测试方法
下表展示了各引擎实际的速度和准确度，均在同一台机器（Apple M5）上测得，没有营销式的取整。Whisper 的 CPU 行使用 4 个线程，Parakeet 使用 8 个线程，因此 CPU 行并非逐线程对比。实时因子（RTF）是处理时间除以音频时长，数值越低越快，1.0× 表示恰好实时。词错误率（WER）是标准的词级编辑距离（替换 + 删除 + 插入）除以参考词数，并在测试集的所有语音上进行微平均：先汇总编辑次数和参考词数，而不是对每条语音的 WER 取平均，后者会过度加权短句。测试集是 LibriSpeech dev-clean 中的 20 段语音（总计约 94 秒，采用 CC BY 4.0 许可，Panayotov 等，2015）——这是取自公共领域有声读物的朗读语音，附有已知的标准转写文本。这仍然是一个小规模、干净语音的样本；带口音、背景噪音或语速快的真实音频得分会更低。请把此处的每一行都视为下限，而非保证。whisper.cpp 被刻意列了两次：一次启用 GPU 后端（Metal），一次显式禁用 GPU（-ng/--no-gpu），因此仅使用 CPU 的那一行与 Parakeet 的 CPU 行是在同一硬件上的公平对比。Parakeet 还可以使用 GPU：在 Apple M5 上，使用 q8_0 模型处理 18 段德语语音（456 秒音频）为 7.0 秒，而 CPU 为 38.3 秒；在搭载 Intel Iris Xe（Vulkan）的 Windows 笔记本上，处理 18 段德语语音（276 秒）为 14.1 秒，而 CPU 为 27.1 秒。这些运行不在表格中，因为它们是在其他音频上测得的。
| 硬件类别 | 引擎 | 模型 | 速度 | 准确度 | |
|---|---|---|---|---|---|
| Apple Silicon (Metal) | whisper.cpp | small (Compact) | 8.5× 快于实时 RTF 0.1173× | 96.6% 的词正确 WER 3.4 % | 已测量 |
| Apple Silicon (CPU) | whisper.cpp | small (Compact) | 3.3× 快于实时 RTF 0.3068× | 96.6% 的词正确 WER 3.4 % | 已测量 |
| Apple Silicon (CPU) | Parakeet (sherpa-onnx) | parakeet-tdt-0.6b-v3 | 34.7× 快于实时 RTF 0.0288× | 98.1% 的词正确 WER 1.9 % | 已测量 |
一目了然的差距
两种引擎都只使用 CPU，在同一台机器上测试，两边都没有 GPU 优势（Whisper 使用 4 线程，Parakeet 使用 8 线程）。
这些数字是如何测量的
这些数字来自同一台 Apple Silicon 机器，每种引擎在相同条件下各测量一次。其他硬件——不同芯片、散热状态、后台负载——会得到不同的数字。下方的脚本精确展示了测量内容和方法，供你核对细节。
在 GitHub 上查看 whisper.cpp 基准测试脚本 · 在 GitHub 上查看 Parakeet 基准测试脚本