本地 vs 云端转录：隐私、速度与准确性全面对比

本地转录会在你的设备上完整处理音频 使用 OpenAI Whisper 和 NVIDIA Parakeet 等模型，通过 whisper.cpp 等优化运行时来运行。音频从不离开你的机器。 云端转录会将你的音频发送到远程服务器 由 Google、AWS、Microsoft、Deepgram 或 AssemblyAI 等服务商运营，在大型 GPU 集群上处理后返回文本转录结果。两种方案之间的关键权衡可归结为五个因素：隐私、延迟、准确性、成本和离线能力。本文将结合真实数据和真实政策逐一剖析，帮你做出明智的决定。

最后更新：2026 年 2 月 17 日。文中所有量化数据和政策表述均已与至少两个一手来源交叉核对。

• 开源本地模型已具备生产级能力： Whisper 和 Parakeet 拥有公开的模型卡和开源实现，适用于设备端推理。 OpenAI Whisper · NVIDIA Parakeet
• 云端 STT 按用量计费： 主流服务商按音频时长和模型档位计量。 Google 定价 · AWS 定价
• 各服务商的数据处理方式不同： 日志记录/数据保留设置和退出选项因服务而异，须自行配置。 Google 数据日志 · AWS AI 退出政策
• 监管背景至关重要： 生物识别和敏感数据相关义务因司法辖区和使用场景而异。 GDPR 官方文本 · 《欧盟 AI 法案》官方文本
• OpenWhispr 的部署模式： OpenWhispr 默认采用本地处理，并在用户需要时支持 BYOK 云端路由。 OpenWhispr · whisper.cpp 运行时

当你使用云端语音转文字服务时，你的音频会经历一段多步骤的旅程。首先，你的设备从麦克风采集原始音频，并压缩成适合传输的格式——通常是 Opus、FLAC 或线性 PCM。随后，这段压缩后的音频会通过互联网发送到服务商的 API 端点，通常经由 HTTPS 或用于实时流式传输的 WebSocket 连接。

在服务器端，服务商会让你的音频通过托管在 GPU 集群上的大型神经网络模型进行处理。这些模型通常基于数十万小时的标注语音数据训练而成，远远超出任何个人所能收集的规模。生成的转录结果随后被发送回你的设备。

主流的云端转录服务商包括：

• Google Cloud Speech-to-Text ——语言覆盖广泛，提供批量和实时流式两种选项。
• AWS Transcribe ——亚马逊的产品，支持自动语言识别、自定义词汇和 PII 脱敏。
• Microsoft Azure Speech ——与 Microsoft 生态深度集成，支持自定义语音模型和实时转录。
• Deepgram ——以速度和开发者体验著称，其 Nova-3 模型在具竞争力的价格下提供出色的准确性。
• AssemblyAI ——专注于准确性和开发者工具，内置说话人分离和内容审核。

云端延迟是可变的，因为它涵盖了音频采集、上传、服务器端推理和结果返回。在网络良好的环境中，它可能感觉很快；而不稳定的网络或高延迟地区则会让体验明显变慢。批量转录可能耗时数秒到数分钟不等，具体取决于文件长度和排队情况。

本地转录直接在你的设备上运行语音识别模型。整个过程不涉及网络——音频从麦克风直接进入运行在 CPU 或 GPU 上的模型，文本从另一端输出。整个过程都在你机器的内存中完成。

让高质量本地转录变得切实可行的突破，是 OpenAI 于 2022 年 9 月发布的 Whisper——一个基于 68 万小时多语言音频训练的开源模型。最近，NVIDIA 发布了其 Parakeet 系列 ASR 模型，在英语基准测试中达到了业界领先的准确性，并以开源许可证提供。不久之后，Georgi Gerganov 打造了 whisper.cpp，一个针对 CPU 推理优化的 C/C++ 重新实现，让 Whisper 的准确性在无需独立 GPU 的情况下也能在日常硬件上发挥。

Whisper 提供多种模型规格，各自在准确性与速度之间做出取舍：

在 Apple Silicon（M1 至 M4）上，whisper.cpp 通过 Metal 在 GPU 上完整运行推理，即便使用 medium 模型也能达到实时甚至超实时的速度。Turbo 模型——large-v3 的优化变体，准确性损失极小——在现代 MacBook 上能以高吞吐量运行，这也是它常被用于低延迟本地听写工作流的原因。

其他本地转录引擎还包括 Vosk （轻量级，准确性较低）和 Sherpa-ONNX （支持 ONNX 运行时的新一代 Kaldi）。不过，通过 whisper.cpp 运行的 OpenAI Whisper 和 NVIDIA Parakeet 仍是本地转录质量的黄金标准。

隐私是本地转录与云端转录之间最大的区别所在。采用本地处理时，"我的音频数据会怎样？"这个问题有一个简单的答案：什么都不会发生。它留在你的设备上、内存里，转录完成后即被丢弃。没有需要信任的第三方，没有需要阅读的政策，也无需担心数据泄露。

云端转录则需要你信任你的服务商。以下是主流服务商关于如何处理你音频的真实说法：

说句实话：在某些使用场景下，顶级云端服务商在原始准确性上仍占有优势。它们基于海量专有数据集训练，提供实时模型更新，还能利用上下文相关的自定义词汇。对于难度较高的音频——浓重口音、嘈杂环境、领域专业术语——像 Google 的 Chirp 2 或 Deepgram 的 Nova-3 这类云端服务往往表现出色。

话虽如此，差距已经大幅缩小。基于 68 万小时多语言音频训练的 OpenAI Whisper large-v3，在大多数常见语言上都实现了具竞争力的词错率（WER）。NVIDIA 的 Parakeet 模型更进一步，在标准英语基准测试中取得了一些最低的 WER。独立基准测试一再表明，对于英语，这些开源模型的表现与商用云端服务相差仅几个百分点，在某些长尾语种上甚至超过它们。

Turbo 模型——large-v3 的蒸馏变体，参数量为 8.09 亿而非 15.5 亿——保留了大部分准确性，同时运行速度快约 8 倍。对于对着像样麦克风清晰口述的实时听写而言，对大多数用户来说，Turbo 与云端 API 之间的差异微乎其微。

结论：如果你在安静环境中用像样的麦克风口述，本地运行的 Whisper Turbo、Whisper large-v3 或 Parakeet 等模型在大多数实际用途上能给出与云端服务难以区分的结果。而在嘈杂的多说话人场景、小众语言和领域专业词汇方面，云端则更胜一筹。

延迟对实时听写最为关键——你希望话音刚落，文字就立刻出现。在这方面，本地转录与云端转录有着根本不同的延迟特征。

对于实时流式传输，在连接良好时，云端服务商能快速返回部分识别假设。但这仍需要稳定的低延迟连接。在飞机上、拥挤的公共 Wi-Fi 中，或受限的 VPN 线路之后，感知延迟可能迅速恶化。

传统意义上，使用 whisper.cpp 的本地转录并非实时流式。大多数本地实现采用"按住说话"的模式：你说话，音频被缓冲，然后模型处理完整的语音片段。在搭载 Apple M 系列芯片上使用 Turbo 模型时，这一处理步骤足够快，对于听写来说延迟几乎可以忽略——短句通常在一秒以内完成。

对于预先录制文件的长篇转录，云端服务能在 GPU 集群间并行处理，往往能快速完成大批量任务。本地吞吐量受限于你的机器和模型选择，因此处理超长录音时运行时间可能更慢。

本地转录除了你已拥有的硬件之外，不需要任何额外花费。没有 API 密钥，没有计费面板，没有按分钟收费。你下载一个模型文件（从 Tiny 的 75MB 到 Large-v3 的 3GB 不等），然后就大功告成了。永远如此。

云端服务商按用量收费（按分钟或按小时，视厂商和模型而定）。套餐和折扣经常变动，因此在做预算前请先核实当前费率：

注意：云端定价通常会对说话人分离、PII 脱敏或自定义词汇等功能收取额外费用。上述基础价格仅适用于标准转录。

这一点是非此即彼的：云端转录需要联网，本地转录则不需要。对许多人来说，这是决定性因素。

离线能力不可或缺的场景：

两种方案都没有绝对的优劣。正确的选择取决于你看重什么。

• OpenAI Whisper ——原始模型仓库，包含模型规格、基准测试和文档。
• whisper.cpp ——Whisper 的 C/C++ 移植版，针对 CPU 和 Apple Silicon GPU 推理优化。
• NVIDIA Parakeet RNNT 模型卡 ——开源 ASR 模型指标与使用指南。
• Google Cloud Speech-to-Text 定价 ——Google 语音 API 的当前定价档位。
• AWS Transcribe 定价 ——亚马逊批量与流式的当前按用量定价。
• Azure Speech Services 定价 ——Microsoft 实时与批量语音转文字的定价。
• Deepgram 定价 ——Deepgram 各模型档位的定价详情。
• AssemblyAI 定价 ——AssemblyAI 用量与模型档位的定价详情。
• Google Speech-to-Text 数据日志 ——Google 关于音频数据如何处理和存储的文档。
• AWS AI 服务退出政策 ——如何阻止 AWS 使用你的内容改进其 AI 服务。
• Azure Speech 数据隐私 ——Microsoft 关于语音服务的数据隐私与安全文档。
• 通过大规模弱监督实现稳健语音识别 ——Radford 等人（2022）的原始 Whisper 论文，详述了训练方法与 WER 基准。
• GDPR（欧盟官方文本） ——个人/生物识别数据处理的法律基准。
• 《欧盟 AI 法案》（欧盟官方文本） ——与生物识别及高风险系统相关的 AI 风险分级义务。
• OpenWhispr ——在单一应用中实现本地优先 + 可选 BYOK 云端工作流的范例。