语音转文字 funasr、whisper、faster-whisper 三个项目效果的个人比较

最近在做中文语音换文字的功能并对内容做检测方面的功能，由于之前一直用的阿里的商用版。最近两年开源模型也比较多。所以尝试使用一些开源的看能否满足要求。

以下是我个人使用的感受，可能不那么客观公正。我使用的是一些通话语音，不像一些正规录制的音频，可能存在普通话不标准，环境杂音的问题。

识别速度排名：funasr > faster-whisper  > whisper
准确率排名：whisper > faster-whisper  > funasr
硬件资源占用排名：whisper > faster-whisper  > funasr

funasr 的基础模型准确率有点差，我用的 SenseVoice，本文中的funsr的就是指用SenseVoice模型。faster-whisper模型用的 large-v3，whisper 也是用的 large-v3。给出我个人的使用建议：

1. 如果有大量的比较纯净普通话标准的语音文件，可先尝试用funasr的SenseVoice，应该能得到比较好的效果。
2. 文件量不多，对识别准确率要求高，有比较的好的硬件配置有12G、16G的显卡或者更好的显卡。优先用whisper的large-v3 模型，通过显卡加速。
3. faster-whisper如其名，速度比whisper快大概1/3 ？ 但是准确率有所下降，优势油不那么明显，是否使用看个人选择了。