AMD EPYC 9115
16 核 32 线程宿主机；WSL2 中本轮实际可见 12 个逻辑 CPU、约 24 GiB 内存。
本地推理 · 无 GPU
LOCAL INFERENCE · PUBLIC DEMO
让识别结果
让识别结果
经得起现场测试。
同一台 CPU、同一套评分规则，分别面对干净朗读与自然对话。先看两轮 45 分钟实测，再用你的声音直接试五款模型。
01 / AISHELL-1朗读语音约 45 分钟 · 531 句
02 / MAGICDATA-RAMC自然口语约 45 分钟 · 933 段
朗读最低 CER2.30%
Z2 · 原生流式
口语最低 CER12.46%
X1 · 原生流式
测试总量90 min
两份冻结清单
模型数量4 + 1
四款流式、一款整句离线
01 / ENVIRONMENT
测试环境
保留硬件与资源口径，让速度数据有可追溯的上下文。
WSL2 / Ubuntu 22.04
专用 sherpa-onnx 与 Dolphin CPU 环境。模型权重、版本与来源已冻结。
16 kHz · 单声道
统一 PCM 输入。原生流式模型每 20 ms 喂入，1 与 4 个 SDK 线程分别测试。
记录实际资源
RTF 为计算调用耗时 / 原始音频时长；内存是 100 ms 采样的进程峰值近似值。
02 / METHODOLOGY
测试方式
同一套推理与计分规则，评估两种不同语料。测试集内部可横比，跨语料差值需结合场景理解。
DATASET 01朗读
AISHELL-1 test
20 位说话人轮询抽样，531 句完整朗读语音，约 45 分钟、7,864 个参考字符。
固定种子20261022
音频场景安静室内朗读
DATASET 02口语
MagicData-RAMC test
43 场对话、86 位说话人均衡抽样，933 段自然口语，约 45 分钟、12,677 个参考字符。
固定种子20261023
音频场景已切分自然对话
01统一输入
16 kHz PCM；每段建立新 stream，末尾补 1 秒人工 EOF 右上下文。
02统一识别
CPU、greedy、无 VAD、热词与纠错；D1 以四线程整句离线单列。
03统一计分
NFKC、小写、去空白与标点；CER = 总替换＋删除＋插入 / 总参考字符。
两套语料的说话人、录音条件、切句和标注不同；跨语料差值不等于单纯的“口语难度”。此次是单次准确率与吞吐测量，未测连续会议、业务噪声或完整 45 分钟实时回放。
03 / RESULTS
测试结果
主榜统一使用四款原生流式模型的单线程 CER。D1 是整句离线识别，只展示参考结果。
AISHELL-1 朗读RAMC 自然口语
字符错误率 CER ↓ 越低越好载入测评数据…
排序为何变化？
Z2 在朗读上领先，X1 在自然口语上领先；这一变化出现在固定数据和相同评分规则下。RAMC 的句段更短，另有录音与内容差异，因此不能只归因于“是否自然口语”。
04 / LIVE DEMO
用你的声音，现场测试
上传 0.1–30 秒音频，或点击“开始录音”。四款流式模型会显示增量转写；D1 停止后返回整句。
现场演示接受任意说话内容，未提供人工参考文本，因此只展示识别输出与耗时，不计算 CER。远程麦克风需要 HTTPS 浏览器环境和用户授权。