苹果这次没发通稿,却被别人替它交了一份成绩单。iOS/macOS 26把用了近十年的SFSpeechRecognizer换成了新的SpeechAnalyzer和SpeechTranscriber,官方对新引擎的准确率只字未提。反倒是转录应用Inscribe拿自家产品,在同一台M2 Pro上、用同一套生产代码,把苹果新旧两代引擎和三个Whisper模型放进LibriSpeech基准里跑了一遍:SpeechAnalyzer的词错误率是2.12%和4.56%,比被替换的老引擎低了三倍多,也比Whisper里最大的Small模型更准,速度还快出约三倍。这是目前唯一一份相对完整的横向对比,几乎被整个开发者社区当成定论转发。
问题恰恰出在"唯一"这两个字上。
数字确实好看
老引擎的表现有点难堪——SFSpeechRecognizer连40MB的Whisper Tiny都打不过。新引擎则反过来,不仅赢了三个尺寸的Whisper,速度还快了一大截。
| 引擎 | test-clean WER | test-other WER | 体积 |
|---|---|---|---|
| SpeechAnalyzer(新) | 2.12% | 4.56% | 系统自带 |
| Whisper Small | 3.74% | 7.95% | 约500MB |
| Whisper Base | 5.42% | 12.51% | 约140MB |
| Whisper Tiny | 7.88% | 17.04% | 约40MB |
| SFSpeechRecognizer(旧) | 9.02% | 16.25% | 系统自带 |
方法论也确实做了功课:先用同一套流程复现OpenAI官方公布的Whisper数据,六项测量误差都落在0.1到0.42个百分点之间,方向一致,说明测试框架本身可信;还公开了全部5559条原始转录,供任何人下载复核。这份透明度,是这份数据能被广泛引用的真正原因。
"可复核"不等于"已复核"
检索目前能找到的引用,几乎都在转述同一份Inscribe数据,还没有出现真正独立、从零跑一遍的第三方复现。Inscribe自己卖的产品里正好同时装着Apple和Whisper两套引擎,是既当裁判又当选手。它用可下载的原始转录去对冲这层利益关联,这个动作值得肯定,但"数据公开,谁都能查"和"真的有人查过"是两回事,目前后者还没发生。
- 提醒.目前所有转引都指向同一数据源,尚无第三方从零复现的结果。
对比对象是不是选错了
苹果这套新语音框架其实有两张面孔——面向长录音、会议、远场麦克风的SpeechTranscriber,和面向短语音、听写场景的DictationTranscriber。老的SFSpeechRecognizer当年主要扛的就是听写这类短语音活。拿它去比定位完全不同的SpeechTranscriber,有点像拿一台跑长途的车,去比一台市内代步车换代前后的油耗——升级感容易被放大。真正对齐的迁移对比,应该是SFSpeechRecognizer对DictationTranscriber。
更麻烦的是,这份测评完全没提迁移过程里的工程账。苹果测试版阶段,开发者论坛报过识别器分配失败、崩溃,还有"达到识别器数量上限"的报错;框架对同时进行的语音任务设了偏保守的并发上限,超限直接抛错误;文件转录如果漏调一个收尾方法,会话会直接卡死不返回结果——这个坑Inscribe自己都踩过,线上版本一度因为漏调用而挂起,查基准的时候才顺带修掉。新框架目前也没有老API那种自定义词汇、专有名词提示的能力,部分老设备比如iPhone 11系列和第二代SE,干脆不支持新引擎。这些都不会出现在WER表格里,却决定一次迁移到底顺不顺。
Whisper没输的地方
语言覆盖是Whisper显性的优势,但更硬的一条是版本可锁定。Whisper发布出去的模型权重是固定的,同一段录音,今天转和明年转,结果一样。苹果这套引擎背后的模型闭源,还会随系统和资产更新迭代——同一份录音换个系统版本,转录结果未必一致。对普通用户这无所谓,但对法律取证、医疗记录、合规审计这类要求"过程可复现"的场景,这是决定用不用的硬指标,原文里一句没提。
- 结论.Whisper的护城河不止语言数量,版本可锁定对合规场景才是真正刚需。
分数干净,不等于账已经算完。
所以"该不该迁移"不是一张WER榜单能回答完的问题。做纯英文、短语音听写、对准确率要求高的应用,现在切换大概率划算;做多语言、面对合规审计、或者还要覆盖旧机型的团队,这张成绩单只能当参考,不是答案。这份数据从发布到被开发者社区当成定论,只用了很短时间,套一句老话,其兴也勃焉——传得快,不代表被查过。