苹果新语音API准确率超越Whisper三倍速

苹果在最新操作系统更新中悄然替换了沿用多年的语音识别框架，但并未公布新模型的准确率数据。第三方开发者通过实际对比测试发现，新的SpeechAnalyzer API在准确率和速度上均实现了显著跃升，甚至超越了大名鼎鼎的Whisper Small模型。

这项测试由端侧AI工作空间Inscribe团队完成。他们在同一台搭载M2 Pro芯片的Mac上，使用完全相同的代码路径和音频输入，对五款引擎进行了横向评测：苹果新老两代API（SpeechAnalyzer与SFSpeechRecognizer），以及三个不同规模的Whisper模型（Tiny、Base、Small）。测试数据集选用业界标准的LibriSpeech，包含干净语音和嘈杂语音两个子集。

新API碾压旧版：准确率提升3.5-4倍

最直观的结论是：开发者应该立即从旧版SFSpeechRecognizer迁移。在干净语音测试集上，旧版API的词错误率（WER）为9.02%，而新API仅2.12%，错误率降低了约4倍。在更具挑战性的嘈杂语音测试集上，旧版成绩为16.25%，新API则降至4.56%，提升幅度同样显著。

词错误率衡量的是引擎在转录中替换、遗漏或凭空添加单词的比例。这意味着，一段一小时的会议录音，用旧API转录会产生大约4倍于新API的错误单词。对于任何需要处理长音频的应用，迁移的收益是压倒性的。此外，新API还直接输出带有标点和大小写格式的文本，而旧版输出则较为粗糙。

意外胜出：苹果引擎击败Whisper Small

更令行业关注的是，苹果新引擎在两项测试中均以明显优势击败了Whisper Small——这是Inscribe产品中搭载的最大Whisper模型。在干净语音上，苹果WER为2.12%，Whisper Small为3.18%；在嘈杂语音上，苹果为4.56%，Whisper Small为6.12%。不仅如此，苹果引擎的处理速度约为Whisper Small的3倍。

所有引擎均在端侧运行，使用同一台M2 Pro设备（32GB内存，macOS 26.5.1）。测试结果显示，苹果新引擎在处理英语语音时，已成为当前可测量的最强端侧选项。

Whisper仍保留两大优势

不过，Whisper并非全无还手之力。它拥有两个苹果引擎目前无法替代的优势：多语言支持和跨平台能力。苹果的SpeechTranscriber仅支持约30个语言区域，而Whisper覆盖了近百种语言。此外，Whisper可以在任何硬件上运行，而苹果新API仅限于搭载最新操作系统的苹果设备。

Inscribe团队已经根据测试结果调整了产品策略：对于苹果新API支持的语言，默认引擎优先使用SpeechAnalyzer；对于其他语言，则回退到Whisper。这种务实的做法也反映出当前端侧语音识别生态的格局变化——在英语转录场景下，苹果原生方案已从追赶者变成了领跑者。

速度与效率的全面升级

在速度方面，所有五款引擎都远快于实时。在M2 Pro上，处理速度大约在12倍到40倍实时之间，意味着转录一小时音频仅需1.5到5分钟。其中苹果新引擎表现尤为突出，在保持最高准确率的同时，速度也处于第一梯队。

对于iOS和macOS开发者而言，这次基准测试提供了清晰的迁移路线图。苹果没有公开新API的准确率数据，但第三方实测证明，SpeechAnalyzer在英语端侧语音识别上已经达到了新的高度。随着苹果持续优化其神经网络引擎和语音模型，未来在多语言支持上的扩展值得期待。