本地识别

使用本地模型时，录音在这台电脑上完成识别，音频不会离开本机。在侧栏打开「语音模型」，选择「本机」，下载一个模型即可。下载完成后，也可以点首页或页面标题下方的语音模型名称切换到这个模型。

「语音模型 › 本机」，已安装 Qwen3-ASR 0.6B。

模型

模型	大小	语言	运行设备	说明
Qwen3-ASR 0.6B	690 MB	30 种语言，自动识别	GPU 或 CPU	推荐。自带标点
Qwen3-ASR 1.7B	1.7 GB	30 种语言，自动识别	GPU 或 CPU	最准确，速度较慢。与内置服务使用的是同一个模型
SenseVoice Small	240 MB	中文、英文、日文、韩文、粤语	CPU	体积最小。自带标点，并规整数字写法
Paraformer	227 MB	中文（含方言）与英文混说	CPU	中文识别更准。不带标点，开启 AI 润色可以补上
实时识别	169 MB	中文与英文	CPU	边说边显示文字（「本地模型预览」，见说话时显示的文字）。最终文本仍由上面选用的模型识别；使用内置服务时不需要

「语音模型」页「识别设置」中的「语言」，会传给支持指定语言的模型和服务；Qwen3-ASR 始终自动识别语言。

开启「静音裁剪」后，一个 1.8 MB 的静音检测模型会随第一个本地模型一起下载。

较长的录音

本地模型一次识别的录音越长，漏掉的字越多。在我们用 FLEURS 测试集的中文、英文语音所做的测试中，SenseVoice Small 的中文字错率在 30 秒时为 8.9%，60 秒时升到 16.7%；Qwen3-ASR 0.6B 的英文词错率从 30 秒时的 4.8% 升到 60 秒时的 10.7%，90 秒时为 20.4%；Paraformer 和 Qwen3-ASR 1.7B 的英文同样在 60 秒时明显变差。因此，不论用哪个本地模型，超过 30 秒的录音都会在停顿处分成几段，逐段识别后拼成一段文字。这一过程自动完成，无需设置；超过 2 分钟的录音照常在录制过程中分段识别。

取消一次听写后，下一次听写不需要等上一次的识别全部结束：使用 SenseVoice 或 Paraformer 时，被取消的识别在后台跑完，下一次听写用另一份模型识别，换了语言或模型也不用等；使用 Qwen3-ASR 时，最多等正在识别的那一段完成。本机模型识别出错后，下一次听写会重新加载它。

下载

• 正式版安装包先从项目自己的镜像下载，然后依次尝试 Hugging Face 和 hf-mirror.com。某个来源速度过慢或无法访问时，Voltip 会自动换到下一个。
• 实时识别模型已不在 Hugging Face 上。项目自己的镜像之后，它从 GitHub 上 sherpa-onnx 项目的发布页下载，是一个压缩包，Voltip 从中取出模型文件。已经下载的模型不用重新下载。
• 下载中断后，会从中断处继续。
• 每个文件在使用前都会校验 SHA-256。
• 开始下载前，Voltip 会检查磁盘剩余空间是否足够。

模型默认保存在 Voltip 数据目录下的 models 目录中（数据目录的位置），也可以换到其他文件夹，见保存位置。在「语音模型」页删除模型会同时删除它的文件。

保存位置

系统盘空间不够时，可以把模型放到其他磁盘：在「本机」下的「保存位置」中点「更改位置…」，选择一个文件夹，已下载的模型会一起移过去。

• 在同一块磁盘上，移动立即完成。换到另一块磁盘时，Voltip 先复制并检查全部文件，再切换到新位置，最后删除旧位置的文件。页面上会显示进度，复制过程中可以点「取消移动」。
• 移动没有完成时（取消、空间不足或其他错误），模型仍在原来的位置，可以照常使用。
• 移动期间不能下载或删除模型；有模型正在下载时，要等下载完成或取消下载后才能更改位置。
• 旧位置的文件仍在使用、暂时无法删除时，Voltip 会在下次启动时删除。
• 所选文件夹里已经有完整的同一个模型时（例如重装系统后再次选择原来的文件夹），Voltip 会直接使用它，不再复制。

点「恢复默认」可以把模型移回数据目录。之后下载的模型都保存到当前的位置。

手动下载

无法在应用中下载模型时（例如所在网络只能在另一台设备上访问下载源），可以手动下载：

1. 在模型卡片上点「手动下载」，查看这个模型的文件夹和需要下载的文件。
2. 在浏览器中打开每个文件的下载地址（Hugging Face 或 hf-mirror.com），也可以复制地址，在其他设备上下载；把文件保存到卡片上显示的文件夹，文件名保持不变。点「打开文件夹」可以直接打开这个文件夹，点「复制路径」可以复制它的位置。
3. 全部文件放好后，点「检查并导入」。Voltip 会校验每个文件的大小和 SHA-256，全部正确后即可使用这个模型；有文件缺少或不正确时，卡片会列出这些文件。

实时识别模型的卡片上列出的是一个压缩包：下载后不用解压，直接放进这个文件夹。点「检查并导入」时，Voltip 从包里取出模型文件，然后删除这个包。

在应用中下载时，文件夹里已有的文件也会先校验，不正确的文件会重新下载。

CPU 与 GPU

在「本机」下，「运行设备」提供三个选项：

• 自动（默认）：这台电脑有 Voltip 可用的显卡时使用显卡，否则使用处理器。
• CPU：始终使用处理器，可以通过「CPU 线程数」设置使用的线程数。
• GPU：使用显卡；有多块显卡时可以选择其中一块。

只有两个 Qwen3-ASR 模型会使用显卡：Windows 和 Linux 上通过 Vulkan，需要显卡驱动支持 Vulkan；Mac 上通过 Metal。SenseVoice、Paraformer 和实时识别模型始终在处理器上运行。显卡无法使用时，Voltip 会改用处理器，听写不受影响。

识别过程中显卡出错时，Voltip 会用处理器重新识别这条录音，历史记录详情中的「识别方式」会写明。10 分钟内再次出错后，在重启 Voltip 之前都使用处理器。

第一次在显卡上运行需要更长时间，因为驱动要为这个模型做一次准备：在我们的实测中，NVIDIA L40S 上约 13 秒，Tesla T4 上约 2 分钟。之后的运行启动很快。

实测数据

Qwen3-ASR 0.6B 识别一段 16 秒的中文语音（首次运行之后）：

电脑	设备	加载	识别
Linux，NVIDIA L40S	GPU（Vulkan）	0.58 秒	0.16 秒
Linux，同一台电脑	CPU，8 个线程	—	2.87 秒
Windows，NVIDIA Tesla T4	GPU（Vulkan）	1.6 秒	0.28 秒

SenseVoice Small（int8）识别同一段录音用时 0.20 至 0.34 秒，测试机为 32 核服务器处理器，使用 4 个线程。

Voltip 启动时以及每次更改设置后，都会在后台加载选用的模型，因此第一次听写不需要等待加载。

处理器要求

在 x86 电脑上，Qwen3-ASR 需要支持 AVX2 的处理器：2013 年（Haswell）以后的 Intel 处理器，以及 2015 年以后的 AMD 处理器。在更早的处理器上，Voltip 会说明无法加载的原因，请改用 SenseVoice、Paraformer 或云端服务。使用 Apple 芯片的 Mac 原生运行这些模型。

出错时改用其他本地模型

「语音模型」页的候补列表可以添加已下载的本地模型（见服务出错时也改用候补）。当前选择的是本地模型时：

• 开启「额度用完后改用其他模型」和「服务出错时也改用候补」后，显卡、内存或模型出错，且用处理器重新识别也失败时，这条录音改由列表中的下一个本地模型识别。
• 列表中的云端服务商不会用到：本地识别出错时，录音不会上传到云端。列表中只有云端服务商时，这条听写照常提示识别失败。
• 本地模型没有额度限制，只开启「额度用完后改用其他模型」时不会改用其他模型。

当前选择的是云端服务商时，列表中的本地模型也可以在额度用完或服务出错时接替识别。

中文字形

部分模型会把中文识别为繁体字。在「识别设置」的「中文字形」中，可以选择简体（默认）、繁体或保持原样。字形转换在识别之后立即进行，早于词典纠正。

命令行

这些模型也可以在不打开应用窗口的情况下使用，适合脚本和服务器：

voltip-desktop --list-models
voltip-desktop --download-model qwen3-asr-0.6b
voltip-desktop --transcribe-file sample.wav --json
voltip-desktop --list-compute

全部选项见命令行。