← 六张分榜 · 选型矩阵

语音识别榜：10 个方案，按上手成本排

会议录音、客服通话、访谈素材转文字。准确率和显存在这里是最直接的权衡。

这类方案怎么挑

• 先看是不是长音频：多数项目的演示都是 30 秒片段，真实会议是 90 分钟。
• 要说话人分离就得加模型，环境复杂度会翻倍。
• 中文场景别只看 WER，口音、专业术语、人名才是翻车点。

榜单

1. Vosk — 单机；语音识别；显存 无；难度 1/5；Apache-2.0。
   轻量离线识别，几十 MB 的模型就能跑，边缘设备和老机器首选。 注意：准确率明显低于大模型方案；中文模型更新慢，口音和专有名词吃亏。
2. whisper.cpp — 单机；语音识别；显存 无；难度 1/5；MIT。
   Whisper 的 C++ 实现，纯 CPU 也能转写，部署成本几乎为零。 注意：没标点、没说话人分离，中文专有名词准确率低于国内方案。
3. sherpa-onnx — 单机；语音识别；显存 无；难度 2/5；Apache-2.0。
   C++/ONNX 离线语音栈，流式识别、TTS、说话人分离都有，手机和嵌入式也能跑。 注意：每种模型都要单独写配置；标点、热词支持取决于你选的模型，不是框架给的。
4. SenseVoice — 单机；语音识别；显存 4G；难度 2/5；MIT。
   阿里 FunAudioLLM 的多语种识别，速度快，还能给情感和事件打标签。 注意：长音频要自己切段；标点和说话人分离要靠上游模型补。
5. faster-whisper — Docker；语音识别；显存 4G；难度 2/5；MIT。
   CTranslate2 重写的 Whisper，同精度下快数倍、显存省一半，生产环境的事实默认。 注意：依赖 CUDA/cuDNN 版本对齐，装环境最容易卡在这一步；长音频要自己切片。
6. FunASR — 单机；语音识别；显存 8G；难度 2/5；MIT。
   阿里达摩院的中文语音识别，带标点和说话人分离，离线可跑。 注意：长音频要自己切分和拼接，热词表要按业务调，否则专有名词错得离谱。
7. OpenAI Whisper — 单机；语音识别；显存 8G；难度 2/5；MIT。
   官方参考实现，生态与教程最全，评估其他方案时拿它当基线。 注意：原版慢且吃显存，批量转写要换 faster-whisper；不做说话人分离。
8. CosyVoice — Docker；语音识别；显存 8G；难度 3/5；Apache-2.0。
   零样本音色克隆的 TTS，中文自然度和韵律在开源里第一梯队。 注意：音色克隆有合规风险，上线前先把授权与告知做足；长文本要自己切片合成。
9. GPT-SoVITS — 单机；语音识别；显存 8G；难度 3/5；MIT。
   一分钟素材就能克隆音色，社区教程和调参经验最多。 注意：训练流程长、参数敏感；跨语种和长句效果不稳定，得逐条听。
10. WhisperX — 单机；语音识别；显存 8G；难度 3/5；开源（见仓库）。
    带词级时间戳和说话人分离的 Whisper 流水线，做会议记录最省事。 注意：依赖链重（pyannote 模型要授权 token），环境比模型本身难搞；说话人分离在嘈杂录音上会乱。

字段核验：2026-11。榜单免费，多条件筛选、CSV 导出与 MCP 接入在会员里。