Parakeet、Whisper 与 Nemotron：2026 年最佳本地语音转文字方案

对于英语和主要欧洲语言，NVIDIA Parakeet TDT 0.6B v3 是 2026 年最佳本地语音转文字模型：其实测准确率优于 Whisper large-v3，体积仅为后者四分之一，在普通 CPU 上也快得多。如果希望文字在说话时实时出现，NVIDIA 新推出的 Nemotron 流式模型是首批专门为此设计的本地模型。如果您使用的是 NVIDIA 模型尚未覆盖的众多语言之一，那么支持 99 种语言的 OpenAI Whisper 仍是正确选择。

2026 年最出人意料的变化是，Whisper 失去了保持三年的开放模型准确率桂冠。不过，“哪款模型最好”已经真正变成三方竞争，因为它们各有所长：Parakeet 优化单位功耗下的准确率，Nemotron 优化延迟，Whisper 则优化语言广度。本文使用模型卡和公开 Leaderboard 的数据进行比较，不凭感觉，也不夸大差异。

最后更新于 2026 年 7 月 18 日。我们开发 OpenWhispr，这是一款同时提供三大模型系列的开源听写应用，因此我们会在生产环境中测试并支持每一种模型。这也说明了我们的立场：我们不销售其中任何模型，下面所述的实际取舍与我们向用户解释的完全相同。

• Parakeet TDT 0.6B v3 在 Open ASR Leaderboard 的八项基准中平均词错误率为 6.34%，吞吐速度达到实时的 3,332×。 600M 参数、25 种语言、CC-BY-4.0 许可证。 Parakeet TDT v3 模型卡 · Open ASR Leaderboard
• Whisper large-v3 在同一榜单上约为 7.4%，并支持 99 种语言 拥有 1.55B 参数，采用 MIT 许可证。 OpenAI Whisper 代码仓库 · Whisper large-v3 模型卡
• Nemotron Speech Streaming EN 0.6B 在流式识别时的平均 WER 为 6.93% （1.12 秒音频块），在 LibriSpeech test-clean 上达到 2.32%，训练数据包含 530,000 小时音频。 Nemotron Streaming EN 模型卡
• Nemotron 3.5 ASR 以单个 600M 流式模型覆盖 40 个语言区域 支持自动语言检测，于 2026 年 6 月 4 日以 OpenMDW 许可证发布。 Nemotron 3.5 ASR 模型卡
• 下文提到的所有磁盘大小和应用内行为均可核实 可在 OpenWhispr 的开源模型注册表中查证。 GitHub 上的 OpenWhispr · OpenWhispr 模型页面

三者都是可免费下载、离线运行的开放权重模型。架构上的不同，几乎解释了实际使用中的所有差异。

语音模型通常使用 词错误率（WER）衡量，即模型识别错误的单词比例，越低越好。标准参考是 Hugging Face Open ASR Leaderboard，它对八个不同的英语数据集（会议、财报电话会、TED Talks、有声书等）的 WER 取平均值，避免单个简单数据集人为抬高模型成绩。

应当客观看待图表：这里的每款模型都已达到生产级别，总差距仅约 1.5 个百分点。在日常听写的清晰音频上，6.3% 与 7.4% 的体验接近；差别会在口音、噪声和专业术语等困难音频中显现。NVIDIA 数据值得关注的是取得成绩所需的成本：Parakeet 仅用 600M 参数便达到该准确率，而 Whisper 需要 1.55B；Nemotron 更是在完全看不到后续音频的流式条件下取得 6.93%。

在 Leaderboard 使用的硬件上，Parakeet TDT v3 的转录速度为实时的 3,332×，约一秒即可处理一小时音频。Whisper large-v3 的速度远不到它的十分之一。原因在于架构：Whisper 逐个 token 写出文本，每一步都要等待上一步；转导器只读取一次音频，并随进度输出文字。没有循环，也没有逐词往返处理。

在笔记本电脑上，绝对数字会下降，但比例依然成立：Whisper large 需要数秒处理的一段听写，Parakeet 用 CPU、无需 GPU 就能近乎瞬间完成。独立基准还显示，在质量相当时，NVIDIA 转导器每小时音频大约少用 8–10× 的能耗 ；如果经常用电池长时间听写，这一点很实际。

Whisper 的应对方案是 turbo（1.6GB），它是 large-v3 的蒸馏版本，以少量准确率换取约 8× Whisper-large 的速度。它是适合听写的 Whisper，但只能缩小差距，无法追平。完整的型号大小对比请参阅 Whisper 模型大小指南。

经验法则很简单。英语或主要欧洲语言：三者都可用，按速度选择。日语、韩语、越南语、阿拉伯语和印地语：Nemotron 3.5 如今可提供流式识别，这是本地模型真正的首次突破。普通话、泰语、印度尼西亚语、斯瓦希里语或大量语言切换：Whisper 仍是唯一严肃的选择，短期内不太可能改变。

在流式识别方面，Nemotron 不只是小幅领先，而是在完成另外两者受架构限制无法完成的事。 Whisper 以 30 秒窗口处理音频，并重新编码看到的全部内容。因此所谓“实时”Whisper，其实是把同一个批处理模型反复运行在相互重叠的音频上，成本高、延迟大，接缝处也不稳定。Nemotron 的缓存感知架构专为流式场景训练：它只处理最新音频块，延续内部状态，并在可配置的 80 毫秒至 1.12 秒延迟范围内输出部分文字。

在大规模部署中，效率差异非常显著：NVIDIA 报告同一 GPU 上可实现比上一代流式模型 多 17× 的并发流 。而在笔记本电脑上，您感受到的优势更直观：模型在本机 CPU 上运行，文字随说话出现。我们在 流式 ASR 技术深入解析中详细介绍了将其用于桌面应用所需的工程工作。

如果不在乎实时文字，只是说完后获取最终转录，那么流式识别没有额外价值，Parakeet 批处理模型更合适。流式识别适用于实时字幕、语音智能体以及边说边显示的听写预览。

这些模型都不需要 GPU。NVIDIA 模型以 INT8 量化 ONNX 文件（631–680MB）提供，通过无需 Python 和 PyTorch 的原生二进制运行时 sherpa-onnx，可在任何较新的 CPU（Apple Silicon 或 x86）上流畅运行。Whisper 通过 whisper.cpp 可在各平台运行；small 和 turbo 适合 CPU，large-v3（3GB、~10GB RAM）则确实能从加速中获益。

如果有 GPU，建议用于 Whisper：Apple Silicon 内置 Metal，OpenWhispr 一键提供 CUDA（NVIDIA）和 Vulkan（AMD 与 Intel）运行时，并在 GPU 运行失败时自动回退到 CPU。NVIDIA 转导器在 CPU 上已经足够快，对听写而言 GPU 加速意义不大。

如果隐私是您选择本地方案的原因，三者同样合格：音频在本机处理，绝不上传。我们在 本地转录与云端转录对比中进一步讨论了这种取舍。