语音识别模型的选择，需要同时考虑等待时间和业务语料上的识别结果。这份报告整理了 14 组部署的短音频延迟，以及 11 组模型或热词配置在机器人、客服测试集上的字正确率。
在本批结果中，Qwen3-ASR-1.7B 的 T1H 机器人集字正确率最高，为 92.3%；Fun-ASR-Nano-2512 的 S5H 客服集最高，为 96.9%。 P40 上的普通 Paraformer 与 SenseVoiceSmall 则表现出较低的短音频延迟。识别效果与响应速度的优先级不同，适合关注的模型也不同。
测试环境与统计口径
| 项目 | 本次记录 |
|---|---|
| 延迟测试入口 | Xinference |
| GPU | NVIDIA Tesla P40 |
| CPU | Intel Xeon E5-2650 v3 @ 2.30GHz |
| 输入音频时长 | 1、3、5、7 秒 |
| 延迟单位 | 秒 |
| 识别测试集 | T1H 机器人测试集；S5H 客服测试集 |
| 字正确率 | (1 − CER) × 100%，CER 为字符错误率 |
| 测试日期 | 未记录；本页整理于 2026-10-11 |
CPU 行是单独的部署记录；其他延迟行使用 P40。字正确率表未标明硬件，因此不将其自动归入 GPU 或 CPU 测试。T1H、S5H 沿用测试集名称，不据名称推断样本数或时长。
延迟数据未注明是均值、中位数还是单次调用，也没有给出重复次数与并发。下面将它们称为记录值，不改写成 P50、P95 或线上服务保证。
短音频延迟对比
表头的 1s 至 7s 指输入音频时长，表内数值均为秒。绿色高亮标注各音频时长下 P40 组与 CPU 组各自的最低值，并列最低一并标注。
| 模型 | 硬件 | 1s 音频 | 3s 音频 | 5s 音频 | 7s 音频 |
|---|---|---|---|---|---|
| njueaiv2 | P40 | 0.20 | 0.44 | 0.70 | 0.96 |
| paraformer-zh-hotword | P40 | 0.64 | 0.63 | 0.65 | 0.69 |
| paraformer-zh-hotword | CPU | 0.57 | 0.66 | 0.77 | 0.88 |
| seaco-paraformer-zh | P40 | 0.22 | 0.26 | 0.34 | 0.37 |
| seaco-paraformer-zh | CPU | 0.31 | 0.42 | 0.56 | 0.73 |
| paraformer-zh | P40 | 0.17 | 0.21 | 0.24 | 0.27 |
| paraformer-zh | CPU | 0.24 | 0.35 | 0.43 | 0.54 |
| SenseVoiceSmall | P40 | 0.19 | 0.23 | 0.24 | 0.26 |
| SenseVoiceSmall | CPU | 0.25 | 0.35 | 0.47 | 0.56 |
| whisper-large-v3 | P40 | 0.77 | 0.75 | 0.88 | 1.65 |
| Fun-ASR-Nano-2512 | P40 | 0.50 | 0.52 | 1.03 | 1.32 |
| Fun-ASR-MLT-Nano-2512 | P40 | 0.40 | 0.49 | 0.96 | 0.91 |
| Qwen3-ASR-0.6B | P40 | 0.49 | 0.58 | 1.05 | 1.40 |
| Qwen3-ASR-1.7B | P40 | 0.53 | 0.67 | 1.18 | 1.44 |
P40 上，普通 Paraformer 的记录值为 0.17 至 0.27 秒，SenseVoiceSmall 为 0.19 至 0.26 秒。两者在这组短音频测试中都比较快：1 秒和 3 秒音频上 Paraformer 较低，5 秒时相同，7 秒时 SenseVoiceSmall 低 0.01 秒。没有重复测量和方差，不宜把这样的微小差值当作稳定优势。
CPU 部署中，普通 Paraformer 与 SenseVoiceSmall 在 7 秒音频上分别为 0.54、0.56 秒；SeACo 为 0.73 秒，热词版 Paraformer 为 0.88 秒。这些记录可用于挑选复测对象，还不能回答多路并发下能服务多少用户。
GPU 并非在每个记录点都更低。例如热词版 Paraformer 的 1 秒音频，CPU 为 0.57 秒，P40 为 0.64 秒。短输入、固定开销和测试波动可能影响结果，具体原因需要分阶段测量，不能只按硬件名称判断。
实时因子与流式体验需要区分
按记录值计算，实时因子 RTF = 处理延迟 / 音频时长。例如 7 秒音频上，P40 SenseVoiceSmall 的 RTF 约为 0.037，CPU 普通 Paraformer 约为 0.077；这两条记录的处理延迟都小于输入时长。
这里的 RTF 不包含尚未明确的录音等待与分段策略。它不能直接代表流式首字延迟、边说边出的能力，或机器人完整交互的响应时间。
两套业务测试集的字正确率
绿色高亮标注每个测试集的最高字正确率。所有数值统一为百分比。Qwen3-ASR-0.6B 原表中的 91.7、95.9 按同列百分比口径展示。普通 paraformer-zh 没有对应的字正确率数据，不使用热词版结果代替。
| 模型或配置 | T1H 机器人集 | S5H 客服集 |
|---|---|---|
| njueaiv2 | 85.8% | 95.1% |
| SenseVoiceSmall | 90.8% | 95.3% |
| seaco-paraformer-zh | 91.1% | 95.9% |
| paraformer-zh-hotword | 91.1% | 95.8% |
| paraformer-zh-hotword，加 3 个热词 | 91.3% | 96.8% |
| whisper-large-v3 | 78.6% | 87.2% |
| Fun-ASR-Nano-2512 | 89.7% | 96.9% |
| Fun-ASR-MLT-Nano-2512 | 82.4% | 63.4% |
| xunfei | 87.8% | 96.5% |
| Qwen3-ASR-1.7B | 92.3% | 96.5% |
| Qwen3-ASR-0.6B | 91.7% | 95.9% |
机器人集上，Qwen3-ASR-1.7B 比 njueaiv2 高 6.5 个百分点，Qwen3-ASR-0.6B 高 5.9 个百分点。客服集上，Fun-ASR-Nano-2512 比 njueaiv2 高 1.8 个百分点。百分点差值描述的是当前测试集上的结果变化，不是相对提升百分比。
Qwen3-ASR-1.7B 相比 0.6B，两个测试集都高 0.6 个百分点，但四个音频档位的延迟记录也都更高。当前数据说明了这一配置下的效果与等待时间差异，尚不包含显存、并发、成本或显著性比较。
Fun-ASR-MLT-Nano-2512 的客服集结果为 63.4%，明显低于其他记录。应优先复核模型版本、语言设置、音频预处理和逐条错误，再分析具体失误类型。它的多语言覆盖不能自动转化为这套中文业务语料上的识别优势。
xunfei 没有具体产品或版本，也没有延迟数据，因此只保留字正确率结果，不参与速度比较。
三个热词带来的变化
为同名 Paraformer 热词模型加入 3 个热词后，机器人集从 91.1% 升至 91.3%，客服集从 95.8% 升至 96.8%，分别增加 0.2 和 1.0 个百分点。
在客服集上，按已确认的指标口径换算，CER 从 4.2% 降到 3.2%。这让热词配置成为值得继续验证的方向。不过目前没有热词列表、逐条错误与加热词后的延迟数据，不能说明它纠正了哪些业务词，也不能认为收益没有额外开销。
下一轮可以分别统计热词相关句子与普通句子的错误，同时测量热词数量变化带来的延迟，判断收益是否集中在目标词汇上。
语言支持和功能不是本次测量结果
SenseVoiceSmall 的官方资料列出中文、粤语、英语、日语、韩语，并支持语音识别、语种识别、情感识别与声学事件检测。这里没有测试后三类任务的效果。SenseVoice 官方资料
Fun-ASR-Nano-2512 与 MLT 是不同的模型：前者面向中文、英文、日文及中文方言、口音，后者覆盖 31 种语言。训练规模与语言范围可以帮助理解模型定位，却不能替代业务集验证。Fun-ASR 官方资料
Qwen3-ASR 两个规模的官方资料列出 30 种语言和 22 种中文方言。当前报告只展示两套业务测试集的结果，不把它扩展成多语言评测。Qwen3-ASR 官方资料
Paraformer 相关资料还列出了长音频、VAD、标点、说话人处理与热词模型的不同组合。它们需要按具体模型 ID 和处理链路核对，不能将不同组合的时间戳或分角色能力合并成一个模型的测量结果。模型记录与资料说明
复测时优先补齐哪些记录
下一轮应固定音频与文本归一化规则，记录每套测试集的样本数、字符数、音频总时长，以及 CER 是按总字符聚合还是按句子平均。标点、数字、英文大小写与繁简转换规则，都需要随指标一起保存。
延迟测试应记录 Xinference、推理后端与模型版本，明确是否包含 VAD、标点、音频解码、上传和排队，并分别测试预热后的单请求及并发负载。重复测量后再报告均值、P50、P95 与错误率。
当前可以形成三个复测方向：机器人语料优先验证 Qwen3-ASR 两个规模；客服语料重点对照 Fun-ASR-Nano 与热词版 Paraformer；低延迟需求继续验证 SenseVoiceSmall 和普通 Paraformer。普通 Paraformer 的识别效果、各模型的 CPU 识别结果和长音频表现仍需补齐，才能形成完整选择依据。
数据下载
这些数据来自提供的测试记录，并未在本文整理过程中重新执行模型推理。