本地 ASR 模型
Windows 本地语音识别模型对比：4 款 ASR 模型怎么选
完整比较 SenseVoiceSmall、Parakeet、FireRedASR2-AED 与 Qwen3-ASR-0.6B 的语言、方言和常用能力。
四款本地 ASR 模型怎么选
Owl Meeting 使用的四款语音识别模型均基于原版模型转换为 CPU 友好的 ONNX 格式，并针对 Windows 本地运行进行优化。无需依赖独立显卡，普通电脑也能利用 CPU 高速完成实时识别或离线转写；模型下载完成后，核心语音识别在本地进行，录音无需上传云端。
| 模型 | 核心优势 | 语言重点 | 本地包大小 | 推荐场景 |
|---|---|---|---|---|
| SenseVoiceSmall | 速度优先 | 普通话、粤语、英语、日语、韩语 | 230 MB 量化版 / 900 MB 标准版 | 实时字幕、低延迟会议识别 |
| Parakeet TDT 0.6B v3 | 速度 + 多语言 | 25 种欧洲语言，支持自动语种识别 | 约 850 MB | 欧洲多语言实时识别 |
| FireRedASR2-AED | 中文准确率 | 普通话、中文方言/口音、英语及中英混说 | 约 1.6 GB；标点模型另约 390 MB | 中文与方言的离线高精度转写 |
| Qwen3-ASR-0.6B | 准确率 + 多语言 | 30 种语言和 22 种中文方言 | 约 895 MB | 多语言、方言和复杂音频的离线高精度转写 |
SenseVoiceSmall
速度优先
Owl Meeting · Model 1
SenseVoiceSmall 采用非自回归架构，支持普通话、粤语、英语、日语和韩语，适合需要边说边出字的低延迟场景。
- 支持自动语种识别，不需要每次手动指定语言。
- 可输出情绪信息，并识别 BGM、掌声、笑声、哭声、咳嗽和喷嚏等声音事件。
- Owl Meeting 提供约 230 MB 量化版与约 900 MB 标准版，可按体积和识别效果选择。
支持的语言和方言
普通话 (zh)、粤语 (yue)、英语 (en)、日语 (ja)、韩语 (ko)
Parakeet TDT 0.6B v3
速度 + 多语言
Owl Meeting · Model 3
Parakeet TDT 0.6B v3 是 6 亿参数的 FastConformer-TDT 模型，适合需要实时速度又要覆盖欧洲多语言的会议、采访和字幕工作。
- 支持 25 种欧洲语言并自动识别音频语种，无需额外提示。
- 模型输出支持自动标点、英文大小写、词级时间戳和片段级时间戳。
- 支持长音频转写，适合会议、访谈、课程和字幕制作。
支持的语言和方言
保加利亚语 (bg)、克罗地亚语 (hr)、捷克语 (cs)、丹麦语 (da)、荷兰语 (nl)、英语 (en)、爱沙尼亚语 (et)、芬兰语 (fi)、法语 (fr)、德语 (de)、希腊语 (el)、匈牙利语 (hu)、意大利语 (it)、拉脱维亚语 (lv)、立陶宛语 (lt)、马耳他语 (mt)、波兰语 (pl)、葡萄牙语 (pt)、罗马尼亚语 (ro)、斯洛伐克语 (sk)、斯洛文尼亚语 (sl)、西班牙语 (es)、瑞典语 (sv)、俄语 (ru)、乌克兰语 (uk)
FireRedASR2-AED
中文准确率
Owl Meeting · Model 2
FireRedASR2-AED 面向普通话、中文方言/口音、英语和中英混说，在 Owl Meeting 中用于中文与方言优先的离线高精度转写。
- 覆盖 20 多种中文方言和口音，包括粤语、四川话、上海话、吴语和闽南语等。
- 支持语音与歌声转写，AED 版本还可提供词级时间戳和置信度。
- 配套 FireRedPunc 支持中文和英文标点；安装该模型时还会下载约 390 MB 标点模型。
支持的语言和方言
普通话 (zh)、英语 (en)
中文方言/口音: 香港及广东粤语、四川话、上海话、吴语、闽南语、安徽、福建、甘肃、贵州、河北、河南、湖北、湖南、江西、辽宁、宁夏、陕西、山西、山东、天津、云南等
Qwen3-ASR-0.6B
准确率 + 多语言
Owl Meeting · Model 4
Qwen3-ASR-0.6B 覆盖 30 种语言和 22 种中文方言，适合多语言、方言或复杂音频的离线高精度转写。
- 同一模型支持自动语种识别、离线推理和流式推理。
- 可处理普通语音、歌声以及带 BGM 的歌曲，并支持长音频。
- 需要精确时间戳时，可搭配独立的 Qwen3-ForcedAligner-0.6B。
支持的语言和方言
中文 (zh)、英语 (en)、粤语 (yue)、阿拉伯语 (ar)、德语 (de)、法语 (fr)、西班牙语 (es)、葡萄牙语 (pt)、印度尼西亚语 (id)、意大利语 (it)、韩语 (ko)、俄语 (ru)、泰语 (th)、越南语 (vi)、日语 (ja)、土耳其语 (tr)、印地语 (hi)、马来语 (ms)、荷兰语 (nl)、瑞典语 (sv)、丹麦语 (da)、芬兰语 (fi)、波兰语 (pl)、捷克语 (cs)、菲律宾语 (fil)、波斯语 (fa)、希腊语 (el)、匈牙利语 (hu)、马其顿语 (mk)、罗马尼亚语 (ro)
中文方言/口音: 安徽、东北、福建、甘肃、贵州、河北、河南、湖北、湖南、江西、宁夏、山东、陕西、山西、四川、天津、云南、浙江、香港口音粤语、广东口音粤语、吴语、闽南语
实时场景：SenseVoice 与 Parakeet
实时识别首先看持续延迟和部分结果稳定性，而不是只看最终 WER。SenseVoice 适合中文、英语、日语或韩语会议中的速度优先需求；Parakeet 更适合欧洲多语言会议，同时保留较快的实时体验。
离线高精度：FireRedASR 与 Qwen3
FireRedASR2-AED 适合普通话、方言、口音和中英混说录音。在 4 个普通话公开基准上的平均 CER 为 3.05%，在 19 个中文方言与口音基准上的平均 CER 为 11.67%。
Qwen3-ASR-0.6B 支持 30 种语言和 22 种中文方言，同时提供离线与流式推理，适合多语言会议、方言录音和复杂音频转写。
按场景给出初始选择
- 实时、中文/英日韩、速度第一：先试 SenseVoiceSmall。
- 实时、英语与欧洲多语言：先试 Parakeet TDT 0.6B v3。
- 离线、中文和方言准确率优先：先试 FireRedASR2-AED。
- 离线、多语言覆盖与准确率都重要：先试 Qwen3-ASR-0.6B。