本機 vs 雲端轉錄：隱私、速度與準確度全面比較

本機轉錄完全在你的裝置上處理音訊 使用如 OpenAI Whisper 與 NVIDIA Parakeet 等模型，透過 whisper.cpp 之類經最佳化的執行環境運行。音訊永遠不會離開你的電腦。 雲端轉錄會將你的音訊傳送到遠端伺服器 由 Google、AWS、Microsoft、Deepgram 或 AssemblyAI 等供應商營運，在大型 GPU 叢集上處理後回傳文字轉錄結果。這兩種做法之間的關鍵取捨可歸結為五項因素：隱私、延遲、準確度、成本與離線能力。本文以真實數據與真實政策逐項檢視，讓你能做出明智的決定。

最後更新：2026 年 2 月 17 日。量化與政策主張皆對照至少兩個原始來源交叉查核。

• 開放的本機模型已具生產級水準： Whisper 與 Parakeet 都有公開的模型卡與開放實作，適合裝置端推論。 OpenAI Whisper · NVIDIA Parakeet
• 雲端 STT 按用量計費： 主要供應商依音訊量與模型層級計量。 Google 定價 · AWS 定價
• 各供應商的資料處理方式不同： 記錄／保留設定與選擇退出機制因服務而異，且須自行設定。 Google 資料記錄 · AWS AI 選擇退出政策
• 法規背景至關重要： 生物特徵與敏感資料的義務因司法管轄區與使用情境而異。 GDPR 官方條文 · 歐盟 AI 法案官方條文
• OpenWhispr 部署模式： OpenWhispr 預設採用本機處理，並在使用者有需要時支援 BYOK 雲端路由。 OpenWhispr · whisper.cpp 執行環境

當你使用雲端語音轉文字服務時，你的音訊會經歷多個步驟。首先，你的裝置從麥克風擷取原始音訊，並壓縮成適合傳輸的格式——通常是 Opus、FLAC 或線性 PCM。接著，這段壓縮後的音訊會透過網際網路傳送到供應商的 API 端點，通常經由 HTTPS，或使用 WebSocket 連線進行即時串流。

在伺服器端，供應商會讓你的音訊通過託管於 GPU 叢集上的大型神經網路模型。這些模型通常以數十萬小時的標註語音資料訓練而成，遠超過任何個人所能蒐集的規模。處理後的轉錄結果再回傳到你的裝置。

主要的雲端轉錄供應商包括：

• Google Cloud Speech-to-Text ——涵蓋廣泛語言，提供批次與即時串流選項。
• AWS Transcribe ——Amazon 的方案，具備自動語言辨識、自訂詞彙支援與 PII 遮蔽。
• Microsoft Azure Speech ——與 Microsoft 生態系深度整合，提供自訂語音模型與即時轉錄。
• Deepgram ——以速度與開發者體驗著稱，其 Nova-3 模型在具競爭力的價格下提供強勁的準確度。
• AssemblyAI ——專注於準確度與開發者工具，內建語者分離與內容審核功能。

雲端延遲會有所變動，因為它涵蓋擷取、上傳、伺服器端推論與回應傳遞。在連線良好的環境中可能感覺很快，但不穩定的網路或高延遲地區會讓體驗明顯變慢。批次轉錄則可能依檔案長度與排隊狀況耗時數秒到數分鐘不等。

本機轉錄直接在你的裝置上運行語音辨識模型。過程中完全不涉及網路——音訊從麥克風直接進入在 CPU 或 GPU 上運行的模型，文字隨即從另一端輸出。整個過程都在你電腦的記憶體中完成。

讓高品質本機轉錄成為可能的突破，是 OpenAI 於 2022 年 9 月發布的 Whisper——一個以 68 萬小時多語音訊訓練的開源模型。近期，NVIDIA 發布了其 Parakeet 系列 ASR 模型，在英語基準測試上達到最先進的準確度，並以開放授權釋出。不久之後，Georgi Gerganov 打造了 whisper.cpp，這是一個針對 CPU 推論最佳化的 C/C++ 重新實作，讓 Whisper 的準確度得以在一般硬體上實現，而無需專用 GPU。

Whisper 提供多種模型尺寸，各自在準確度與速度之間取捨：

在 Apple Silicon（M1 至 M4）上，whisper.cpp 透過 Metal 完全在 GPU 上執行推論，即使使用 medium 模型也能達到即時或超即時的速度。Turbo 模型——large-v3 的最佳化變體，準確度損失極小——在現代 MacBook 上以高吞吐量運行，這也是它常用於低延遲本機聽寫工作流程的原因。

其他本機轉錄引擎還包括 Vosk （輕量但準確度較低）與 Sherpa-ONNX （新一代 Kaldi，支援 ONNX 執行環境）。不過，透過 whisper.cpp 運行的 OpenAI Whisper 與 NVIDIA Parakeet 仍是本機轉錄品質的黃金標準。

隱私是本機與雲端轉錄之間最大的區別。採用本機處理時，「我的音訊資料會發生什麼事？」這個問題有個簡單的答案：什麼都不會發生。它留在你的裝置上、你的 RAM 裡，並在轉錄後被丟棄。沒有第三方需要信任、沒有政策需要閱讀、也沒有資料外洩需要擔心。

雲端轉錄要求你信任你的供應商。以下是主要供應商對於如何處理你的音訊實際所言：

我們坦白說：在某些使用情境下，頂尖的雲端供應商在原始準確度上仍占有優勢。它們以龐大的專有資料集訓練、提供即時模型更新，並能運用情境特定的自訂詞彙。對於困難的音訊——濃重口音、嘈雜環境、領域特定術語——Google 的 Chirp 2 或 Deepgram 的 Nova-3 等雲端服務往往表現出色。

話雖如此，差距已大幅縮小。以 68 萬小時多語音訊訓練的 OpenAI Whisper large-v3，在多數常見語言上達到具競爭力的字詞錯誤率（WER）。NVIDIA 的 Parakeet 模型更進一步推高了標準，在標準英語基準測試上達到最低的 WER 之一。獨立基準測試持續顯示，這些開放模型在英語上的表現與商業雲端服務僅相差幾個百分點，在長尾的特定語言上有時甚至更勝一籌。

Turbo 模型——large-v3 的蒸餾變體，參數量為 809M 而非 1.55B——保留了大部分準確度，同時運行速度約快 8 倍。對於對著一支不錯的麥克風清楚口述的即時聽寫，對多數使用者而言，Turbo 與雲端 API 之間的差異微乎其微。

結論：若你在安靜環境中使用不錯的麥克風口述，於本機運行的 Whisper Turbo、Whisper large-v3 或 Parakeet 等模型，在多數實際用途上能給你與雲端服務難以區分的結果。雲端則在嘈雜的多語者情境、小眾語言與領域特定詞彙上更勝一籌。

延遲對即時聽寫最為關鍵——你會希望說完話後，文字能立刻出現。在這一點上，本機與雲端轉錄有著根本不同的延遲特性。

對於即時串流，雲端供應商在連線穩定時能快速回傳部分推測結果。但這仍需要穩定的低延遲連線。在飛機上、壅塞的公共 Wi-Fi 中，或受限的 VPN 路由後方，感受到的延遲可能迅速惡化。

使用 whisper.cpp 的本機轉錄並非傳統意義上的即時串流。多數本機實作採用「按住說話」模式：你說話、音訊被緩衝，接著模型處理完整的語段。在 Apple M 系列晶片上使用 Turbo 模型時，這個處理步驟夠快，對聽寫而言延遲感覺微不足道——短語通常在一秒內完成。

對於預錄檔案的長篇轉錄，雲端服務可在 GPU 叢集間平行處理，往往能快速完成大量批次。本機吞吐量則受限於你的機器與模型選擇，因此處理非常長的錄音時可能較慢。

本機轉錄除了你已擁有的硬體外不需任何額外成本。沒有 API 金鑰、沒有計費儀表板、沒有按分鐘計費。你下載一個模型檔案（從 Tiny 的 75MB 到 Large-v3 的 3GB 不等），就完成了。永遠免費。

雲端供應商按用量收費（依廠商與模型，按分鐘或按小時計）。方案與折扣經常變動，因此在編列預算前請先核實當前費率：

註：雲端定價通常會針對語者分離、PII 遮蔽或自訂詞彙等功能加收額外費用。上述基本價格僅適用於標準轉錄。

這一點是二元的：雲端轉錄需要網路，本機轉錄則不需要。對許多人而言，這是決定性的因素。

離線能力不可或缺的情境：

沒有一種做法是放諸四海皆準的。正確的選擇取決於你最看重什麼。

• OpenAI Whisper ——原始模型儲存庫，含模型尺寸、基準測試與文件。
• whisper.cpp ——Whisper 的 C/C++ 移植版，針對 CPU 與 Apple Silicon GPU 推論最佳化。
• NVIDIA Parakeet RNNT 模型卡 ——開放 ASR 模型指標與使用指南。
• Google Cloud Speech-to-Text 定價 ——Google 語音 API 的當前定價層級。
• AWS Transcribe 定價 ——Amazon 批次與串流的當前按用量定價。
• Azure Speech Services 定價 ——Microsoft 即時與批次語音轉文字的定價。
• Deepgram 定價 ——Deepgram 模型層級定價詳情。
• AssemblyAI 定價 ——AssemblyAI 用量與模型層級定價詳情。
• Google Speech-to-Text 資料記錄 ——Google 關於如何處理與儲存音訊資料的文件。
• AWS AI 服務選擇退出政策 ——如何防止 AWS 使用你的內容來改善其 AI 服務。
• Azure Speech 資料隱私 ——Microsoft 針對 Speech Services 的資料隱私與安全文件。
• Robust Speech Recognition via Large-Scale Weak Supervision ——Radford 等人於 2022 年發表的原始 Whisper 論文，詳述訓練方法與 WER 基準。
• GDPR（歐盟官方條文） ——個人／生物特徵資料處理的法律基準。
• 歐盟 AI 法案（歐盟官方條文） ——與生物特徵及高風險系統相關的 AI 風險分級義務。
• OpenWhispr ——將本機優先＋選擇性 BYOK 雲端工作流程整合於單一應用程式的範例。