語音辨識模型比較：Qwen3-ASR、Whisper、SenseVoice、Breeze 官方分數和會議實測差三倍
語音辨識模型的官方錯誤率多在 2～8%，同一個模型轉真實會議是 17～32%。這篇把 Qwen3-ASR、SenseVoice、Whisper、Breeze ASR 25 的官方數字和拾音的會議實測對起來，說明差距從哪來、官方數字怎麼用。
重點
- 同一個模型轉真實會議，錯誤率是官方的 2～4 倍。Qwen3-ASR 1.7B 官方 5.88%，六人遠距收音的中文會議 17.5%。
- 排行榜的 AMI 和拾音測的是同一場會議。每人一支麥克風、切好的短句 8.31%，混成一軌整場轉 31.3%，多出來的錯七成是漏字。
- 官方數字只能刪掉差很多的模型，差幾個百分點的要拿自己的會議錄音量。
目錄
語音辨識模型官方公布的錯誤率，跟拿去轉會議差兩到四倍。這篇把 Qwen3-ASR、SenseVoice、Whisper、Breeze ASR 25 的官方數字跟拾音的會議實測對起來。拾音怎麼量的寫在〈Mac 本機轉錄中文會議誰準〉。
官方數字
| 模型 | 乾淨朗讀 | 最接近會議的 | 出處 |
|---|---|---|---|
| Qwen3-ASR 1.7B | AISHELL-2 2.71% | WenetSpeech test_meeting 5.88% | model card |
| Qwen3-ASR 0.6B | AISHELL-2 3.15% | WenetSpeech test_meeting 6.88% | 同上 |
| SenseVoice-Small | AISHELL-1 2.96% | WenetSpeech test_meeting 7.44% | 論文表 6 |
| Paraformer-large | AISHELL-1 1.95% | WenetSpeech test_meeting 6.97% | ModelScope |
| FireRedASR-AED | AISHELL-1 0.55% | WenetSpeech test_meeting 4.76% | 論文表 2 |
| Whisper large-v3 | AISHELL-1 5.14% | WenetSpeech test_meeting 18.87% | SenseVoice 論文表 6，代量 |
| Breeze ASR 25 | Common Voice 16 台灣華語 7.97% | 沒公布 | 論文表 IV |
| TEA-ASR 1.1 | Common Voice 19 台灣華語 3.58% | 沒公布 | model card |
沒有一家公布遠距多人會議（AISHELL-4、AliMeeting）的成績。同一個模型不同人量的也不一樣，Whisper large-v3 在 WenetSpeech 會議集有 18.87%（SenseVoice 論文）和 19.11%（Qwen 的 model card）兩個數字，比較要用同一份表。
拿去轉會議
實測是拾音的轉錄流程，去掉語助詞後算。中文是 AISHELL-4（6 人、遠距、38 分鐘），英文是 AMI ES2004a，日文是日本國會聽證。實測數字記在拾音 repo 的 design.md §32.1，SenseVoice 那列在 design-windows.md D61，逐次的替換、刪除、插入字數在原始評估紀錄。
| 模型 | 官方 | 會議實測 | 倍數 |
|---|---|---|---|
| Qwen3-ASR 1.7B，中文 | 5.88% | 17.5% | 3.0 |
| Qwen3-ASR 0.6B，中文 | 6.88% | 17.0% | 2.5 |
| SenseVoice-Small，中文 | 7.44% | 26.4% | 3.5 |
| Breeze ASR 25，中文 | 7.97%（朗讀） | 25.7% | 3.2 |
| Qwen3-ASR 1.7B，英文 | 8.31% | 31.3% | 3.8 |
| Whisper large-v3-turbo，日文 | 4.7% | 9.2% | 2.0 |
| Qwen3-ASR 1.7B，日文 | 5.20% | 17.1% | 3.3 |
官方英文出自 Open ASR Leaderboard，日文出自 OpenAI 的 turbo 發布說明和 Qwen 的技術報告附錄表 A.2。
差距從哪來
AMI 最清楚，因為排行榜和拾音用的是同一場會議（ES2004a 在 AMI 官方測試集裡）。排行榜用每個人自己的頭戴麥克風，照標註切成短句（ESB 論文第 3 節與附錄 A）。拾音把四支麥克風混成一軌，整場直接轉。收音距離沒變，Qwen3-ASR 1.7B 從 8.31% 變 31.3%。
Open ASR Leaderboard，2026 年 10 月 27 日。Qwen3-ASR 1.7B 的 AMI 是 8.31，Whisper large-v3 是 13.63。
收音距離是另一筆。Whisper large-v2 在 AMI 頭戴麥克風 16.9%，換成遠處麥克風 36.4%（Whisper 論文表 8）。
多出來的錯大多是漏字。乾淨句子兩個模型都約 2%，會議裡刪除變成 9～23 個百分點，AMI 上佔七成。漏多少跟切段有關：同一個 Qwen，AMI 30 秒一段 31.6%，15 秒一段 39.6%。
遠距多人會議本來就難。AISHELL-4 論文的基準系統是 30～33%，2022 年 M2MeT 挑戰冠軍是 18.79%（論文）。
排名會翻
- TEA-ASR 1.1（Qwen3-ASR 1.7B 微調）：自家表上 3.58% 贏原版 3.90%，六人會議 34.8% 對 16.2%（design.md §32.1）。
- macOS 內建，日文：FLEURS 朗讀 7.0% 最好，國會聽證 15.2% 最差（原始評估紀錄）。
- 英文：排行榜上 Qwen 比 Whisper large-v3 少 5 個百分點，整場會議 Qwen 對 Breeze 只差 1.3。
官方數字怎麼用
- 中文看 WenetSpeech test_meeting，英文看排行榜的 AMI。乾淨朗讀集大家都在 1～3%，分不出會議表現。
- 差兩三倍的可以先刪，例如 Whisper large-v3 在 WenetSpeech 會議集 18.87%，其他在 4.8～7.4%。
- 差幾個百分點的，拿自己的會議錄音量。工具在拾音 repo：
shiyinctl transcribe-eval跑轉錄，asr-score.swift 算分。
AISHELL-4 和 AMI 各只量了一場，數字是 2026 年 10 月的版本。
常見問題
Qwen3-ASR 官方說錯誤率 2% 多，為什麼轉會議是 17%？
官方的 2.71% 是 AISHELL-2，近距收音、切好的短句。拾音量的是 AISHELL-4，六個人、遠距麥克風、38 分鐘整段轉，多出來的錯大多是多人同時說話時漏掉的字。
選會議轉錄的模型要看哪個 benchmark？
中文看 WenetSpeech test_meeting，英文看 Open ASR Leaderboard 的 AMI。兩個都是切好的短句，只能刪候選，最後要用自己的會議錄音量。