Qwen3 ASR本地转写体验
dotey · x · 2026-07-17
作者回顾了自己做字幕翻译时遇到的语音转文字痛点： - Whisper 的问题：时间戳不准，导致字幕拆分后和语音对不上；中英文混排支持不好，中文转录效果也一般；不支持发言人识别。 - 这些问题可以靠收费云模型解决，但成本更高。 最近他测试了 **Qwen3 ASR**，认为效果很好，配合 **Qwen3-ForcedAligner** 可以把词级时间戳对得很准，而且 **0.6b** 就够用，本地运行资源占用不高。 发言人识别方面，他提到开源方案 **Pyannote + WeSpeaker**，不过多人同时说话时准确率仍有限；如果结合 Agent 和上下文，效果会更好。 如果对质量要求更高，也可以用云端方案，比如火山引擎上的 **豆包录音文件识别模型 2.0**，作者认为质量和速度都不错，但需要额外付费。