做了一个完全本地的语音转文字工具，不想只做一个 Whisper GUI，这一消息引发行业关注

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。

🔗 原始来源

如果你要核对细节，可以再看原文： V2EX原文链接