做了一个完全本地的语音转文字工具，不想只做一个 Whisper GUI

这几个月一直在做一个叫 OpenASR 的项目，今天来 V2EX 聊聊。

起因很简单。平时会议录音、视频素材、语音笔记需要转文字，也经常要给 Agent 口述比较长的需求。试了不少语音服务，要么要上传云端，要么只支持 Whisper ，要么需要自己搭 Python 环境装 CUDA 下权重改参数。

其实本地 ASR 模型这两年发展得很快。Whisper 之外，Qwen3-ASR 、SenseVoice 、FireRed 、Dolphin 、X-ASR 都是非常优秀的模型，但普通用户想体验它们的门槛还是太高了——每个模型一套推理框架、一套依赖、一套配置方式。模型越来越多，使用体验还停留在开发者工具阶段。

所以我想做一个统一的本地 ASR 工具。音频不上传服务器，模型下完可以断网跑。支持本地音频视频转文字、实时字幕、全局语音输入、CLI 和本地 API ，多种模型一键切换。

为什么不只做 Whisper GUI ？

一方面，不同 ASR 模型各有强项。有些中文场景强，有些方言覆盖广，有些适合实时流式，有些对低配设备友好。一个好的本地 ASR 工具不应该绑死在一个模型上。

另一方面，现在各家模型的 runtime 其实很割裂。有的跑在 ggml 上，有的用 ONNX ，有的要 PyTorch ，开放的推理接口也不统一。如果你想同时用 Whisper 和 FireRed 和 Dolphin ，实际上要装三套环境、学三套用法。OpenASR 想把这层差异吃掉——统一成一个引擎、一套模型格式、一个入口，用户不需要关心底层跑的是什么。而且统一引擎不只是方便，同模型同参数下我们实测比 whisper.cpp 快约 8%，这个指标是 CI 门禁锁住的，每次提交都跑，不允许回归。

目前已经接入了 Whisper 、Qwen3-ASR 、SenseVoice 、FireRed 、Dolphin 、X-ASR 、Moonshine 、Parakeet 等十几个模型族，做了一个模型市场，打开就能搜索、下载、切换，不用碰命令行。

聊几个我觉得比较有意思的：

FireRedASR2 来自小红书团队，在公开中文测试集上表现非常强，很多场景可以到 SOTA 级别。不过 benchmark 只是参考，真实会议、噪声、口音环境下到底怎么样，我自己也没完全摸清，希望有人帮忙测。

Dolphin 是 Dataocean AI 和清华联合做的，最大亮点是支持 22 种中文方言和地区口音。普通话模型"能听懂一点方言"和专门针对方言训练的模型，体验差别真的很明显。四川话、粤语、吴语、闽南语用户如果愿意试试，我特别想知道结果。

X-ASR 来自上海交大、复旦等机构，是中英双语流式模型。不是"录完再识别"，而是边说边出字，特别适合实时字幕和语音输入。也是我自己 vibe coding 时最喜欢的模型。

一些技术细节

底层不是套壳 whisper.cpp 。基于 vendored ggml fork 自己写的推理引擎，有一套自研的 .oasr 模型格式，mmap 零拷贝加载。Whisper 同模型同参数下实测比 whisper.cpp 快约 8%，其他模型族对比各自的最佳推理方案也保持更快或与 SOTA 持平。M1 上最快的模型可以到 37 倍实时速度，几乎所有模型都可以做到实时，除了两个特别大的 8B 模型。

模型下载也不是裸 HTTP 拉文件。每个模型经过 sha256 校验 + Ed25519 catalog 签名 + GGUF 格式预检，通过了才原子安装。"不联网"不只是一句口号，信任链是完整的。

另外 openasr serve 可以起一个本地 OpenAI 兼容 API （/v1/audio/transcriptions），改个 base_url 就能接现有的 OpenAI SDK 生态。如果你的 agent 工具链已经在用 OpenAI 的转录接口，换成本地几乎零改动。

除了转录本身，还有标点恢复、说话人分离、声纹识别这些周边模型，不过这部分还在完善。后续也会计划支持实时翻译、转写后的文本润色、视频/音频总结等功能。

当前状态

项目还是 0.1.x 早期阶段。支持 macOS Apple Silicon 和 Windows x64(有对 vulkan/cuda/rocm 的支持)，有桌面端安装包和本地 CLI/API 。核心用 Rust 写，Apache-2.0 开源。

接下来给自己定了个目标：尽量每周研究一个新的 ASR 模型族，适合本地跑的就接入，不适合的也记录原因。不会为了数量把"能启动"当成正式支持。

官网： https://openasr.org GitHub： https://github.com/QuintinShaw/openasr

最后想问几个问题

1. 各位用过哪些 ASR 模型觉得效果好但比较小众的？不一定排行榜第一，某个场景特别强就很有价值。
2. 中文方言场景，有没有实际体验过 X-ASR / FireRed / Dolphin / SenseVoice 的？
3. 如果做一个本地 ASR 模型库，你觉得最需要什么功能？

具体的问题、失败案例、模型推荐对我来说比点赞有用得多，欢迎直接吐槽