1. Confucius4-R2T2（网易有道子曰）
- 参数：1.7B
- 模型大小：GGUF Q8_0 量化包约 2.2GB
- 核心特点：真流式 ASR，基于 Qwen3-ASR-1.7B 微调；最长稳定前缀（LSP）技术——只追加不回改；音频截断场景无幻觉
- 部署方式：llama.cpp + Metal（Mac）或 vLLM（NVIDIA GPU）
- 系统要求：16GB M2 Pro 即可本地推理
- 使用场景：实时字幕、语音 Agent、直播字幕、会议实时转录
- 原文：微博
2. MiMo-V2.5-ASR（小米）
- 参数：未公开
- 核心特点：中英混合识别、方言覆盖（吴语/粤语/闽南语/四川话等）、歌词转录、噪声与多人环境鲁棒
- 官方测试：普通话 95.2%、英语 93.8%、方言混合 91.5%、嘈杂环境 89.7%
- 部署方式：Python 3.12+，CUDA 12.0+，至少 4GB 显存（推荐 8GB+），Gradio 本地界面
- 使用场景：会议录音转写、课堂字幕、播客整理、智能家居/车载语音输入
- 原文：如何在本地快速跑通 MiMo-V2.5-ASR
3. Faster-Whisper（开源社区）
- 参数：tiny (39MB) / base (74MB) / small (244MB) / medium (769MB) / large (1550MB)
- 核心特点：基于 CTranslate2 对 Whisper 的重实现，比原始 Whisper 快 4-5 倍，内存占用降低 50-60%
- 部署方式：
pip install faster-whisper，100% 离线运行，支持 CPU/GPU - 模型质量：与原始 Whisper 质量一致
- 使用场景：通用语音转写，生产环境推荐 small 或 medium
- 原文：Faster-Whisper 对比文档
4. TMSpeech（Windows 离线工具）
- 类型：免费开源 Windows 桌面工具（基于 Whisper）
- 模型大小：中文模型约 300MB
- 核心特点：捕获电脑正在播放的声音，识别全部在本地完成，结果实时显示为字幕，按日期存成日志文件
- 部署方式：Windows exe，双击运行，无需联网、无需注册账号
- 使用场景：会议纪要、在线课程字幕、视频补字幕、英语听力练习
- 原文：TMSpeech 完整指南
5. LMSupply.Transcriber（.NET NuGet 包）
- 类型：MIT 开源 NuGet 包（基于 Whisper + ONNX Runtime）
- 核心特点：零配置自动从 HuggingFace 下载模型、自动 GPU 加速（CUDA/DirectML/CoreML）、支持 99+ 语言自动检测
- 部署方式：
dotnet add package LMSupply.Transcriber，支持 Windows/macOS，完全离线 - 使用场景：.NET 应用的语音转文字集成、桌面应用、跨平台本地转录
- 原文：NuGet 包页面
总结对比
| 模型/工具 | 大小 | 流式 | 平台 | 使用场景 |
|---|---|---|---|---|
| Confucius4-R2T2 | 2.2GB | 是 | Mac/Win/Linux | 实时字幕、语音 Agent |
| MiMo-V2.5-ASR | 未公开 | 否 | Win/Linux (GPU) | 会议转写、方言识别 |
| Faster-Whisper | 39MB-1.5GB | 否 | Win/Mac/Linux | 通用转写、生产部署 |
| TMSpeech | 300MB | 是 | Windows | 会议字幕、课程笔记 |
| LMSupply.Transcriber | 自动下载 | 否 | Win/Mac (.NET) | .NET 应用集成 |
选型建议：
- Mac 本地、低延迟实时：Confucius4-R2T2
- 中文方言覆盖：MiMo-V2.5-ASR
- 通用跨平台、生产部署：Faster-Whisper
- Windows 零门槛、实时字幕：TMSpeech
- .NET 项目集成：LMSupply.Transcriber