#模型选型指南

面对不断更新的模型列表，记不住具体名字没关系。本文教你看懂每个模型的关键指标，然后根据自己的需求去匹配——语言、实时性、硬件、时间戳……筛一圈，能用的模型就那几个。

📌 所有模型都是 ONNX 格式，在 manyspeech 中首次使用时会自动下载。

#一、ASR 语音识别模型

#1. 六个关键指标：看懂模型，就会敲命令

每个模型表格里都有这几列。弄明白它们，你就知道该选什么、命令怎么写。

标点为什么可以忽略？ （中英文场景）

• 因为不管模型自带标点与否，manyspeech 默认都会调用标点恢复模型（--punc）给输出加上标点。你不需要为“标点=否”而担心。

麦克风选 online，文件选 offline 一般情况下，这样配置是推荐的。当然也可以这样搭配：

# 用online模型识别文件，好处是占用资源低，所见即所得，弊端是在同等条件下准确率比直接用offline模型会稍微差一点。
manyspeech asr -t online -m chunk -i file --files file1.wav file2.wav file3.wav
# 用offline模型识别麦克风，好处是可以获得更好的准确率，弊端是必须等待一句话说完才能看到结果，占用资源比直接用online模型稍微高一点。
manyspeech asr -t offline -m chunk -i mic

一个最基础的命令例子（假设你已经选好了一个叫 some-model 的模型）：

# 识别文件（注意 -i file 不能省）
manyspeech asr -t offline -i file --files "会议.wav" --model some-model

# 麦克风实时识别
manyspeech asr -t online -i mic --model some-model

⚠️ asr 子命令必须带 -i，要么 -i file 要么 -i mic，不能省略。不写 --model 时程序会用一个内置默认模型，不一定适合你的场景，建议手动指定。

#2. 模型名称里还有更多信息

模型名称本身就是一份“迷你规格书”。除了表格里的指标，名称还会透露更多细节。

当你看到 distil-whisper-xxx，它比同规模的 whisper-xxx 更快、更小，适合资源受限场景。
当你看到 xxx-cantonese-onnx 或 xxx-wenetspeech-yue，说明它在粤语上做过微调，比通用模型更准。 当你看到 xxx-onnx-opt，它通常比 xxx-onnx 表现更好。

#3. 选型四步法：按你的需求筛选

#第一步：你主要说什么语言？

在表格里找到“支持语种”列，筛选出包含你所需语言的模型。

• 普通话：优先找语种标记为 zh 或 中文 的模型
• 中英混杂：找标记为 zh-en 或 中英 的模型
• 粤语：找标记为 yue 或 粤语 的模型（或者名称里带 cantonese / yue 的）
• 英语：找标记为 en 或 英文 的模型，或者 distil-whisper-*-en 等
• 日语/韩语/泰语/俄语等：找对应语言标记的模型（如 ja, ko, th, ru）
• 全球多种语言：找标记为 多语言、multi 或支持语种数量多的模型（如 Whisper 系列支持 99~106 种）

越是专门针对某语言的模型，在该语言上精度通常越高。多语言模型方便但可能略逊于专用模型。
看到 finetune 或特定后缀（如 -belle、-wenetspeech），说明该模型在某个垂直领域（医疗、对话、方言）做过微调，如果你的场景匹配，优先考虑。

#第二步：要实时还是离线？

看“类型”列：

#第三步：你的硬件什么水平？

看“精度后缀”和模型名称中的“规模”：

int8 量化版体积减少 50%-75%，速度提升 2~4 倍，精度损失通常 <1%，强烈推荐。
distil- 模型比同规模原版更快更小，也是资源受限的好选择。

#第四步：需要生成字幕吗？

在不使用vad模型的情况下：

• 需要 SRT/VTT 字幕 → 必须选“时间戳 = 是”的模型（表格中该列标记为“是”，或名称含 timestamp）
• 不需要字幕 → 无视时间戳指标，任何模型都可以

在使用vad模型时：

• 模型的时间戳指标不是必需的，你甚至还可以仅用online模型，就可以生成带时间戳的字幕。

标点不需要你操心，程序会自动加上。所以“标点”这一列可以完全忽略。

额外需求：热词定制
如果你希望提升某些特定词汇（品牌名、人名、专业术语）的识别率，可以找名称含 seaco 的模型（SeACo-Paraformer），它支持热词激励。

#4. 常用命令模板（填上你选的模型就行）

# 离线识别文件
manyspeech asr -t offline -i file --files "你的音频.wav" --model 你选的模型名

# 实时麦克风
manyspeech asr -t online -i mic --model 你选的模型名

# 2pass 模式
manyspeech asr -t 2pass -i mic \
  --model 流式模型名 \
  --model2 离线模型名

# 输出字幕（仅当模型时间戳=是）
manyspeech asr -t offline -i file --files "音频.wav" \
  --format srt --model 模型名

# 强制使用 int8 量化（如果模型有 int8 版本）
manyspeech asr -t offline -i file --files "音频.wav" \
  --accuracy int8 --model 模型名

# 低配设备：限制线程数 + 轻量模型
manyspeech --threads 1 asr -t offline -i file --files "音频.wav" \
  --model 轻量模型名

# 切换 VAD（嘈杂环境换成 silero）
manyspeech --vad silero-vad-v6-onnx asr -t online -i mic --model 你选的模型名

#二、VAD 语音活动检测模型

#1 可用模型

#2 选型建议

• 安静环境：使用默认 alifsmnvad-onnx 即可。
• 嘈杂环境（风扇、马路、多人杂谈）：切换为 silero-vad-v6-onnx。

#3 常用命令

# 在 ASR 中指定 VAD
manyspeech --vad silero-vad-v6-onnx asr -t online -i mic --model 你的模型

# 单独使用 vad 子命令检测语音段
manyspeech vad -t offline -i file --files "录音.wav" --vad silero-vad-v6-onnx

#三、Punc 标点恢复模型

#1 可用模型

#2 说明

• ASR 中默认自动启用该模型为识别结果添加标点，通常无需手动干预。
• 如需手动调用或测试，可使用 punc 子命令。

#3 常用命令

# 手动对标点文本恢复标点
manyspeech punc --text "今天天气不错一起去郊游吧"

# 在 ASR 中禁用标点恢复（测试模型原生输出）
manyspeech --punc "" asr -t offline -i file --files "音频.wav" --model 模型名

#四、AudioSep 音频分离模型（规划中）

该功能正在开发中，目前暂无可用模型。以下为选型维度预告。

#4.1 未来可用模型（示例）

• 人声分离模型（如 Demucs、Spleeter 的 ONNX 版）
• 伴奏/乐器分离模型

#4.2 选型维度（规划）

#4.3 命令占位（后续实现）

# 示例（未来）
manyspeech audiosep -i file --files "混合音频.wav" --target vocals --output vocals.wav

#五、常见问题

问：ASR 表格里标点写“否”，输出会有标点吗？
答：会。因为程序默认调用了标点恢复（--punc）。你完全不用关心模型是否自带标点。

问：KV 加速和 int8 能一起用吗？
答：能。名字里同时有 int8 和 kv/selfcrosskv 的模型就是。

问：distil-whisper 和普通 whisper 有什么区别？
答：distil-whisper 是蒸馏版本，体积更小、速度更快，精度略低但通常够用，适合资源受限场景。

问：怎么看模型是否支持我的语言？
答：看表格里的“支持语种”列，或从模型名称中的语言代码推断（zh/yue/en/ja/ko 等）。

问：下载太慢怎么办？
答：从 ModelScope 手动下载，放到 --base 目录（默认是程序目录下的 models/）。

#六、总结：选模型就是选指标

按这个顺序在模型列表里筛选，把筛选出的模型名填到 --model 后面，运行命令。如果效果不满意，再调整筛选条件换一批模型试。

#下一步

• 模型库 - 详细的模型说明