2026 最佳 AI 转录模型实测：16 云端+1 笔记本（2026年9月21日）

发贴员

（2026年9月21日）“我应该用哪个 AI 转录？”过去几年的默认答案是 Whisper，但 csuite 用一次真实测试说明：这个答案不再是自动的了。他们把 NASA 播客《Houston We Have a Podcast》第 425 期的 5 分钟真实音频发给 16 个云端转录模型和一台笔记本，整个实验只花了 21 美分。在制作精良的开场（437 词、单声、录音室音质）上，17 个模型几乎全部满分：6 个与官方文稿逐词一致，7 个只错一个词，最差的错误率也仅 1.4%。大部分错误是同音词——比如 4 个模型把 “peeks” 写成 “peaks”，两个 6 亿参数的小模型把 “lunar surface” 听成 “learner surface”。



但真正的分水岭是对话片段（164 秒、两人对话、抢话、断句重开）：16 个模型都写对了地名 Toledo，但云端的 Whisper Large V3 Turbo 悄悄丢了 3 段话共 18 个词，包括整句 “His wife was a doctor, but he chose to work at”；云端完整版 Whisper Large V3 丢了另外 23 个词。输出里没有任何标记，读者根本看不出来。Whisper 还有著名的“幻觉”问题——开场片段里 Whisper-1 在结尾编了一句没人说过的“Thank you”。而 16 个模型中所有非 Whisper 模型都没有编句或丢句。成本跨度巨大：Whisper-1 每小时 0.36 美元，微软 MAI-Transcribe 2 每小时 0.10 美元（2026年12月31日前首发价），托管的 Whisper Turbo 实测每小时约 1 美分，而本地跑的 whisper.cpp 完全免费。在 M3 Max 笔记本上，164 秒片段 5.8 秒处理完——比实时快 28 倍。结论：“按工作选模型”，干净录音随便选便宜的，对话多的先测“丢句”这一项。