中文语音识别该用谁？6 个开源模型 + 2 个配套工具，一文理清

导读

中文语音识别的开源方案越来越多，但它们不在同一个层面上——有的是模型，有的是工具包，有的是部署运行时。直接把它们摊在一张表里比"谁更好"，容易越看越糊涂。本文把 6 个中文语音识别模型和 2 个配套工具拆开来看，在统一基准上比精度、速度和功能，帮你理清它们的关系，找到适合自己场景的组合方案。

一、先搞清楚：这些项目是什么关系？

中文语音识别的开源生态可以分为三层：

模型层——做识别的：

注：Moonshine 是美国 Useful Sensors 公司开发的端侧 ASR 模型，中文精度有限（CER ~36%），但模型仅 27M 参数，是目前最轻量的端侧选择，本文将其纳入对比供端侧部署场景参考。

工具包层——管理和组合模型的：

• FunASR（达摩院，15.2k Star）：统一的 AutoModel接口，可以将语音活动检测（VAD）、ASR、标点恢复、说话人分离串联成流水线。Paraformer、SenseVoice、Fun-ASR-Nano 都可以通过它调用。

部署运行时（Runtime）层——把模型跑在设备上的：

模型本身只是一个权重文件，不能自己运行。你需要一个程序来加载模型、接收音频、执行计算、输出文字——这就是运行时（Runtime）。服务端部署通常用 FunASR 的 Docker 服务或 vLLM；端侧部署（手机、嵌入式设备）则主要靠：

• sherpa-onnx（Next-gen Kaldi，10.8k Star）：把 Paraformer、SenseVoice 等模型部署到手机、树莓派、鸿蒙设备上，支持 12 种编程语言，完全离线运行。

值得注意的是，很多时候是组合使用的。比如"用 SenseVoice 模型 + 通过 FunASR 接口调用 + 用 sherpa-onnx 部署到手机上"。下面先比模型，再讲怎么用、怎么部署。

二、精度对比：数据说话

统一基准对比（CER%，越低越好）

以下数据来自 FireRedASR2S 仓库的对比表，所有模型在相同测试集上由同一方测试，数据口径统一：

数据来源：FireRedASR2S 仓库（同一方测试，数据口径统一）。原始对比表还包含 Doubao-ASR（非开源），本文未纳入。表中"Fun-ASR"为 Fun-ASR（7.7B），该模型未开源，开源版本为 Fun-ASR-Nano（800M）。

几个关键信息：

• FireRedASR 在所有普通话测试集上都排第一，AISHELL-1 上 AED 版本 CER 仅 0.57%
• Qwen3-ASR（3.76%）和 Fun-ASR-Nano（约 4.55%，开源）水平接近

其他模型的精度参考

以下模型不在上面的统一对比表中，数据来自各自的官方来源，口径可能不完全一致：

Moonshine Tiny 的 CER 36.1% 与其他方案差距很大，主要原因是中文训练数据量不足——69.8 小时 vs 其他方案的万到千万小时级别。它的优势不在精度，而在端侧部署能力。Whisper-Large-v3 在中文场景下精度也明显弱于国产方案，但端侧生态成熟（whisper.cpp，47.5k Star），常作为参照基线。

方言对比（CER%，越低越好）

同样来自 FireRedASR2S 仓库对比表：

注：表中"Fun-ASR"为 Fun-ASR（7.7B），该模型未开源，开源版本为 Fun-ASR-Nano（800M）。方言对比表中无 Fun-ASR-Nano 的数据。歌词（opencpop）为基准测试中的通用测试集，所有模型均参与测试，不代表该模型具备专门的歌词识别功能。

方言场景下，不同方言的优劣排序不同——上海话场景 Fun-ASR（7.7B）反而最好（12.55%），歌词识别 FireRedASR 优势明显（1.12%）。没有一个模型在所有方言上全面领先。

三、速度与大小对比

注：各模型的速度数据测试环境不同，不能严格横向比较。SenseVoice-Small 的 70ms 测试设备未在仓库中标明。

四、功能对比：谁能做什么？

以下为各模型自身的能力（不含工具包加持）：

Paraformer、SenseVoice-Small、Fun-ASR-Nano 三个模型都可以通过 FunASR 工具包搭配以下模块使用：VAD（fsmn-vad）、标点恢复（ct-punc）、说话人分离（cam++）、热词定制、情感识别（emotion2vec）。部分模块与模型自身能力重叠时可按需选用。FireRedASR v2 自带 VAD、标点、语种识别的一体化方案。Qwen3-ASR 和 Moonshine 是独立接口，不通过 FunASR 调用。

一句话概括各模型的功能特色：

• SenseVoice-Small：独家的情感识别 + 音频事件检测，一个模型同时输出，支持时间戳
• FireRedASR v2：精度最高，且自带 VAD、标点、语种识别、时间戳的一体化方案
• Paraformer：最早发布（2022 年），自身支持流式识别和时间戳，FunASR 生态中集成最成熟
• Fun-ASR-Nano：支持流式转录和歌词识别，通过 FunASR 可搭配 VAD、标点等模块
• Qwen3-ASR：支持流式识别、时间戳和语种识别
• Moonshine：参数最小（27M），支持流式识别，为端侧而生

五、端侧部署：谁能跑在设备上？

端侧场景下，Moonshine、SenseVoice-Small、Paraformer 以及 Whisper（通过 whisper.cpp）是目前有明确部署方案的选择。Whisper 是 OpenAI 开源的多语言语音识别模型，中文不是其主场（精度见第二章对比表），但端侧生态成熟（whisper.cpp，47.5k Star），本文将其作为参照列入端侧部署对比，不作为中文场景的推荐方案。

端侧部署方案

sherpa-onnx是中文 ASR 端侧部署覆盖平台最广的方案，集成了 Paraformer 系列（多个变体）、SenseVoice 等中文模型，完全离线运行，不需要网络连接。whisper.cpp（47.5k Star）是 Whisper 模型的端侧部署方案，纯 C/C++ 实现无依赖，支持量化（q5/q8），Apple Silicon 特别优化。

六、方言支持

如果方言识别是核心需求，Qwen3-ASR 和 FireRedASR v2 是目前覆盖最全的两个选择。

七、上手使用：从代码开始

FunASR 工具包（Paraformer / SenseVoice / Fun-ASR-Nano 通用）

安装一行搞定：

pip3 install -U funasr

FunASR 的核心价值是统一接口和模型组合。以下示例将 Fun-ASR-Nano + VAD 串联：

from funasr import AutoModel

model = AutoModel(
    model="FunAudioLLM/Fun-ASR-Nano-2512",
    vad_model="fsmn-vad",
    vad_kwargs={"max_single_segment_time": 30000},
    device="cuda:0",
)
res = model.generate(input=[wav_path], cache={}, batch_size_s=0)
text = res[0]["text"]

切换模型只需更改 model参数，比如换成 SenseVoice 同时获得情感识别能力：

model = AutoModel(
    model="iic/SenseVoiceSmall",
    vad_model="fsmn-vad",
    vad_kwargs={"max_single_segment_time": 30000},
    device="cuda:0",
)
res = model.generate(input="audio.mp3", cache={}, language="auto", use_itn=True)

还可以加入标点恢复和说话人分离：

model = AutoModel(
    model="paraformer-zh",
    vad_model="fsmn-vad",
    punc_model="ct-punc",
    spk_model="cam++",
)

Qwen3-ASR（独立接口）

pip install -U qwen-asr

Qwen3-ASR 不使用 FunASR，有自己独立的接口和调用方式。

FireRedASR（独立接口）

git clone https://github.com/FireRedTeam/FireRedASR.git
pip install -r requirements.txt

需要 GPU，音频须转为 16kHz 单声道 WAV，AED 模型单次最长处理 60 秒音频。

Moonshine（独立接口）

pip install moonshine-voice

自带端侧运行时，不依赖其他工具包。

八、服务端部署

如果部署在服务器上（云端/机房），不需要 sherpa-onnx 这类端侧运行时，各方案都有自己的服务端部署方式：

• FunASR Docker 服务：提供离线文件转录和实时流式转录两种服务，支持 CPU 和 GPU。GPU 离线服务单线程 RTF 0.0076，多线程加速比 1200+。
• FireRedASR：支持 TensorRT-LLM 和 vLLM 推理加速，AISHELL-1 上相比 PyTorch 基线加速 12.7 倍（H20 GPU）。
• Qwen3-ASR：支持 vLLM 后端，0.6B 模型 128 并发下 Online 模式吞吐量约 2000 秒/秒，1.7B 模型 Offline 模式约 980 秒/秒。

九、许可证：能商用吗？

注意：Moonshine 的中文模型不是 MIT 许可，年收入超过 100 万美元的企业需要单独获取商业授权。

十、选哪个？看你的场景

大多数中文识别场景通过 FunASR 调用 Paraformer、SenseVoice 或 Fun-ASR-Nano，搭配 VAD + 标点恢复，上手最简单。pip install funasr，三行代码跑通。

对精度要求极高FireRedASR，中文公开基准第一（LLM 版本普通话平均 CER 2.89%，AED 版本 3.05%）。但需要 GPU，且音频有时长限制。

需要识别方言Qwen3-ASR（22 种中文方言）或 FireRedASR v2（20+ 种）覆盖最全。Fun-ASR-Nano 支持 7 种方言和 26 种口音。

需要情感识别或音频事件检测SenseVoice-Small，一个模型同时完成 ASR + 情感 + 事件检测，且推理速度极快（70ms 处理 10 秒音频）。

需要部署到手机或嵌入式设备中文精度优先选 SenseVoice-Small 或 Paraformer，通过 sherpa-onnx 部署，平台覆盖最广。如果已有 Whisper 的使用经验，whisper.cpp 也是成熟的端侧方案（47.5k Star），中文精度弱于国产模型但生态最大。如果对模型大小极度敏感（< 30M），Moonshine Tiny 是唯一选择，但中文精度有限。

需要实时/流式转录Paraformer-streaming（通过 FunASR）、Fun-ASR-Nano（通过 FunASR）、Qwen3-ASR 或 Moonshine，均原生支持流式识别。

不知道选什么从 FunASR 开始。pip install funasr，通过 AutoModel接口可以快速试用 Paraformer、SenseVoice、Fun-ASR-Nano 等模型，社区最大，上手门槛最低。

相关仓库：

• FunASR：https://github.com/modelscope/FunASR （15.2k Star）
• SenseVoice：https://github.com/FunAudioLLM/SenseVoice （7.3k Star）
• Fun-ASR：https://github.com/FunAudioLLM/Fun-ASR
• FireRedASR：https://github.com/FireRedTeam/FireRedASR （1.8k Star）
• FireRedASR2S：https://github.com/FireRedTeam/FireRedASR2S
• Qwen3-ASR：https://github.com/QwenLM/Qwen3-ASR （2.0k Star）
• Moonshine：https://github.com/usefulsensors/moonshine （7.3k Star）
• sherpa-onnx：https://github.com/k2-fsa/sherpa-onnx （10.8k Star）
• whisper.cpp：https://github.com/ggml-org/whisper.cpp （47.5k Star）