如果你最近半年没关注语音转文字这个圈子，可能会错过一场安静但彻底的大洗牌。
先说我是怎么注意到这件事的：最近翻知乎，8 月 21 日还有人在认真讨论语音输入法该选哪家引擎，给出的理由是 Whisper-large-v3 系在中英混说场景依然是公开模型里最稳的。知乎 但几乎同一时间，小红书、B站里冒出来的新名字越来越多——Cohere Transcribe、MiMo-V2.5-ASR、GPT-Transcribe、Granite 4.1。老用户在纠结要不要换，新用户在纠结从哪个入门。
我把知乎、B站、小红书最近几个月的讨论和实测翻了一遍，帮大家把这事理清楚。这篇是写给“知道 Whisper、用过或正准备用、但被一堆新模型名字搞花眼”的朋友的。
先给结论
Whisper 没有过气，但它已经从“无脑默认项”变成了“分场景的最优解之一”。
用一句话概括现在的基本盘：要省心、要多语言、要中英混说，Whisper 依然是第一选择；要中文纯语音的高准确率，或者要极致速度，2026 年已经有更值得试的选项了。
这半年到底发生了什么
按时间线捋一下，信息量其实很密集：
3 月底，Cohere 发布开源转录模型 Transcribe。 这款模型只有 20 亿参数，相对轻量，专为希望自行部署的用户设计，可在消费级 GPU 上运行，目前支持 14 种语言。知乎 它以 Apache 2.0 协议开源、可本地部署，官方给出的成绩里，它在 HuggingFace Open ASR Leaderboard 上平均词错率 5.42%。哔哩哔哩 B站有实测视频直接喊出“完胜 Whisper large-v3”。哔哩哔哩
4 月 23 日，小米随 MiMo-V2.5 系列发布了 MiMo-V2.5-ASR。 知乎 5 月初有一篇很扎实的横评，作者测了市面上几乎所有主流中文语音转文字模型，结论是 MiMo-V2.5-ASR 排第一，而曾经开启这一领域的 Whisper-Large-v3-turbo 暂时垫底。知乎 注意，这是单一作者的实测结论，样本是他的测试集，不是行业公论，但方向上和其他信号是吻合的。
5 月，IBM 发布 Granite 4.1 语音模型。 B站有实测视频，主打一个快：基础版 1 小时音频只要 16 秒就能转完，Plus 版还带说话人识别和时间戳。哔哩哔哩
7 月 29 日，OpenAI 自己下场更新。 官方推出两款新语音转录模型：GPT-Live-Transcribe 和 GPT-Transcribe。小红书 官方口径是新模型的错误率大幅降低。也就是说，Whisper 的亲爹把转录这件事推进了 GPT 时代——不过走的是 API 收费路线，跟本地开源是两条路。
7 月底，工具链开始跟进。 语音听写工具 Superwhisper 把 Cohere Transcribe 接入了引擎选项。小红书 小红书上有用户实测，Cohere Transcribe 本地跑大概占 6GB 显存。小红书
那 Whisper 凭什么还没倒
看了上面的时间线，你可能会问：被四面夹击，Whisper 怎么还在各种教程和工具里当默认项？
答案不是情怀，是生态和长板：
第一，工具链厚到没人能比。 whisper.cpp、faster-whisper、WhisperX、Buzz、MacWhisper、Superwhisper、OpenCut……你能想到的平台、你能想到的用法，基本都有现成封装。新模型就算指标再好看，想从零攒出这套生态，没那么快。
第二，中英混说依然稳。 这也是很多语音输入法坚持用 Whisper 做引擎的原因：系统听写的短板恰好是它的长板，中英夹杂、口音模糊的场景，large-v3 系仍是公开模型里最稳的选择。
第三，99 种语言 + MIT 协议。 Whisper 的代码和模型权重采用 MIT 协议发布，可以在本地环境运行，large-v3 的公开模型卡覆盖 99 种语言，还附带语种检测和语音翻译成英语的能力。知乎 小语种转录、本地离线、隐私敏感场景，这个组合短期内没有替代品。榜单第一和适合你是两回事：Cohere Transcribe 登顶不假，但它目前只覆盖 14 种语言。
但 Whisper 确实有三个真实的坑
坑一：中文纯语音的准确率确实被超了。 前面提到的知乎横评里，Whisper-Large-v3-turbo 在中文测试里垫底。如果你的核心场景就是中文会议录音、采访转写，这个差距值得认真对待。
坑二：部署链路对新用户不友好。 就在 8 月 23 日，知乎还有帖子在问，编译 whisper.cpp 卡在拉取 llama.cpp 依赖那一行怎么办。知乎 社区里的字幕流水线教程也普遍要先装 ffmpeg、配 CUDA，门槛摆在那。
坑三：榜单太多，容易看花眼。 举个现成的反例：小红书有一篇“2025 最新 ASR 王者榜单”，说 Google Chirp 2 以 11.6% WER 断层第一。小红书 但 HuggingFace 榜单上 5.42% 就能登顶，11.6% 算什么第一？这类榜单混了云端 API 和开源本地模型，口径五花八门，直接抄结论很容易翻车。
一张表说清楚：你现在该怎么选
把讨论里反复出现的场景对号入座：
视频字幕、多语种内容 → Whisper large-v3（配 faster-whisper 或 WhisperX 提速度、加说话人分离），生态最全，坑最少。
中文会议记录、采访转写 → 优先试 MiMo-V2.5-ASR 或 Qwen3-ASR 这类国产模型，中文场景的针对性优化是 Whisper 比不了的；知乎 7 月已经有人把会议助手从 Whisper turbo 迁到 Qwen3-ASR-0.6B 并写了实战记录。知乎
英文为主、显卡一般（6GB 显存左右） → Cohere Transcribe 值得试，2B 参数轻量、消费级 GPU 可跑、Apache 2.0 可商用，但中文不在它的 14 种语言里。
中英混说的听写、输入法场景 → 还是 Whisper large-v3 系，这是它目前护城河最深的地方。
树莓派、旧电脑等边缘设备 → Moonshine 这类专为端侧设计的小模型，B站有实测：树莓派上就能实现毫秒级响应的离线语音识别，无需联网和 API。哔哩哔哩
完全不想折腾 → 直接用通义听悟、飞书妙记这类云服务，或者按量调 GPT-Transcribe API，省下的时间也是钱。
接下来值得盯的三个信号
小米 MiMo 3.0 系列。 知乎上关于 MiMo 3.0 的讨论里，已经有人预测这一代可能一次发布 4 款以上模型，其中就包括 ASR/TTS。知乎 如果属实，中文转写的格局可能还要再变一次。
Cohere Transcribe 会不会加中文。 它现在最大的短板就是语言覆盖，一旦补上中文，对 Whisper 的威胁会从榜单层面落到日常使用层面。
whisper.cpp 的依赖和部署问题能不能解决。 作为开源生态的地基，它的安装体验直接影响整个 Whisper 阵营的口碑。
最后说句实在话：工具这东西，不存在“必须马上换”，只存在“你的场景里谁更合适”。如果你的 Whisper 用得好好的、场景也没变，完全不用焦虑；但如果你是新入坑、或者正在被中文准确率折磨，那 2026 年确实是换个思路的好时机。
你现在在用哪个转写方案？踩过的坑或者私藏配置，评论区聊聊。
