SenseVoiceSmall vs Paraformer-zh：中文快速 ASR 哪個適合字幕？
解析 Scribis 已整合的 SenseVoiceSmall 與 Paraformer-zh，比較中文 ASR、低延遲、VAD、語言識別、音訊事件和字幕工作流，並與 Fun-ASR、Parakeet 對照。
文章定位： SenseVoiceSmall 與 Paraformer-zh 都已整合到 Scribis。本文比較兩者的中文轉錄速度、語言識別、音訊事件、VAD pipeline 和字幕工作流，並帶入 Fun-ASR-Nano、Parakeet 與 Qwen3-ASR 作為外部或同平台參考。
先講結論：只要字幕，Paraformer 輕量；要更多音訊理解，SenseVoice 更完整
SenseVoiceSmall 和 Paraformer-zh 都是中文內容製作者值得認識的快速 ASR。Paraformer-zh 以約 220M 參數的 non-autoregressive 架構，主打中文與英文、低延遲和容易部署；SenseVoiceSmall 則在 ASR 之外加入 spoken language identification、speech emotion recognition 和 audio event detection。 Fun-ASR-Nano 是本文納入的外部比較模型，不代表 Scribis 已整合。
如果你只需要把錄音快速轉成字幕草稿，Paraformer-zh 的簡潔與資源效率很有吸引力；如果你希望同時知道語言、情緒或音訊事件，SenseVoiceSmall 的功能範圍更廣。兩者都已整合到 Scribis，可直接把結果接到字幕時間軸、翻譯、校對與匯出。
SenseVoiceSmall 是什麼？
SenseVoiceSmall 是 FunASR 生態中的多功能語音 foundation model。官方模型卡描述它使用超過 400,000 小時資料，支援 50 多種語言，採 non-autoregressive end-to-end 架構，並主打低延遲推論。 它不只是「另一個中文 Whisper」，而是把 ASR、語言識別和音訊事件視為同一個語音理解 pipeline 的不同輸出。
FunASR 官方資料曾以 10 秒音訊約 70ms 推論時間描述 SenseVoiceSmall，並宣稱約為 Whisper Large 的 15 倍速度；這是官方測試值，會受到硬體、batch、音訊格式和 runtime 影響，不能直接當成所有電腦的保證。
Paraformer-zh 的路線比較單純。它使用 SANM encoder、CIF predictor 與 non-autoregressive decoder，CrispASR README 將其列為約 220M 的中文／英文模型。 對需要低延遲、可預測和相對低資源的中文語音轉文字來說，這種架構很容易理解，也適合與 VAD、標點和說話者模組組合。
| 比較項目 | SenseVoiceSmall | Paraformer-zh |
|---|---|---|
| 模型定位 | 多功能 speech foundation model | 輕量中文／英文 ASR |
| ASR | 支援 | 支援 |
| 語言識別 | 原生能力之一 | 通常需額外 LID 或由 pipeline 處理 |
| 情緒／音訊事件 | 有相關任務支援 | 非主要定位 |
| 架構 | non-autoregressive end-to-end | SANM + CIF + NAR decoder |
| 適合情境 | 快速轉錄加上語音分析 | 中文字幕、客服、批次和 edge |
| Scribis 狀態 | 已整合 | 已整合 |
和 Fun-ASR、Parakeet、Qwen3-ASR 怎麼選？
Fun-ASR-Nano-2512 是同一個 FunAudioLLM 生態中的較新模型，重點放在中文方言、英文、日文和產業語音。它比較像「更大型、語言與資料覆蓋更廣的 ASR 候選」，SenseVoiceSmall 則更像「低延遲、多任務語音理解工具」。
Parakeet TDT v3 代表另一條路線：高速 encoder／TDT 模型，適合大量批次處理。第三方 English short-form leaderboard 報告 Parakeet TDT v3 平均 WER 6.32%、RTFx 3,330；SenseVoiceSmall 和 Paraformer-zh 未必在同一張表中，因此不能把官方 SenseVoice 速度宣稱和 Parakeet RTFx 直接合併排名。
Qwen3-ASR 則適合多語言、中文方言、串流／離線與較複雜的上下文。若你處理的是台灣中文、粵語、中英混用或多語影片，Qwen3-ASR-0.6B／1.7B 值得加入 Scribis 的比較；若你重視超快字幕草稿，SenseVoice、Paraformer 和 Parakeet 可能更具效率優勢。
| 模型 | 最適合的工作 | 和 SenseVoice／Paraformer 的差異 |
|---|---|---|
| SenseVoiceSmall | ASR＋LID＋音訊事件 | 功能面最廣，適合需要語音分析的流程。 |
| Paraformer-zh | 中文快速字幕、客服與 edge | 模型較輕、任務較聚焦。 |
| Fun-ASR-Nano | 中文方言、英文、日文、產業資料 | 外部比較模型；語言與內容覆蓋較廣，資源需求需實測。 |
| Parakeet TDT v3 | 大量批次、極高 throughput | 速度強，需另測中文與台灣口音。 |
| Qwen3-ASR | 多語、方言、串流與長上下文 | 模型較大，但複雜語音理解能力更值得測試。 |
中文字幕要測什麼？
第一個測試是中文字錯誤，包括同音字、專有名詞、數字和英文品牌。第二個測試是時間軸：字幕是否在適當的停頓切句、每行是否過長、匯出 SRT／VTT 後是否需要大量人工調整。第三個測試是音訊環境，例如手機遠場、鍵盤聲、多人聊天與背景音樂。
如果使用 SenseVoice 的情緒或音訊事件輸出，還要另外檢查事件標籤是否適合你的產品，不要把自動分類直接當成真實判斷。對正式字幕來說，最重要的依然是文字正確率、時間軸和人工校對效率。
在 Scribis 中建立快速字幕流程
你可以先將 MP3、WAV、M4A 或 MP4 匯入 Scribis，使用 SenseVoiceSmall 產生快速草稿；對需要更精細中文或多語表現的內容，再使用 Paraformer-zh、Qwen3-ASR 或其他已整合模型重跑。接著在 Scribis 內整理時間軸、翻譯、字幕樣式、說話者和匯出格式。
這種工作流比在模型之間只看秒數更實際。若 SenseVoice 的速度讓你能先快速瀏覽大量檔案，再用高品質模型處理重點片段，它就可能是很有效率的前處理層；若內容需要穩定中文字幕，Paraformer-zh 的低延遲和較小模型也很適合當預設選項。
FAQ
SenseVoiceSmall 比 Paraformer-zh 準嗎？
沒有一個適用所有錄音的答案。SenseVoice 的強項是多任務和低延遲，Paraformer-zh 的強項是輕量中文／英文 ASR；應以自己的台灣中文、噪音、多人和字幕資料測試。
SenseVoiceSmall 能辨識台灣口音嗎？
它支援多語言，且在中文內容中值得測試，但不能只根據「50 多種語言」推論所有台灣口音都一樣準。Scribis 已整合 SenseVoiceSmall，可直接和 Breeze、Qwen3-ASR、Paraformer 比較。
Paraformer-zh 適合長訪談嗎？
可以作為快速草稿候選，但長音訊表現取決於切段、VAD、標點和時間軸處理。正式交付前應檢查跨段落合併和字幕切句。
結論：中文快速字幕先測 Paraformer，語音分析再看 SenseVoice
SenseVoiceSmall 和 Paraformer-zh 都適合追求效率的中文 ASR 工作流。Paraformer-zh 比較像低延遲、任務聚焦的字幕引擎；SenseVoiceSmall 則把 ASR、LID、情緒和音訊事件整合到更廣的語音理解方向。Fun-ASR、Parakeet 和 Qwen3-ASR 可以分別補足方言、速度和多語能力。
圖：這是功能定位矩陣，不是模型分數或全球排名；實際結果仍應以同一批台灣中文素材測試。
CTA： 想快速比較中文 ASR 的速度與字幕品質，可以在 Scribis.app 直接測試 SenseVoiceSmall、Paraformer-zh 和其他已整合模型，再依人工校對時間選擇工作流。