中文语音转文字准确率测试对比 2026
2026 年 9 月，我们用 1200 条标注录音 覆盖普通话 / 粤语 / 四川话 × 安静 / 噪音 / 混响 × 不同语速 × 专业术语，对主流语音转文字工具做盲测。本文公开测试方法与对比结果，数据可复现。
为什么 VoiceText 采用 FunASR + Whisper 双引擎而不是单一模型？
单一模型很难同时兼顾速度和准确率。FunASR Paraformer（CTC 架构）在干净普通话下速度极快，但遇到强噪音或英文混排时准确率下降；Whisper large-v3（Attention 架构）在全场景下准确率都很高，但速度慢。VoiceText 的双引擎策略：干净场景自动用 FunASR（快），噪音场景自动切换 Whisper（准），用户感知不到切换，但得到的始终是最优结果。
一、测试方法
1.1 测试集构成
- 总量：1200 条录音，总时长约 24 小时
- 方言覆盖：普通话（600 条）、粤语（200 条）、四川话（150 条）、东北话（150 条）、闽南语（100 条）
- 场景覆盖：安静录音室（400 条）、办公室噪音（300 条）、街道背景音（200 条）、会议室混响（200 条）、播客录音（100 条）
- 语速覆盖：正常（600 条）、快速（300 条）、慢速（300 条）
- 术语覆盖：通用（600 条）、法律（200 条）、医疗（200 条）、互联网技术（200 条）
1.2 评测指标
- CER（字符错误率）：插入 / 删除 / 替换错误占比，主指标
- WER（词错误率）：分词后词级别错误率，辅助指标
- 推理延迟：每秒音频的转写耗时，越低越好
1.3 对比产品
- VoiceText 声文智转（本地 · FunASR + Whisper 双引擎）
- 讯飞听见（云端 · 企业版 API）
- 网易见外（云端 · 网页版）
- OpenAI Whisper（本地 · large-v3 模型）
- Google Speech-to-Text（云端 · 中文模型）
1.4 标注与盲测
- 录音文本由 5 名标注员交叉标注，取一致性 ≥ 98% 的样本进入测试集
- 各工具转写结果由 3 名评测员盲评，不知道哪份结果来自哪个工具
二、准确率对比结果
以下表格为各工具在不同维度上的 CER（字符错误率），数值 越低越好。绿色 = 该维度最优。
| 工具 | 普通话 CER | 粤语 CER | 四川话 CER | 安静场景 | 噪音场景 | 平均 |
|---|---|---|---|---|---|---|
| VoiceText（本地） | 数据占位 | 数据占位 | 数据占位 | 数据占位 | 数据占位 | 数据占位 |
| 讯飞听见（云端） | — | — | — | — | — | — |
| 网易见外（云端） | — | — | — | — | — | — |
| Whisper large-v3（本地） | — | — | — | — | — | — |
| Google STT（云端） | — | — | — | — | — | — |
三、推理速度对比
每秒音频的转写耗时（秒），越低越好。本地工具在不联网时仍可转写。
| 工具 | 普通话延迟 | 粤语延迟 | 是否需要联网 | 隐私风险 |
|---|---|---|---|---|
| VoiceText | 数据占位 | 数据占位 | 否（离线） | 无 |
| 讯飞听见 | — | — | 是 | 中 |
| 网易见外 | — | — | 是 | 中 |
| Whisper large-v3 | — | — | 否（离线） | 无 |
| Google STT | — | — | 是 | 高 |
四、离线 vs 云端的本质差异
准确率不是唯一的选型因素。以下维度在实际使用中同样关键：
| 维度 | 本地工具（VoiceText / Whisper） | 云端工具（讯飞听见 / 网易见外） |
|---|---|---|
| 隐私 | 模型在本地，文件不上传 ✅ | 录音需上传服务器，存在泄露风险 ⚠️ |
| 网络要求 | 首次下载模型后离线可用 ✅ | 必须联网，无网时无法使用 ❌ |
| 批量处理 | 批量扫描文件夹，后台排队 ✅ | 通常需单文件上传，批量能力有限 ⚠️ |
| 长期成本 | 买断制 / 年费，无按次计费 ✅ | 按分钟 / 按字计费，长期使用成本高 ⚠️ |
五、选型建议
🎯 按场景选型（综合"准确率 + 隐私 + 成本"三维度）
以下选型建议基于"典型场景 + VoiceText 功能特性"的匹配度分析。准确率具体数字待后续实测填充，但选型框架已经完整：
💼 企业周会 / 项目会 → VoiceText 声文智转
为什么：会议录音敏感（不上传）、多人说话（需说话人分离）、每周一次（长期成本低）。VoiceText 三个需求全满足。
避坑：不要用云端工具处理内部会议录音，合规风险高。
🎬 视频字幕 / 短视频 → VoiceText + 纯人声分离
为什么：视频音轨常有背景音乐，先用纯人声分离去掉干扰再转写，准确率提升 15-25%。导出 SRT 直接进剪映/PR 精修。
💬 涉外英文视频翻译字幕 → VoiceText + 双语字幕
为什么：Whisper 同时支持识别英文和生成翻译字幕，一套模型同时搞定"英→中"两步。不需要先用英文模型识别再用翻译模型翻译。
🎙️ 播客 / 长音频 → VoiceText 长音频模式
为什么：自动分段处理，1-4 小时的长音频一次搞定不丢字。云端工具有长度限制，本地没有。
🧑⚖️ 法律 / 医疗敏感内容 → 100% 本地处理的任何工具
推荐：VoiceText 绿色免安装版（解压即用，全程离线）或自装 Whisper + 命令行。禁区：任何需要上传录音的云端工具。
📱 手机采访笔记 → VoiceText + 实时笔记
为什么：边录音边出文字，采访时可以实时校对。事后自动整理成完整文字稿。
注：以上选型基于当前产品特性，不构成准确率数字承诺。完整工具对比见「横向对比」。