Whisper、Qwen3-ASR、R2T2 比較 — WebGPU 實測

語音辨識與翻譯模型實測比較

在瀏覽器裡跑的語音辨識和翻譯模型，用一張顯示卡和一顆 CPU 實際量過：錯字率、速度、下載大小和授權。

這是參考頁面。要下載的模型在你的瀏覽器裡跑。Gemini Nano 和 Chrome Translator 留在這台裝置上。Chrome 語音辨識的一般模式會把聲音送到 Google 的伺服器。

ByteScope 實測（2026-09-27）：FLEURS 測試集，每種語言 150 句，檔案模式。GPU：GTX 1060 6GB（沒有 shader-f16）。CPU：WebAssembly 版本，5 核心。Chrome 154.0.8037.57。

有顯示卡的語音辨識（WebGPU）

fp32 運算的 WebGPU 版本，也就是沒有 shader-f16 的顯示卡會拿到的版本。

模型	下載	英文 WER	中文 CER	中文 CER（數字不計）	日文 CER	RTF en / zh / ja
Whisper large (v3-turbo)	767.5 MB	4.8%	7.5%	7.2%	5.6%	0.386 / 0.315 / 0.329
Confucius4-R2T2	2,183.5 MB	6.1%	8.2%	5.9%	6.9%	0.189 / 0.153 / 0.181
Qwen3-ASR 1.7B	2,183.5 MB	6.9%	7.7%	5.9%	7.4%	0.193 / 0.154 / 0.190
Qwen3-ASR 0.6B	848.9 MB	8.1%	8.0%	6.3%	9.8%	0.102 / 0.083 / 0.099
Whisper small	594.4 MB	6.8%	11.7%	11.5%	13.4%	0.207 / 0.227 / 0.220
Whisper base	214.5 MB	10.5%	20.7%	20.7%	27.2%	0.133 / 0.160 / 0.163

錯字率單位是 %，越低越準。RTF＝處理時間 ÷ 音訊長度，小於 1 就比即時快。

GPU 的 RTF 是和 CPU 那一輪同時跑量到的，要當成上限看。CPU 空下來後重跑 Whisper large-v3-turbo：0.260 / 0.263 / 0.241。

沒有顯示卡的語音辨識（CPU）

WebAssembly 版本，CPU 5 核心。

模型	句數	下載	英文 WER	中文 CER	日文 CER	RTF en / zh / ja
Qwen3-ASR 1.7B	30	2,183.5 MB	6.5%	5.7%	6.5%	1.143 / 1.074 / 1.169
Qwen3-ASR 0.6B	150	848.9 MB	8.2%	7.5%	9.2%	0.543 / 0.456 / 0.523
Whisper small	150	418.1 MB	6.8%	11.6%	13.4%	1.601 / 1.333 / 1.166
Whisper base	150	103.4 MB	10.6%	19.5%	26.0%	0.382 / 0.339 / 0.328

錯字率單位是 %，越低越準。RTF＝處理時間 ÷ 音訊長度，小於 1 就比即時快。

Qwen3-ASR 1.7B 在 CPU 上每種語言只跑了前 30 句；這幾句的英文和中文錯字數和 GPU 版本完全相同。

翻譯：盲評

Hy-MT2 1.8B 對 Chrome Translator：FLORES／Tatoeba 280 句、5 個方向，MQM 盲評，2026-09-27。

Hy-MT2 1.8B 勝	Chrome Translator 勝	平手	合計
139	66	75	280

重大錯誤：Hy-MT2 42、Chrome Translator 61。

Hy-MT2 1.8B 對 Gemini Nano：Tatoeba／FLORES 559 句，中英日 6 個方向，盲評，2026-09-28。

方向	Hy-MT2 1.8B 勝	Gemini Nano 勝	平手	Nano 沒出字（已算進 Hy-MT2 勝）
ja→en	22	18	59	0
ja→zh-Hant	44	14	42	9
zh→en	27	5	68	0
zh→ja	45	5	32	3
en→zh-Hant	26	12	40	0
en→ja	36	9	55	0
合計	200	63	296	12

平手規則：只差在中國用語和台灣用語、專有名詞譯名或簡體字的，一律算平手。

Firefox Translations (Bergamot)、Chrome Translator、Hy-MT2 1.8B 用同一批 300 句、6 個方向比較，由一位評審盲評，每句譯文打 0–4 分，2026-09-28。表中是平均分，越高越好。

方向	Firefox Translations (Bergamot)（平均）	Chrome Translator（平均）	Hy-MT2 1.8B（平均）	Firefox Translations (Bergamot) 對 Chrome Translator：贏／輸的句數
en→zh-Hant	2.94	3.26	3.52	7 / 18
zh→en	3.46	3.08	3.64	18 / 7
ja→zh-Hant	2.96	2.82	3.40	17 / 14
en→ja	3.14	3.10	—	14 / 11
ja→en	3.48	3.28	—	14 / 8
zh→ja	3.12	2.86	—	18 / 9

「—」表示那個方向沒有跑 Hy-MT2 1.8B。只有一位評審，每個方向 50 句。只差在中國用語和台灣用語、譯名或簡體字的不扣分。

模型一覽

取自工具實際載入的模型登記表，名稱保留各模型的原名。

模型	用途	下載	在哪裡跑	語言	授權
Confucius4-R2T2	語音辨識	2,183.5 MB	WebGPU，或 CPU（WebAssembly）	完整: zh, en 部分: fr, de, it, ja, ko, pt, ru, es, ar	NetEase Youdao Model Use License Agreement 授權聲明: Any modifications made to the original model in this Derivative Work are not endorsed, warranted, or guaranteed by the original right-holder of the original model, and the original right-holder disclaims all liability related to this Derivative Work.
Qwen3-ASR 1.7B	語音辨識	2,183.5 MB	WebGPU，或 CPU（WebAssembly）	完整: zh, en 其他語言部分可用	Apache-2.0
Qwen3-ASR 0.6B	語音辨識	848.9 MB	WebGPU，或 CPU（WebAssembly）	完整: zh, en 其他語言部分可用	Apache-2.0
Whisper large (v3-turbo)	語音辨識	767.5 MB (WebGPU) 571.9 MB (WebGPU＋shader-f16, CPU)	WebGPU，或 CPU（WebAssembly）	完整: en, zh, ja, ko, es, fr, de, it, pt, ru 其他語言部分可用	MIT
Whisper small	語音辨識	594.4 MB (WebGPU) 418.1 MB (WebGPU＋shader-f16, CPU)	WebGPU，或 CPU（WebAssembly）	完整: en, zh, ja, ko, es, fr, de, it, pt, ru 其他語言部分可用	MIT
Whisper base	語音辨識	214.5 MB (WebGPU) 103.4 MB (WebGPU＋shader-f16, CPU)	WebGPU，或 CPU（WebAssembly）	完整: en, zh, ja, ko, es, fr, de, it, pt, ru 其他語言部分可用	MIT
Chrome Speech Recognition 一般模式會把聲音送到 Google 的伺服器。	語音辨識	不用從 ByteScope 下載（由 Chrome 自己管理）	Chrome 內建	看 Chrome 的語言包	Google Chrome
Gemini Nano	語音辨識	不用從 ByteScope 下載（由 Chrome 自己管理）	Chrome 內建	完整: de, en, es, fr, ja 部分: zh 其他語言部分可用	Google Generative AI Prohibited Use Policy
Hy-MT2 1.8B	翻譯	1,300.6 MB	只能用 WebGPU	完整: zh, yue, en, ja, ko, fr, de, es, pt, ru, it, ar, th, vi, tr 其他語言部分可用	Apache-2.0
Chrome Translator	翻譯	不用從 ByteScope 下載（由 Chrome 自己管理）	Chrome 內建	看 Chrome 的語言包	Google Chrome
Firefox Translations (Bergamot)	翻譯	365.3 MB	只用 CPU（WebAssembly）	完整: en, zh, zh-Hant, ja	MPL-2.0
Gemini Nano	翻譯	不用從 ByteScope 下載（由 Chrome 自己管理）	Chrome 內建	完整: de, en, es, fr, ja 部分: zh 其他語言部分可用	Google Generative AI Prohibited Use Policy
Qwen3-ForcedAligner 0.6B	逐字時間軸	1,847.6 MB	WebGPU，或 CPU（WebAssembly）	完整: zh, en, ja 部分: yue, fr, de, it, pt, ru, es	Apache-2.0

官方宣稱（不能直接比）

模型開發者在自己的測試集和硬體上公布的數字，不是 ByteScope 量的。

模型	指標	數值	測試集	條件
Confucius4-R2T2	WER	2.13% 對照 WhisperRT 3.71%	LibriSpeech test-clean	160 ms streaming chunks 出處
Confucius4-R2T2	CER	5.87% 對照 Qwen3-ASR-1.7B (streaming) 8.81%	WenetSpeech test-net	160 ms streaming chunks 出處
Qwen3-ASR 1.7B	CER	2.71% 對照 Whisper large-v3 5.06%	AISHELL-2 test	offline 出處
Qwen3-ASR 1.7B	WER	1.63% 對照 Whisper large-v3 1.51%	LibriSpeech test-clean	offline 出處
Qwen3-ASR 1.7B	RTF	0.215	41 s Japanese clip	WebGPU, file mode, the qwen-asr author's machine (4.66x realtime) 出處
Qwen3-ASR 1.7B	RTF	0.84	1 s streaming chunks	WebGPU, streaming, the qwen-asr author's machine (1.19x realtime) 出處

關於這些測量

這些數字怎麼量的

表裡每個數字都是 ByteScope 在 Chrome 上量的，走的就是字幕和即時字幕工具用的同一套程式。語音辨識用 FLEURS 測試集，每種語言 150 句、一句一個檔案：英文算詞錯誤率（WER），中文和日文算字錯誤率（CER），越低越準；中文是兩邊都轉成簡體再比。GPU 那一輪用的是 GTX 1060 6GB，這張卡沒有 shader-f16；CPU 那一輪用 WebAssembly 版本，Chrome 只能用 5 個核心。RTF 是處理時間除以音訊長度，小於 1 就代表比播放還快跑完。這些速度是這台電腦量出來的。

哪個語音模型最準

有顯示卡的話，英文（WER 4.8%）和日文（CER 5.6%）最準的是 Whisper large-v3-turbo，日文跟其他每個模型的差距都超出雜訊。中文嚴格計分時，turbo（7.5%）、Qwen3-ASR 1.7B（7.7%）、Qwen3-ASR 0.6B（8.0%）和 Confucius4-R2T2（8.2%）四個在統計上打平。如果不管數字怎麼寫，Qwen3-ASR 1.7B 和 R2T2 會降到 5.9%，明顯贏過 turbo 的 7.2%：Qwen 家族把數字寫成國字，FLEURS 的標準答案卻用阿拉伯數字。Whisper small 和 base 在中文、日文都落後一大截。

沒有顯示卡的時候

只有 CPU 時，中文（CER 7.5%）和日文（9.2%）首選 Qwen3-ASR 0.6B，RTF 0.456–0.543，跑得比音訊還快。英文的 Whisper small（WER 6.8%）和 Qwen3-ASR 0.6B（8.2%）在雜訊範圍內打平，但 small 在 CPU 上 RTF 是 1.601，等的時間比錄音本身還長。Qwen3-ASR 1.7B 在 CPU 上的英文和日文也比 0.6B 準，可是 RTF 1.143 比即時還慢，所以 CPU 上每種語言只跑了前 30 句。Chrome 語音辨識和 Gemini Nano 不需要顯示卡，也不用從 ByteScope 下載任何東西，但這次沒有量它們。

翻譯

Hy-MT2 1.8B 和 Chrome 內建的 Translator 用 FLORES 和 Tatoeba 的 280 句、5 個方向做盲評：評審選 Hy-MT2 139 次、Chrome Translator 66 次，平手 75 次，重大錯誤是 42 比 61。跟 Gemini Nano 比的那一輪涵蓋中英日之間的每個方向，共 559 句，結果 200 比 63、平手 296，Hy-MT2 六個方向全都領先，只有日翻英差得不多（22 比 18）。那一輪的規則是：只差在中國用語和台灣用語、專有名詞譯名或簡體字的，一律算平手，而且兩邊的繁體中文輸出都先過同一套修正。Hy-MT2 需要 WebGPU；Chrome Translator 和 Gemini Nano 是 Chrome 本來就有的。Firefox Translations（Bergamot）另外評了一輪，用同一批句子跟 Chrome Translator、Hy-MT2 放在一起比：中英日六個方向裡有五個分數比 Chrome Translator 高，只有英翻繁中比較低。它用 CPU 就能跑，所以 Hy-MT2 跑不動的時候，這五個方向工具會推薦它。

這份比較的限制

只有一張顯示卡、一台電腦。GTX 1060 沒有 shader-f16，所以能讓 Whisper 下載變小的 f16 版本沒量到。GPU 的速度是和 CPU 那一輪同時跑的，GPU 的 RTF 要當成上限看：CPU 空下來後重跑 Whisper large-v3-turbo，量到 0.260、0.263、0.241。所有數字都是檔案模式；即時字幕那條路（先偵測人聲切句再辨識）這次沒有量。和 Gemini Nano 的翻譯評比只有一位評審。模型開發者自己公布的數字另外放一張表，標明是官方宣稱：那是別的測試集、別的硬體量的，不能拿來跟這裡的表直接比。

會不會有東西離開瀏覽器

這裡的模型都不會上傳你的聲音或文字，只有一個例外，而且畫面上會標出來。Whisper、Qwen3-ASR、Confucius4-R2T2、Hy-MT2 和 Qwen3-ForcedAligner 下載一次之後就在你的分頁裡跑；Gemini Nano 和 Chrome Translator 是 Chrome 自己的裝置端模型。只有 Chrome 語音辨識在一般模式下會把聲音送到 Google 的伺服器，每個工具的引擎卡片上都會寫明。

常見問題

中文哪個語音辨識模型最準？

有顯示卡時嚴格計分有四個打平：FLEURS 150 句上，Whisper large-v3-turbo 7.5%、Qwen3-ASR 1.7B 7.7%、Qwen3-ASR 0.6B 8.0%、Confucius4-R2T2 8.2%（CER）。不管數字寫法的話，Qwen3-ASR 1.7B 和 R2T2 以 5.9% 領先。沒有顯示卡時，實際上最好用的是 7.5% 的 Qwen3-ASR 0.6B。

英文和日文哪個模型最準？

Whisper large-v3-turbo：有顯示卡時英文 WER 4.8%、日文 CER 5.6%。日文它贏過其他每個模型，差距超出雜訊；英文的 Confucius4-R2T2 是 6.1%，跟它在雜訊範圍內。只有 CPU 時，英文是打平的：Whisper small 在 150 句上 WER 6.8%，Qwen3-ASR 1.7B 的 150 句用 GPU 那一輪的 6.9%（CPU 只跑了 30 句，是 6.5%），Qwen3-ASR 0.6B 是 8.2%。small 跑得比音訊還慢。

沒有顯示卡能用哪些模型？

語音辨識全部都能用；翻譯只有 Hy-MT2 1.8B 一定要 WebGPU。Whisper 和 Qwen3-ASR 都有給 CPU 用的 WebAssembly 版本，Chrome 語音辨識、Gemini Nano 和 Chrome Translator 則是內建在 Chrome 裡。在 CPU 上比音訊快跑完的是 Qwen3-ASR 0.6B（RTF 0.456–0.543）和 Whisper base（0.328–0.382）；Whisper small 和 Qwen3-ASR 1.7B 都跟不上。Confucius4-R2T2 比較特別：沒有 WebGPU 時就沒有邊講邊出字的串流，只能一句一句或整個檔案轉，而且在 CPU 上比音訊還慢；要邊講邊出字一定要有顯示卡。

要下載多大？

這次量的 WebGPU 版本：Whisper base 214.5 MB、Whisper small 594.4 MB、Whisper large-v3-turbo 767.5 MB（CPU 版和 f16 版比較小，分別是 103.4、418.1、571.9 MB），Qwen3-ASR 0.6B 848.9 MB，Qwen3-ASR 1.7B 和 Confucius4-R2T2 各 2,183.5 MB，Hy-MT2 1.8B 1,300.6 MB，Qwen3-ForcedAligner 0.6B 1,847.6 MB，單位是十進位的 MB。每個模型都要你同意後才下載，只下載一次，所有 ByteScope 工具共用。Chrome 語音辨識、Gemini Nano 和 Chrome Translator 不會從 ByteScope 下載任何東西。

我的聲音會離開瀏覽器嗎？

不會，只有一個有標示的例外。下載的模型都在你的分頁裡跑，Gemini Nano 和 Chrome Translator 是 Chrome 的裝置端模型。Chrome 語音辨識在一般模式下會把聲音送到 Google 的伺服器，引擎卡片上會寫明，改用其他模型就能避開。

Confucius4-R2T2 比 Whisper 好嗎？

看語言。有顯示卡時，R2T2 英文 WER 6.1%，Whisper large-v3-turbo 是 4.8%，差距在雜訊內；中文 CER 8.2% 對 7.5%，打平；日文 6.9% 對 5.6%，turbo 明顯較好。不管數字寫法的話，R2T2 的中文降到 5.9%，贏過 turbo 的 7.2%。在這張卡上 R2T2 比較快（RTF 0.153–0.189 對 0.315–0.386），在 Live Captions 裡還能邊講邊出字，但下載要 2,183.5 MB，turbo 只要 767.5 MB。

為什麼官方公布的錯字率比這裡低？

因為測試集和硬體都不一樣。Qwen3-ASR 的官方 repo 宣稱 1.7B 在 LibriSpeech test-clean 的 WER 是 1.63%、AISHELL-2 的 CER 是 2.71%；Confucius4-R2T2 的模型卡宣稱 LibriSpeech test-clean 的 WER 是 2.13%。這些是官方宣稱，另外放在一張表裡。ByteScope 是在瀏覽器裡用量化版本跑 FLEURS，兩邊的數字不能直接比。

翻譯該選哪個模型？

顯示卡能用的話選 Hy-MT2 1.8B：盲評贏 Chrome Translator 139 比 66（平手 75）、贏 Gemini Nano 200 比 63（平手 296），WebGPU 能用時工具也會推薦它。沒有顯示卡時，中英日有五個方向是 Firefox Translations（Bergamot）分數比 Chrome Translator 高，而且用 CPU 就能跑，工具會推薦它；英翻繁中還是 Chrome Translator 分數比較高，預設不變。Chrome Translator 不用從 ByteScope 下載，它不支援的語言組合再用 Gemini Nano。