实测Qwen3-ASR-0.6B+AIGCPanel转长音频

0.6B 的语音识别模型装进桌面软件，长录音不用上传，也不按分钟付费。

两小时的访谈、一节课的直播回放、一段带 BGM 的短视频，要变成文字，过去要么传上云端按分钟计费，要么自己装 Python、配 CUDA、写几十行推理脚本。Qwen3-ASR-0.6B 是通义千问开源的多语言语音识别模型，AIGCPanel 是开源的 AI 数字人桌面软件（Apache-2.0，社区版免费）。两者接上之后，转写变成了选文件、点「开始识别」。 模型的胜负写在跑分表上，工具的价值在你点下「开始识别」之后。

Qwen3-ASR 能力概览：噪声、歌唱、多语言、时间戳

0.6B 的体量，中文识别对标大模型

官方评测的数字摆在一起，有点反直觉。AISHELL-2 测试集，Qwen3-ASR-0.6B 错误率 3.15%，Whisper-large-v3 是 5.06%；WenetSpeech 网络场景 5.97% 对 9.86%；方言集 KeSpeech 7.08% 对 28.79%；粤语 CV-yue 9.50% 对 16.23%。Whisper-large-v3 参数量约 1.5B，是它的两倍多。

测试集	0.6B	1.7B	Whisper-large-v3	Doubao-ASR（云端）
AISHELL-2	3.15	2.71	5.06	2.85
WenetSpeech 网络	5.97	4.97	9.86	N/A
KeSpeech 方言	7.08	5.10	28.79	5.27
GigaSpeech（英文）	8.88	8.45	9.76	9.55

（错误率，越低越好，数据来自 Qwen3-ASR 官方仓库）

它不是全面第一：AISHELL-2、KeSpeech 上豆包的云端 API 更低，同门的 1.7B 每个集子都更好。0.6B 赢在体量和部署，不是赢在每一行。落到你身上，就是一张消费级显卡能本地跑完整段中文录音，文件不出本机。

Qwen3-ASR 模型架构：音频输入经 Qwen3-Omni 理解后输出文本

长音频的两个坑：截断和卡死

一小时的会议录音直接丢进去，是这类工具的日常用法，但模型侧有两个坎。整段音频一次性送进模型，生成有 token 上限，超出部分会被截掉；官方 transcribe 还会把长音频按 180 秒重新分块做批量推理，而批量长序列在 Apple MPS 上很慢。

这个接入服务的绕法是：以 120 秒为目标，在目标点附近找能量最低的位置切开，逐段顺序推理，每段结果再按偏移量拼回原始时间轴。

一个数字能说明差距，来自项目代码注释：200 秒音频整段交给模型，在 MPS 上跑了 57 分钟还没结束；改成分段顺序推理，同样音频约 3 分钟。按这个比例，两小时录音要一个多小时，不算快，但不用守着上传，也不按分钟计费。

结果以 records 列表返回，每条带 start、end、text。句子边界来自另一个 0.6B 强制对齐模型的词级时间戳，所以导出的字幕能贴着说话走。

模型再大也治不了截断，怎么切才是关键。

AIGCPanel 语音识别：上传 mp3/wav、选模型、结果带时长

不用先告诉它说什么语言

支持列表是 30 种语言加 22 种中文方言，共 52 种，粤语、闽南语、吴语、四川话都在里面。官方标称能处理演唱和带 BGM 的歌曲，不只是干净的朗读。

语言参数留「自动」，模型自己判断；知道是哪种语言时手动指定，结果更稳。人名、产品名、术语容易错，就在「上下文提示」里填几个关键词，专有名词的错字通常会少一些。

装进 AIGCPanel 的三步

到 aigcpanel.com 下载 Windows、macOS 或 Linux（UOS / Ubuntu / Deepin）版本，安装打开。
「模型」页找到这个语音识别服务，解压到纯英文路径。目录里要同时有 Qwen3-ASR-0.6B 和 Qwen3-ForcedAligner-0.6B 两个文件夹，缺一个服务启动就报错，文件夹名别改。回到「AI模型」页，右上角「本地模型」，选中解压后的目录，名称与下载的一致，点启动，状态变成「运行中」就可以用。
左侧「工具」→「语音识别」，选 mp3 或 wav 文件（视频先用工具箱提取音轨），模型下拉框选中它，下方的识别语言、上下文提示、输出时间戳会跟着出现。语言留「自动」，要字幕就开着时间戳，点「开始识别」。完成后能直接改错字，再导出 SRT。

想批量处理，把它拖进工作流当节点用。

AIGCPanel AI 模型页面：本地模型入口与运行状态

AIGCPanel 还能干什么

数字人视频合成、声音合成与声音克隆、25+ 音视频工具箱、工作流（VIP）。语音识别只是工具箱里的一格，转写完顺手加字幕、配音、剪片，都在同一个软件里。

什么时候别用它

要实时滚动的字幕、要区分说话人、中英混说严重、只有 CPU 又要转两小时，或者追求最高准确率——这些场景用 1.7B 或云端 API 更合适。0.6B 是个偏工程的选择，不是万能键。

其他要点

硬件：配置页写的是显存 4GB+、内存 8GB+。有 NVIDIA 显卡走 CUDA，Apple Silicon 走 MPS，都没有自动降级 CPU，慢，但能跑。
离线：完整分发包里模型已经放在 aigcpanelmodels/，运行时不下载权重。
可调参数就三个：识别语言、上下文提示、是否输出时间戳；设置页另留一个 GPU 序号。
服务常驻，模型只加载一次，后面的任务直接复用。
官方模型支持流式识别，需要 vLLM 后端；AIGCPanel 里这个服务走离线整文件识别，内部自动分段。

Qwen3-ASR 由阿里通义千问团队开源，AIGCPanel 是 Apache-2.0 的桌面项目，本文对应的服务包是 server-Qwen3ASR06B v1.0.0。

别拿两小时录音当第一次试验。挑一段 5 分钟的通话记录先跑，合不合适，一段就知道。

音频躺在硬盘里是沉默的，转成文字才会开口。