较慢、也比较吃内存。
- 适合:口音较重、说话快、或会混用多种语言的人。
同一家的 Fun-ASR Nano(891 MB)是另一个选择:中文错字率跟 Qwen3-ASR 0.6B 接近,Multilingual 版支持 31 种语言。
6. Breeze-ASR-25:台湾华语与中英夹杂
如果你平常讲话是“这个 PR 的 logic 有点问题,你帮我 check 一下 API 的 response”这种风格,很多通用模型会在中英切换的地方出错。Breeze-ASR-25 是联发创新基地(MediaTek Research)以 Whisper Large-v2 为基础,针对台湾华语和中英夹杂调整的开源模型。
官方模型卡跟原版 Whisper Large-v2 比较的词错误率:
| 测试集 | 内容 | Whisper Large-v2 | Breeze-ASR-25 | 变化 |
|---|---|---|---|---|
| CommonVoice16-zh-TW | 台湾华语 | 9.84 | 7.97 | −19% |
| ASCEND-MIX | 中英夹杂 | 21.01 | 16.38 | −22% |
| CSZS-zh-en | 中英夹杂 | 29.49 | 13.01 | −56% |
中英夹杂的进步最明显。但在长篇的台湾华语录音(Formosa 系列测试)上,进步只有 0~9%,其中一项还略差。
代价:它本质上还是 Whisper 大模型,是清单里最慢的一个(速度 22×,SenseVoice Small 是 267×)。如果你习惯讲两三秒就放开,等待感会比较明显;如果你常一次讲一大段中英夹杂的内容,例如会议笔记或技术讨论,就值得试试。

7. Whisper 与 macOS 内建听写
Whisper:OpenAI 的多语模型,语言最多(约 100 种)。Large v3 Turbo(886 MB)中文错字率 8.5%,准确度不错,但比 SenseVoice 慢很多;为了快改用 Small 或更小的版本,中文错字会明显变多。输出偶尔混进简体,安静时也可能出现幻觉字。
macOS 内建听写:免安装、偶尔讲一两句很方便(Apple 说明)。但在 Apple 的功能清单里,“华语(台湾)”不在装置端识别的语言中,声音会交给 Apple 的服务器处理;它也不能换模型、没有个人词典。
8. 花 2 分钟,用你自己的声音实测
跑分用的是别人的声音、别人念的稿。每个人的语速、麦克风距离、常讲的词都不同,错字率最低的模型,不一定最听得懂你。学舌鸟把这个测试做成内建功能:
- 念几轮朗读录音:设置 → 个人化训练 →“朗读录音”。一轮 10 句、约 2 分钟,每句念完就标出听错的字,一轮结束告诉你错字率。每 5 句会留 1 句当考卷,所以想比较模型,建议多念几轮,让考卷多一点句子。
- 下载想比较的模型:设置 → 说话 → 语音模型与语言 →“管理模型”,例如 SenseVoice Small、Qwen3-ASR 0.6B、Breeze-ASR-25。
- 用同一份考卷比:按“管理模型”窗口最上面的“用你的朗读录音测一下”,就能看到每个模型在你的声音上的错字率。
很快就能知道:在你的麦克风和口音下,253 MB 的 SenseVoice Small 是不是已经够准,还是换大模型真的少错很多。

9. 选好模型后,剩下的错字怎么修
不管选哪一个,通用模型都不认识你新同事的名字或公司内部的项目代号。建议的组合是:
- 快的模型打底:日常用 SenseVoice Small 或 Qwen3-ASR 0.6B,按住讲、放开就贴上。
- 固定的错交给个人词典:贴上后把人名或术语改对,学舌鸟会比对读音放进确认清单,按“加入词典”下一句就生效,不开 AI 也有效。
- 口语赘字交给选用的 AI 整理:常讲“呃、那个、不对改成三点半”的话,可以开 AI 整理,用 Apple Intelligence 或免费的 Gemini key。
想再往下压错字,可以看上一篇:从词典到专属语音模型的三层解法。
10. 常见问题
在学舌鸟里下载和切换这些模型要付费吗?
不用。学舌鸟免费,清单里的模型都能在 App 里直接下载、随时切换,没有字数或分钟数限制。各模型由各自的开发者以开源授权发布,使用前可以先看授权。
下载很多模型,会一直占用内存吗?
不会。下载的模型只占硬盘空间;只有正在使用的那一个会放进内存,闲置一段时间后也会释放(之后第一次说话约多等 0.1~0.4 秒)。不用的模型可以在“管理模型”里删除。
8 GB 内存的 Mac 建议选哪一个?
先用默认的 SenseVoice Small(253 MB),占用少、反应最快;想要更准可以试 Qwen3-ASR 0.6B(850 MB)。Breeze-ASR-25 和 Qwen3-ASR 1.7B 比较大,同时开很多 App 时比较吃内存。
中文错字率最低的是哪一个?
在 transcribe.cpp 的 FLEURS 中文评测里是 Qwen3-ASR 1.7B(7.1%)。但这是朗读新闻稿的成绩,台湾口音和中英夹杂不一定一样,建议用朗读录音测你自己的声音。
为什么不用 macOS 内建听写就好?
偶尔讲一两句简短中文,内建听写最省事。但“华语(台湾)”的声音会交给 Apple 的服务器处理,也不能换模型、不能用个人词典。
