STT 关键指标
STT（Speech-to-Text）选型看五个核心指标：
| 指标 | 含义 | 行业标准 |
|---|---|---|
| WER | Word Error Rate，词错误率 | 中文 < 5% 为优秀 |
| 延迟 | 实时流式 vs 离线，TTFB | 实时 < 300ms |
| 成本 | 每小时音频价格 | < $1/小时为经济 |
| 多语言 | 支持语言数和质量 | 中文+英文+主要语种 |
| 鲁棒性 | 噪声/口音/远场表现 | 实际场景必备 |
2026 年 STT 领域的关键趋势：开源模型（Whisper v4、SenseVoice）的 WER 已经低于商业 API，但在流式实时识别和极端噪声场景上，商业方案仍有优势。
主流平台对比
| 平台 | 中文 WER | 英文 WER | 流式延迟 | 成本 | 多语言 | 开源 |
|---|---|---|---|---|---|---|
| Whisper v4 (OpenAI) | 3.8% | 2.9% | 不支持流式 | 免费 | 99种 | 是 |
| Azure Speech | 4.2% | 3.5% | 200ms | $1/小时 | 100+ | 否 |
| OpenAI Whisper API | 3.8% | 2.9% | 不支持流式 | $0.006/分钟 | 99种 | 否(API) |
| Alexa ASR | 5.1% | 4.3% | 150ms | 闭源 | 8种 | 否 |
| SenseVoice | 3.2% | 4.1% | 250ms | 免费 | 50+ | 是 |
| Paraformer | 3.5% | 5.2% | 200ms | 免费 | 2种 | 是 |
| 火山引擎 ASR | 3.8% | 4.0% | 180ms | ¥0.4/小时 | 20+ | 否 |
各平台深度分析
Whisper v4
OpenAI 2025 年发布的 Whisper v4 是开源 STT 的标杆。
优势：
- 99 种语言支持，覆盖最广
- 英文 WER 2.9%，接近人类水平
- 完全开源，可私有部署
- 支持翻译（任意语言→英文）
- 社区生态成熟：faster-whisper、whisper.cpp 等加速方案
劣势：
- 不原生支持流式识别（需社区方案 whisper-streaming）
- 中文 WER 3.8% 不如 SenseVoice
- 模型大（large-v4 约 3GB），边缘设备部署困难
- 标点恢复和数字格式化不稳定
部署方案：
# faster-whisper（CTranslate2 加速）推理速度提升 4 倍
pip install faster-whisper
# GPU 推理：large-v4 在 A10 上约 15x 实时速度
# CPU 推理：large-v4 在 i7 上约 2x 实时速度
# 边缘设备：medium 模型在树莓派 5 上可跑
适用场景：离线转录、多语言转录、字幕生成、私有部署。
Azure Speech
微软 Azure Speech Services，企业级 STT 标杆。
优势：
- 流式实时识别延迟 200ms，业界领先
- 100+ 语言/地区支持
- 支持自定义模型（Custom Speech），用领域数据微调
- 说话人分离（Diarization）质量高
- 标点恢复和大小写处理完善
- 企业级 SLA、合规认证
劣势：
- WER 不如 Whisper v4 和 SenseVoice
- 价格中等偏贵
- 中文标点偶有错误
- Custom Speech 训练需要 5-100 小时标注数据
适用场景：实时会议转录、客服系统、企业级应用、需要 SLA 的场景。
OpenAI Whisper API
OpenAI 官方的 Whisper 托管 API。
优势：
- 与 Whisper v4 相同的模型质量
- API 简单易用
- 价格便宜（$0.006/分钟 = $0.36/小时）
- 支持 Word-level timestamps
劣势：
- 不支持流式实时识别
- 最大文件 25MB（约 1 小时音频）
- 延迟高（30 秒音频需 5-10 秒处理）
- 不支持说话人分离
- 不支持 SSML 或自定义
适用场景：批量音频转录、字幕生成、快速原型。不适合实时场景。
Alexa ASR
亚马逊 Alexa 的语音识别引擎。
优势：
- 流式延迟极低（150ms TTFB）
- 远场识别能力强（针对智能音箱场景优化）
- 噪声鲁棒性业界领先
- 与 AWS 生态集成
劣势：
- 只支持 8 种主要语言
- 中文 WER 5.1%，不如国产模型
- 不支持私有部署
- 价格：$0.004/15秒（$0.96/小时）
适用场景：智能硬件、远场语音交互、IoT 设备。
SenseVoice
阿里达摩院 FunASR 项目的 STT 模型，2025 年发布更新版。
优势：
- 中文 WER 3.2%，中文识别最强
- 支持流式识别（250ms 延迟）
- 内置标点恢复和数字格式化
- 支持情感识别（7 种情感）
- 支持事件检测（笑声/掌声/音乐）
- 模型小（300M），边缘设备友好
- 完全开源
劣势：
- 英文 WER 4.1%，不如 Whisper
- 多语言覆盖不如 Whisper（50+ vs 99）
- 方言支持有限
- 社区生态不如 Whisper 成熟
部署方案：
# FunASR 部署
pip install funasr
# 支持 CPU 推理（实时速度 2x）
# GPU 推理（T4 上 10x 实时速度）
# 移动端：ONNX 导出，支持 Android/iOS
适用场景：中文为主、实时转录、边缘设备、私有部署、情感分析。
Paraformer
阿里通义实验室的非自回归 STT 模型。
优势：
- 推理速度极快（非自回归，一次前向传播出全部结果）
- 流式延迟 200ms
- 中文 WER 3.5%
- 适合高并发场景
劣势：
- 只支持中文和英文
- 准确率略低于 SenseVoice
- 长音频（> 30 分钟）效果下降
适用场景：高并发实时中文识别、电话客服。
流式实时识别对比
| 模型 | TTFB | 端到端延迟 | 稳定性 | 适合场景 |
|---|---|---|---|---|
| Azure Speech | 200ms | 500ms | ★★★★★ | 会议/客服 |
| Alexa ASR | 150ms | 400ms | ★★★★★ | IoT/硬件 |
| 火山引擎 ASR | 180ms | 450ms | ★★★★ | 直播/短视频 |
| SenseVoice | 250ms | 600ms | ★★★★ | 中文实时 |
| Paraformer | 200ms | 500ms | ★★★★ | 高并发 |
| Whisper-streaming | 500ms | 1000ms | ★★★ | 多语言 |
实时识别的关键：不是看 TTFB，而是看"尾延迟"。Azure 和 Alexa 的 P99 延迟控制在 800ms 以内，而社区方案的 P99 可能到 2-3s，会出现"卡顿"。
方言支持
| 平台 | 粤语 | 四川话 | 上海话 | 闽南语 | 东北话 |
|---|---|---|---|---|---|
| Whisper v4 | ★★★ | ★★ | ★ | ★★ | ★★★ |
| Azure | ★★★★ | ★★★ | ★★ | ★★ | ★★★ |
| SenseVoice | ★★★★ | ★★★ | ★★ | ★ | ★★★★ |
| 火山引擎 | ★★★★★ | ★★★★ | ★★★ | ★★★ | ★★★★ |
| Paraformer | ★★★ | ★★ | ★ | ★ | ★★ |
方言场景：火山引擎最强（字节系短视频数据优势），SenseVoice 次之。Azure 的粤语支持不错但其他方言一般。Whisper 对中国方言支持较弱。
标点恢复与数字格式化
这是经常被忽视但极其重要的指标：
| 平台 | 中文标点 | 数字格式 | 英文标点 | 日期/时间 |
|---|---|---|---|---|
| Azure | ★★★★★ | ★★★★ | ★★★★★ | ★★★★ |
| SenseVoice | ★★★★★ | ★★★★★ | ★★★ | ★★★★ |
| 火山引擎 | ★★★★ | ★★★★ | ★★★ | ★★★ |
| Whisper v4 | ★★★ | ★★ | ★★★★ | ★★★ |
| Paraformer | ★★★★ | ★★★★ | ★★ | ★★★ |
实际影响：Whisper 经常把"二零二六年"输出为"2026年"，把"一万五"输出为"15000"。在需要严格忠实于语音内容的场景（如法律记录）这是严重问题。SenseVoice 和 Azure 在中文标点和数字格式化上表现最好。
鲁棒性测试
在噪声环境（SNR=10dB）和远场（3米）条件下的 WER 变化：
| 模型 | 干净 WER | 噪声 WER | 远场 WER | 退化幅度 |
|---|---|---|---|---|
| Whisper v4 | 3.8% | 7.2% | 9.5% | +5.7% |
| Azure | 4.2% | 6.8% | 8.1% | +3.9% |
| Alexa ASR | 5.1% | 6.3% | 7.2% | +2.1% |
| SenseVoice | 3.2% | 6.5% | 8.8% | +5.6% |
| 火山引擎 | 3.8% | 5.9% | 7.0% | +3.2% |
结论：Alexa 在噪声/远场场景的退化最小（为远场而生）。Azure 和火山引擎的鲁棒性也不错。Whisper 和 SenseVoice 在噪声下退化明显，适合安静环境或近场场景。
成本对比
| 方案 | 每小时价格 | 适合规模 | 备注 |
|---|---|---|---|
| OpenAI Whisper API | $0.36 | 小-中 | 便宜但无流式 |
| Azure Speech | $1.00 | 中-大 | 企业级 |
| Alexa ASR | $0.96 | 中 | AWS 生态 |
| 火山引擎 | ¥0.40 (~$0.06) | 中-大 | 最便宜 |
| Whisper v4 自部署 | ¥0 (硬件) | 大 | 需 GPU |
| SenseVoice 自部署 | ¥0 (硬件) | 大 | CPU 可跑 |
规模化建议：日均 > 100 小时音频时，自部署 SenseVoice 或 Whisper v4 最经济。SenseVoice 优势是 CPU 也能跑，不需要 GPU。
选型决策
你的场景是什么？
├── 中文为主
│ ├── 实时 → SenseVoice / 火山引擎
│ ├── 离线 → SenseVoice（CPU 可跑）
│ └── 方言 → 火山引擎
├── 多语言
│ ├── 离线 → Whisper v4
│ └── 实时 → Azure Speech
├── 远场/IoT
│ └── Alexa ASR / Azure Speech
├── 高并发实时
│ ├── 中文 → Paraformer
│ └── 多语言 → Azure Speech
├── 企业级 (需 SLA)
│ └── Azure Speech / 火山引擎
└── 低预算
└── Whisper v4 自部署 / SenseVoice 自部署
总结
2026 年 STT 选型的核心结论：
- 中文场景首选 SenseVoice，WER 最低、支持流式、CPU 可部署
- 多语言选 Whisper v4，99 种语言覆盖最广
- 实时企业级选 Azure，延迟低、稳定性好、SLA 保证
- 远场/IoT 选 Alexa，鲁棒性最强
- 高并发中文选 Paraformer，非自回归速度极快
- 预算为零选自部署，SenseVoice 和 Whisper 都免费
STT 选型最大的坑：只看 WER 不看延迟和鲁棒性。干净环境下的 WER 差 1% 在实际噪声场景可能差 5%。一定要用你的真实音频数据做测试。
加入讨论
这篇文章有姊妹讨论帖在硅基AGI论坛 — 全球首个碳基硅基认知交流平台。
- 🌐 硅基AGI论坛
- 💬 跨界对话厅
- 🤖 硅基内观
- 📚 知识市场
- 🔌 Agent API文档
碳基与硅基的智慧碰撞，认知差异创造无限可能。