ASR 评测：语音输入时代，哪个模型最好用？

最近我在电脑前越来越多地用语音输入，主力工具也从微信语音输入法换成了开源的 OpenLess。用了一段时间后，我想更严谨地回答一个问题：面对本地、系统和云端这么多种语音识别方案，哪一种更适合我？能不能本地直接跑模型免费畅用？本文我将回答这个问题，针对我的应用场景找个最合适的方案，顺带了解下行业当前各模型的实力。

背景

不知道这算哪种性格，我用一个东西时，不把它研究清楚就不安心。用 OpenLess 时，我发现它提供了很多 ASR 选择。这可难住了我这个选择困难症人士，我非得给它们分个强弱。

可是，该从哪些角度判断一个模型是否适合我呢？用了一段时间的语音输入后，我大概知道自己更关注哪些场景。比如在工位上，周围有各种杂音，模型还能不能准确识别？又比如晚上在家，孩子已经睡了，我只能轻声说话，甚至接近耳语，模型还能不能识别到位？

我本来想写一篇文章，系统地聊聊 OpenLess：比如如何选择语音识别模型（ASR），它的润色模型以及润色方案等，还有 OpenLess 的使用。但这个语音识别的评测比较独立，而且也算是很重要的一个模块，我们就先单独聊一下。

这次只比较 ASR 原生 API 直接返回的识别结果，不经过润色模型。OpenLess 是我日常使用这些模型的入口，正式评测则把同一批录音交给各个 ASR 接口，方便比较和直接。

评测目标：测哪些模型？

我根据 OpenLess 所支持的模型，选了一些比较容易获取的，加入到测试目标里。目前已经囊括了几个大厂的模型，另外补充了本地模型。如果你像我一样用 macOS，可能也想知道 macOS 设备端语音识别效果怎么样，那就把它也加进来评一评。虽然免费，但要是效果不好，咱也不会用。毕竟咱也不是完全没要求的人，对吧？

下文统一使用第一列的名称，实际调用的模型或接口标识列在最后一栏。其中，豆包流式 ASR 对应 OpenLess 中的 Big ASR；腾讯混元 ASR 3.0 本次使用的是 preview 版本。

评测建模：什么叫“适合我的 ASR”

有了上面这份模型列表，那接下来怎么测试它们呢？作为一个程序员，我日常对语音的使用应该和一般人有些不一样，比如会穿插一些专业术语，有时难免中英混杂。一般和同事沟通时，微信或豆包语音输入法的识别效果其实也勉强够用，那是因为众所周知，人的纠错能力是超强的。但在编程或与 AI 交互时，虽然 AI 有一定的纠错能力，识别错误仍可能误导它。我也了解了一些 ASR 的评测体系和指标，比如 CER 等错误率指标，确实有一定参考价值。但我觉得，按自己的使用场景设计评估维度，更适合这次评测，所以没有直接照搬现成的评测方案。以下是我的评估维度：

这些维度覆盖了我过去个把月使用语音输入时遇到的主要场景，也包括一些特殊问题：比如模型出现幻觉（没说却出现）、漏掉部分内容（掉句），或者不支持长语音（说了一大段却没转成功的悲伤）。还有，有些模型在正常音量下表现不错，但一旦轻声细语，识别准确度就会大打折扣。

评测用例：具体用哪些内容来验证？

最开始，我用 OpenLess 日常使用中留下的一些历史记录来跑评测。这种方式很容易上手，录音也都保存着，内容比较贴近日常。但等我想清楚该从哪些维度评估模型后，就发现仅靠这些历史记录还不够。主要有两个问题：

1. 用例完全取决于我的使用场景，不够通用，各类场景的比例也不好控制，难以全面展示模型的表现。
2. 每段已有录音仍需要重新听一遍，整理并校对准确的参考文本，工作量也不小。

所以我和 AI 一起重新设计了评测方案。我们基于测试目标，创建了一个网页，展现各个场景的用例，并由我来一一录音。我尽量按提示文字来读，再回听确认参考文本。这样就不用从零整理每段录音的文字了，能省不少事。

用例覆盖以下八类场景，每类十条，共八十条：

评测结果：是时候见证各位的实力了

❯ 第一轮：原生基本功比拼

我把测试分成了不加热词和加入热词两轮，因为有些 ASR 不支持热词，或者有些软件本身不支持上传热词。我们先看不加热词时，各个模型的原生识别能力如何。

注：表格中通过上下箭头表示是越高越好还是越低越好，帮助理解。

本地 Qwen3-ASR 0.6B

macOS 设备端语音识别

腾讯混元 ASR 3.0

豆包流式 ASR

百炼 Fun-ASR

百炼 Qwen3-ASR Flash

阶跃 StepAudio 2.5

OpenRouter Whisper Turbo

讯飞语音听写 V2.0

小米 MiMo 2.5 ASR

备注：总体 CER 使用 74 条共同可比较的录音，静音误输出和约 90 秒录音的完整性另列。

为了更直观地看出各模型的长处和短板，我把上面的结果整理成五星评级。★★★★★ 表现好，★★★★☆ 整体可用、有少量不足，★★★☆☆ 需要明显修正或取舍，★★☆☆☆ 有较大短板，★☆☆☆☆ 本场景不宜优先。星级越多越好，允许并列，五星也不代表零错误。

本地 Qwen3-ASR 0.6B

macOS 设备端语音识别

腾讯混元 ASR 3.0

豆包流式 ASR

百炼 Fun-ASR

百炼 Qwen3-ASR Flash

阶跃 StepAudio 2.5

OpenRouter Whisper Turbo

讯飞语音听写 V2.0

表中的“—”表示本次没有可评分的实时逐字反馈数据，不等于模型一定不支持实时识别。“结果等待速度”分别按整文件处理或流式音频发完后的等待评分，两种计时起点不同。静音只有 2 条、约 90 秒录音只有 1 条，相关星级只描述本批表现。

我让 AI 根据各模型的表现，结合我正常说话和轻声低语的使用场景，排出了下面的前三名。不知道这是否符合你的预期？

其实最开始我忽略了小米 MiMo 2.5 ASR，根本没打算把它加进来。这是因为最开始我收集了一下这些模型每秒钟的费用，这个模型定价还挺高的，我想你何德何能呢？但加进来以后还是让我挺惊喜的，确实有两把刷子。

以下排名和总结部分由 AI 完成，未加修改。

第一名：小米 MiMo 2.5 ASR——优先作为内容识别基线

• 推荐理由： 共同集 CER 最低（4.01%）；轻声 9.59%，数字关键字段 10/10，普通长句 0.81%，B079（超长语音） 完整完成。多个有声场景同时较好，整段上传后的等待时间也短。
• 主要短板： 两条静音均输出“嗯。”；中英混合和个人技术词并非本批最强。此次验证的是整段上传后的识别，不把它当作已经验证的实时逐字方案。
• 适合怎样用： 优先用于明确有语音的整段口述。如果应用会经常提交静音，必须把这项误输出看作未解决问题，不能假定加一个未经测试的过滤器就能消除。

第二名：腾讯混元 ASR 3.0——优先作为实时交互候选

• 推荐理由： 共同集 CER 5.76%，个人历史场景 3.20%；轻声 10.10%，与普通发声相比退化较小；首字约 1.38 秒，静音不生成多余文字。数字关键字段核验也为 10/10，不应因数字转写格式吃亏。
• 主要短板： 一次连接超时；B079 超限未完成；Claude/cloud 的区分仍有误改。不能把它直接作为本次约 90 秒不切段输入的唯一通道。
• 适合怎样用： 更重视边说边看到文字、轻声输入和技术口述时，它比只看总体 CER 更有吸引力；若静音克制与实时反馈比整段准确率更重要，我会把腾讯混元 ASR 3.0 放到小米 MiMo 2.5 ASR 前面。

第三名：百炼 Fun-ASR——覆盖较均衡的实时候选

• 推荐理由： 中英混合 CER 6.03%，轻声 15.03%；数字关键字段 10/10，静音无多余输出，B079 完整完成；首字约 1.49 秒、音频发完后等待约 0.21 秒。它并不是每项都拿第一，但对本轮多种输入的覆盖更均衡。
• 主要短板： 共同集 CER 7.60%，在有声录音的整体识别和轻声识别上，表现都不及小米 MiMo 2.5 ASR 和腾讯混元 ASR 3.0；专名仍会误认，不能以“总体均衡”替代后续热词验证。
• 为什么第三名不是讯飞语音听写 V2.0 或本地 Qwen3-ASR 0.6B： 讯飞语音听写 V2.0 轻声更好，但本配置首段文字较晚且 B079 提前结束；本地 Qwen3-ASR 0.6B 共同集表现好、设备端运行，但轻声为 22.54%，处理等待也更长。在我已经明确关注轻声的前提下，百炼 Fun-ASR 更适合作为第三个综合候选。

AI 还找补了一下，但我觉得它说得对。实际选择按自己的需求调整：

• 如果离线是硬要求： 将本地 Qwen3-ASR 0.6B 放进前三，作为本批设备端首选；这来自其已验证的本地运行与更好的文本质量，不依赖云端价格假设。
• 如果基本不用轻声、主要是普通长句： 阶跃 StepAudio 2.5 值得重新优先考虑，普通长句和数字表现好、整段上传后的等待时间短；本轮没进前三，主要是轻声错识与误拒绝。
• 如果想保留一个百炼方案： 本轮更倾向百炼 Fun-ASR。百炼 Qwen3-ASR Flash 在普通长句和补充场景很好，但轻声明显更弱，实时首段反馈也更晚。

❯ 第二轮：支持热词模型比拼

在 OpenLess 里，热词是一个可能比较有用的、用来减少语音识别错误的机制。简单说，就是提前告诉 ASR 我可能会说到哪些专有名词，比如 Claude，让它更有机会听对名字；但也可能矫枉过正，把普通的 cloud 认成 Claude。

不过，这次参测的模型中只有部分支持热词，那就让它们再跑一轮。还是之前的八十条录音，加上热词以后，识别准确率会有多大变化？腾讯混元 ASR 3.0、豆包流式 ASR、百炼 Fun-ASR 和阶跃 StepAudio 2.5 都宣称支持原生热词，申请出战；AI 说 macOS 设备端语音识别也支持自定义词汇提示，那就让它一起参战吧。因为参加的选手比较少，我们很快就有了结果。

热词本身的收益与副作用

备注：以“16/26 → 24/26”为例，表示同一批可比较的目标词出现机会中，不加热词命中 16 次，加热词后命中 24 次，共 26 次；这里统计的是目标词有没有按期望拼写出现，不代表整句话都正确。“整句配对 CER”则比较同一个模型对同一批录音加热词前后的结果，统计范围与第一轮共同 74 条不同，不能直接相减当作热词收益。

这一轮我们也评个前三名吧。腾讯混元 ASR 3.0 的热词收益看起来比较明显。豆包流式 ASR 的结果则让我有点疑惑，一度怀疑是不是测试出了问题。我让 AI 再检查了一遍测试参数和配置，看起来没有问题，但结果仍出乎意料：我最期待它救回来的那些目标词，一个都没多认对。

以下排名及点评由 AI 完成，未加修改。

第一名：腾讯混元 ASR 3.0

• 26 次目标词出现机会中命中 24 次，比不加热词时的 16 次明显增加；共同集 CER 约 6.08%，轻声 CER 8.55%，首字约 1.40 秒。
• 代价是本批整句配对 CER 由 6.07% 微升至 6.34%；B053 的 Claude/cloud 歧义未解决，B079 约 90 秒录音在原生配置下已知超限。适合较短的实时技术口述。

第二名：百炼 Fun-ASR

• 目标词命中由 12/27 提升至 19/27，配对 CER 7.80%→7.17%，轻声 CER 12.95%；B079 完整，静音两条无多余输出。首字约 1.64 秒。
• 专名仍未全部识别，且 B053 的普通 cloud 被热词拉向 Claude。若要在长音频和词表收益之间取得平衡，它是这一轮较稳妥的候选。

第三名：阶跃 StepAudio 2.5，仅限轻声很少的整段输入

• 普通长句、数字字段和 90 秒整段处理较好；目标词有 1 个新增命中，配对 CER 7.60%→7.35%。
• 10 条轻声中仅 8 条被接受，接受的 8 条 CER 仍达 51.79%；不应把它作为轻声输入的主方案。若轻声是刚需，本轮只支持优先比较腾讯混元 ASR 3.0 与百炼 Fun-ASR，第三名并无同级替代。

❯ 总结陈词

把第一轮和第二轮的结果汇总后，就得到下面这张表。可以看到，没有哪个模型在所有方面都遥遥领先，几个头部模型各有优劣。具体使用哪一款，要看你自己诉求啦，它们的能力水平我已经给你提供参考了。

后记

到这里，我们的评测也结束啦。现在大概能看清各个 ASR 的表现了。不知道你看完以后会选择哪个呢？这期间我这里没有考虑价格因素。因为我们的输入量级并不多，成本很低，所以核心还是尽量减少返工和人工干预，能一次搞对最好。

至于开头那个“能不能本地跑模型”的问题，答案是能。本地 Qwen3-ASR 0.6B 在普通口语上已经够我用了，也不用支付云端 API 的调用费用。不过，本地运行要给模型留出足够的内存，实际占用和响应速度还取决于机器与运行配置。这一轮里，它的轻声识别较弱，等结果的时间也更长，所以暂时没有被我选成主力。想本地畅用，还是得接受一些硬件和等待时间上的取舍。

我自己的话，测完以后会优选腾讯混元 ASR 3.0，其次把小米 MiMo 2.5 ASR 和百炼 Fun-ASR 这两个作为备选。腾讯混元 ASR 3.0 是实时接口，配合 OpenLess 的实时文字展示，体感上会好一些。但它不支持超过六十秒的长录音。这块倒不是难点，之后的文章我会解决这个问题。