8 月 4 日，腾讯混元发布了新一代语音识别模型 Hy ASR 3.0 preview，核心升级就一句话：**从”逐字转写”变成”理解语境”。**

具体数据很能打。在开源评测集上，中文普通话词错误率（WER）3.34%、英语 2.62%、粤语 3.12%，全部压在 3% 左右——这个水平已经接近人类速记员的准确率。

但比数字更重要的，是它解决的三个实际痛点：

**第一，同音词不再靠猜。** 以前语音识别是纯声学信号处理，听到什么写什么。Hy ASR 3.0 接入了混元大模型 Hy3 的语义理解能力，能根据上下文自动纠错。会议纪要、访谈转写这种长音频场景，越往后转越准。

**第二，方言覆盖面广。** 支持 10 大方言片区、20 余个二级小片区。粤语、吴语、闽南语这些主流方言都能用，不用再刻意说”播音腔普通话”。

**第三，复杂环境稳得住。** 高噪声环境、耳语、悄悄话这些声学条件恶劣的场景做了专项优化。工厂车间、街头、会议室都能用。

技术架构上也有干货：采用 MoE（混合专家）架构，自研无监督语音编码器用了数千万小时级语音数据训练，还引入多阶段强化学习优化复杂场景的识别准确率。

目前该模型已上线腾讯云 API，腾讯元宝 App 已首发接入并免费开放方言识别和上下文纠错功能。

说白了，语音识别的竞争已经从”听得多准”升级到”懂你说什么”。对普通用户来说，最直接的感受就是：以后按住说话键，可以更随意、更自然地表达，不用担心机器把意思搞反了。

你平时用语音输入多吗？最常遇到的识别错误是什么？

核心是阿里开源的千问语音模型

Qwen Scribe 的底层是阿里巴巴开源的 Qwen3-ASR 语音识别模型，通过 mlx-qwen3-asr 项目跑在 Mac 的 Metal GPU 上。Qwen3-ASR 是目前最强的开源语音识别模型之一，有第三方移植测试显示，它在多语言和嘈杂环境下的识别表现优于 OpenAI 的 Whisper-large-v3。

工具提供两档模型可选：追求准确率可以用 17 亿参数版本，占用约 3.4GB 统一内存；追求速度可以用 6 亿参数版本，只占约 1.2GB 内存。模型权重在首次使用时自动下载，之后即使断网也能正常转写。

两种用法：拖文件转写，或全局听写

Qwen Scribe 的功能分两块。第一块是文件转写：在本地网页界面里把音频或视频文件拖进去，工具会自动识别语言，支持强制指定语言、专有词汇提示、逐词时间戳，还能直接导出 SRT 字幕文件。所有转写记录自动保存在本地，可以随时重新打开或删除。

第二块是系统级听写，这也是最实用的部分：在任意应用的文本输入框里，按住右侧 Command 键说话，松开后文字就会在光标处自动粘贴出来——全程在本地完成识别。屏幕上会显示一个不抢焦点的悬浮提示，标明「聆听中」「转写中」以及成功或失败状态。

隐私设计上，这款工具做得相当细致：本地服务只监听 127.0.0.1，并做了 Host 和浏览器来源校验；听写助手只响应右 Command 键，粘贴文字前会在内存里暂存剪贴板内容，粘贴后如果剪贴板没被改动就自动恢复原状。

上手门槛：目前需要自己动手编译

想尝鲜的用户需要注意几个条件：必须是搭载 Apple Silicon 芯片的 Mac，系统要求 macOS 14 或更新版本，还需要安装 Python 3.12 以上版本和 ffmpeg。

目前的测试版只提供源码，没有现成的安装包——因为应用还没有经过苹果的开发者签名和公证，开发者不希望用户绕过系统安全警告安装未签名程序。用户需要克隆代码仓库后用 make app 命令自行编译。按照路线图，签名和公证过的正式安装包计划在 v0.2 版本推出。

另外要说明的是，Qwen Scribe 是独立的社区项目，与阿里云、千问团队以及苹果公司均无官方关联。

对于经常需要整理录音、写字幕，又不放心把敏感内容传到云端的用户来说，这类「模型在本地、数据不出门」的工具正在变成一个值得关注的方向——大厂的开源模型加上社区开发者的打磨，免费方案的体验已经越来越接近付费云服务。

来源：GitHub – VladUZH/qwen-scribe（via Hacker News）