本地识别

使用本地模型时，录音在这台电脑上完成识别，音频不会离开本机。在侧栏打开「语音模型」，选择「本机」，下载一个模型即可。

「语音模型 › 本机」，已安装 Qwen3-ASR 0.6B。

模型

模型	大小	语言	运行设备	说明
Qwen3-ASR 0.6B	690 MB	30 种语言，自动识别	GPU 或 CPU	推荐。自带标点
Qwen3-ASR 1.7B	1.7 GB	30 种语言，自动识别	GPU 或 CPU	最准确，速度较慢。与内置服务使用的是同一个模型
SenseVoice Small	240 MB	中文、英文、日文、韩文、粤语	CPU	体积最小。自带标点，并规整数字写法
Paraformer	227 MB	中文（含方言）与英文混说	CPU	中文识别更准。不带标点，开启 AI 润色可以补上
实时识别	169 MB	中文与英文	CPU	边说边显示文字。最终文本仍由上面选用的模型识别

「语音模型」页「识别设置」中的「语言」，会传给支持指定语言的模型和服务；Qwen3-ASR 始终自动识别语言。

开启「静音裁剪」后，一个 1.8 MB 的静音检测模型会随第一个本地模型一起下载。

下载

• 正式版安装包先从项目自己的镜像下载，然后依次尝试 Hugging Face 和 hf-mirror.com。某个来源速度过慢或无法访问时，Voltip 会自动换到下一个。
• 下载中断后，会从中断处继续。
• 每个文件在使用前都会校验 SHA-256。
• 开始下载前，Voltip 会检查磁盘剩余空间是否足够。

模型保存在 Voltip 数据目录下的 models 目录中（数据目录的位置）。在「语音模型」页删除模型会同时删除它的文件。

CPU 与 GPU

在「本机」下，「运行设备」提供三个选项：

• 自动（默认）：这台电脑有 Voltip 可用的显卡时使用显卡，否则使用处理器。
• CPU：始终使用处理器，可以通过「CPU 线程数」设置使用的线程数。
• GPU：使用显卡；有多块显卡时可以选择其中一块。

只有两个 Qwen3-ASR 模型会使用显卡：Windows 和 Linux 上通过 Vulkan，需要显卡驱动支持 Vulkan；Mac 上通过 Metal。SenseVoice、Paraformer 和实时识别模型始终在处理器上运行。显卡无法使用时，Voltip 会改用处理器，听写不受影响。

第一次在显卡上运行需要更长时间，因为驱动要为这个模型做一次准备：在我们的实测中，NVIDIA L40S 上约 13 秒，Tesla T4 上约 2 分钟。之后的运行启动很快。

实测数据

Qwen3-ASR 0.6B 识别一段 16 秒的中文语音（首次运行之后）：

电脑	设备	加载	识别
Linux，NVIDIA L40S	GPU（Vulkan）	0.58 秒	0.16 秒
Linux，同一台电脑	CPU，8 个线程	—	2.87 秒
Windows，NVIDIA Tesla T4	GPU（Vulkan）	1.6 秒	0.28 秒

SenseVoice Small（int8）识别同一段录音用时 0.20 至 0.34 秒，测试机为 32 核服务器处理器，使用 4 个线程。

Voltip 启动时以及每次更改设置后，都会在后台加载选用的模型，因此第一次听写不需要等待加载。

处理器要求

在 x86 电脑上，Qwen3-ASR 需要支持 AVX2 的处理器：2013 年（Haswell）以后的 Intel 处理器，以及 2015 年以后的 AMD 处理器。在更早的处理器上，Voltip 会说明无法加载的原因，请改用 SenseVoice、Paraformer 或云端服务。使用 Apple 芯片的 Mac 原生运行这些模型。

中文字形

部分模型会把中文识别为繁体字。在「识别设置」的「中文字形」中，可以选择简体（默认）、繁体或保持原样。字形转换在识别之后立即进行，早于词典纠正。

命令行

这些模型也可以在不打开应用窗口的情况下使用，适合脚本和服务器：

voltip-desktop --list-models
voltip-desktop --download-model qwen3-asr-0.6b
voltip-desktop --transcribe-file sample.wav --json
voltip-desktop --list-compute

全部选项见命令行。