先确定你要交付什么

同一段访谈，可以变成一篇整理稿，也可以变成逐句出现的字幕。前者更在意文字是否准确、便于修改；后者还需要时间戳、断句和阅读节奏。选模型之前，先确定最后交付的是文稿、字幕，还是给下一个工具使用的结构化数据。

Sonano 同时提供 Qwen3-ASR 和 Whisper。比较时使用同一份原始音频，保持语言和处理范围一致。不要把已经清理过的一份录音，与带音乐和重叠人声的另一份录音当作同一次模型对比。

把上游覆盖与 App 选项分开看

Qwen3-ASR 上游提供 0.6B 和 1.7B，公布了 30 种语言和 22 种中文方言的识别支持。Sonano 当前提供十种语言选项。Whisper 在 App 中有 Tiny、Base、Small、Medium、Large-v3 Turbo 和 Large-v3 等变体。

你需要的语言是否在当前选择器里，比模型卡上写了多少种语言更直接。对方言、夹杂外语的术语和不同口音，先截取实际素材测试；本文没有把官方不同测试集的成绩合成一个总排名。

识别文字和对齐时间是两件事

Whisper 路径提供分段时间。Qwen3-ASR 工作流可在支持的语言中配合 Qwen3-ForcedAligner 做更细的词或字时间；Sonano 当前对中文、英文、日文和韩文开放这条精细对齐路径。

ForcedAligner 使用音频和已知文字估计时间位置。文字写错了，增加对齐并不会自动把它改对。先核对识别结果，再检查字幕边界，尤其是长停顿、快速连读和说话人交替的位置。

做一张自己的比较记录

选一段包含清晰人声、专业词和困难片段的短录音，运行两个候选模型。下面是建议记录的项目，不是本网站的实测成绩：

记录什么怎样检查
识别错误逐句回放，记录漏字、重复、人名与数字错误
字幕时间查看开口、停顿和换句是否对应画面
等待与修改分别记录处理时间和人工校对时间
资源占用观察同一台 Mac 是否还能顺畅进行其它工作

如果某个模型只在困难片段明显更好，可以把它留作这类录音的备选。日常模型应当适合你最常处理的素材，而不是只在一段展示录音上表现好。

把选型结果落到导出

完成校对后，文稿可导出 TXT，带时间字幕可选 SRT/VTT，结构化结果可选 JSON。如果剪掉了媒体中的停顿或片段，确认导出的字幕对应剪辑后的时间线。

继续阅读从录音到 SRT 的操作流程，或查看模型选择文档。

资料与延伸阅读

资料核对日期：2026 年 11 月 3 日。App 的可用选项以当前版本为准。