苹果新语音分析API与Whisper及前代对比测评

背景

2025年，Apple 随 iOS 26 和 macOS 26 推出了新的语音识别 API：SpeechAnalyzer（用于实时流式转录）和 SpeechTranscriber（用于批量转录），取代了旧的 SFSpeechRecognizer。然而，Apple 没有公布任何精度指标，导致开发者无法判断是否应该迁移，也无法与第三方引擎（如 OpenAI 的 Whisper）进行量化比较。Inscribe 是一家提供私有、本地化 AI 工作空间的公司，同时集成了 Apple 的两个引擎和三个 Whisper 模型，因此有机会在相同的生产代码路径、相同的硬件和相同的音频上对它们进行严格对比。本文即基于该基准测试的结果。

核心内容

结果概述

Apple 的新引擎 SpeechAnalyzer 是所有已测试的本地语音引擎中精确度最高的。在 LibriSpeech 数据集的两个子集（干净语音 test-clean 和噪声语音 test-other）上，它均击败了 Inscribe 交付的所有 Whisper 模型（包括最大模型 Whisper Small），同时运行速度约为 Whisper Small 的 3 倍。被取代的旧 API SFSpeechRecognizer 在干净语音上表现最差，甚至落后于仅 40MB 的 Whisper Tiny。

关键精度指标（字错误率 WER，越低越好）：

| 引擎 | LibriSpeech test-clean | LibriSpeech test-other | |------|------------------------|------------------------| | SFSpeechRecognizer（旧） | 9.02% | 16.25% | | SpeechAnalyzer（新） | 2.12% | 4.56% | | Whisper Small | 约 2.6% | 约 5.6% | | Whisper Tiny | 约 8.3% | 约 14.5% |

所有引擎均在 Apple M2 Pro（32GB，macOS 26.5.1）上完全本地运行，没有云端调用。

对旧 API 的迁移建议

明确建议迁移。 从旧 API 切换到新 API，同一音频的 WER 降低了 3.5 到 4 倍：干净语音从 9.02% 降至 2.12%，噪声语音从 16.25% 降至 4.56%。没有权衡准确性的必要——新 API 在所有测量维度上更优，并且输出含标点、区分大小写的文字，而旧引擎输出更粗糙。对于一个一小时的会议，旧 API 的错误词数大约是新 API 的 4 倍。如果应用仍在用 SFSpeechRecognizer 处理超过语音命令长度的内容，仅凭精度提升就值得迁移。

SpeechAnalyzer 与 Whisper 对比

更令人惊讶的结果是：Apple 的新引擎甚至以舒适的优势击败了 Inscribe 所交付的最大模型 Whisper Small，同时每秒钟音频的计算时间仅为 Whisper Small 的三分之一。对于英语，在 Apple 硬件上，内置引擎现在是可以测量的最强本地选项。

Whisper 仍有两个显著优势：

• 支持更多语言（SpeechTranscriber 仅支持约 30 个区域设置，而 Whisper 支持 100+ 语言）。
• 可跨平台运行，不限于 Apple 平台（需 OS 26）。

但对于当前 iPhone 或 Mac 上的英语转录，Whisper 自动成为精度首选的时代已经结束。Inscribe 已根据这一结果调整了产品：其 Auto 引擎现在优先使用 SpeechAnalyzer（对支持的语言），其余语言则回退到 Whisper。

速度

所有五个引擎均远快于实时：在 M2 Pro 上，速度约为 12x 到 40x（即一小时音频本地转录约需 1.5 到 5 分钟）。SpeechAnalyzer 每秒钟音频的处理速度约为 Whisper Small 的 3 倍，同时精度更高。作者故意未给出精确的逐引擎计时表，因为精度测试期间机器同时运行了开发负载（不影响 WER，但会干扰计时），后续将用专用空闲机器更新。

方法学与可复现性

基准测试由销售其中一款引擎的公司（Inscribe）进行，理应受到质疑。作者为此设计了两个特性：

1. Whisper 列可复现：OpenAI 已公布 Whisper 在 LibriSpeech 上的 WER，Inscribe 的测量结果与 OpenAI 的官方数据一致（所有六项测量均匹配，仅有微小正向偏移，原因是更严格的文本归一化和 CoreML 量化）。由于相同的语料库、归一化器和评分器被用于 Apple 引擎列，这些无人可验证的数据也继承了来自公开数据的验证。

2. 原始转录文本公开：两个 Apple 引擎的每个话语的假设结果均可下载，附有参考文本和逐话语 WER。任何人都可以重新评分。

使 WER 有意义的细节

• 统一的生产代码路径：每个引擎运行的是 Inscribe 用户实际使用的代码，而非实验室环境。
• 文本归一化：LibriSpeech 参考文本为大写、无标点、数字拼写；现代引擎输出标点和数字。两者均通过相同的归一化器（大小写、标点、数字转单词、缩写），与 OpenAI 的英语归一化器一致。直接对原始文本评分会惩罚格式良好的引擎，而非测听错误。
• 语料级 WER：总错误数除以总参考词数，避免短话语被过度加权。
• 完全本地运行并验证：SFSpeechRecognizer 默认发送音频到 Apple 服务器，测试中强制本地识别，并让 harness 拒绝运行而非静默回退到云端，既避免云端结果无效化比较，也因隐私产品不打算上传 5,559 条话语。
• 失败计数：引擎返回空结果时，该话语 WER 计为 100%。在 27,795 次转录中仅发生一次（旧 API，test-other）。

构建测试对自身产品的启发

基准测试发现了一个 Inscribe 的生产 bug：Apple 引擎的文件导入功能将音频传给 SpeechAnalyzer 后关闭了输入流，但从未调用 finalizeAndFinishThroughEndOfInput()。缺少该调用导致分析器从不交付最终结果，导入永久挂起。该 bug 未被发现，因为 Auto 设置此前优先使用 Whisper。修复在同一天部署。作者将此作为例子说明：仔细测量自己的产品往往能发现你并未寻找的问题。

局限性

• 仅英语：LibriSpeech 是英语朗读语音，测试结果不适用于 Whisper 支持而 SpeechTranscriber 不支持的 100+ 语言。
• 朗读语音，非会议：LibriSpeech 是标准可比语料库，带口音、远场和多说话人的会议音频是明显的后续方向。
• 单一机器：M2 Pro，macOS 26.5.1。精度在 Apple Silicon 上应可