按语言划分的模型推荐：英语和欧洲语言¶

研究日期：2026-10-22。基于 model-watch.md（此处不再重新论证 parakeet-ultra、Moonshine、Nemotron）。范围：英语、PARAKEET_V3_LANGUAGES 中的 25 种 Parakeet v3 语言，以及 Hex 列出的另外两个欧洲条目（土耳其语 tr、马其顿语 mk，目前归入 Qwen 分支）。

结论¶

English
├── Recommended: keep Parakeet Unified. It is the only Hex English model that streams,
│   and its offline accuracy is at least on par with ultra (FLEURS en 3.99 vs 4.26)
├── Most accurate: Cohere's lead is real only on LibriSpeech clean (1.27 vs 1.60/1.80/1.91)
│   and the Open ASR leaderboard (6.26 vs 6.51 v3); on FLEURS en it is the worst of the set (5.08)
│   └── Qwen3-ASR 1.7B beats it on both FLEURS en (3.23) and the leaderboard (5.75): evaluate as the replacement
├── parakeet-ultra for English: no. Same size, but offline-only, so it loses the streaming pipeline
└── Canary 1B v2 for English: no. 4.47 FLEURS, 1.14 GB, half the speed, no streaming

European (Parakeet v3 set)
├── Recommended: parakeet-ultra replaces v3 everywhere except Greek (lower WER in all 25, same size and speed)
├── Most accurate: Canary 1B v2 where it beats ultra by more than 1.5 points (12 languages)
├── Greek: Parakeet is broken for it (32 to 35% WER). Use Cohere (8.96) or Whisper turbo (13.26)
└── Turkish and Macedonian: Whisper turbo beats Qwen3-ASR 0.6B by 2.4x and 2x. Switch Recommended

有两个发现比 ultra 替换更重要：

希腊语被路由到了一个每三个词就错一个的模型。 v3 35.33%，ultra 32.25%，Canary v2 26.02%，Whisper turbo 13.26%，Cohere 8.96%（FLEURS）。
土耳其语和马其顿语被路由到了 Qwen3-ASR 0.6B，其 WER 分别为 16.74% 和 35.09%，而 Whisper turbo 为 6.97% 和 17.85%。

证据及其局限¶

几乎所有按语言统计的数字都来自 handy-computer/transcribe.cpp 的 docs/models/*.md 模型卡片，是 Q8_0 GGUF 在 FLEURS 测试集上的 WER，由同一项目用同一流水线测得。这是现有最好的同类可比数据，但：

这不是 HF Open ASR Leaderboard。 多语言赛道（FLEURS、Common Voice、MLS）不在 hf-audio/open-asr-leaderboard-results 中；该数据集只发布 english_short_latest.csv。因此我无法使用排行榜的多语言排名。下面的英语排行榜数字来自该 CSV（经由 model-watch.md）。
FLEURS 每种语言约 860 条朗读话语，仅跑一次。 将约 0.7 个绝对百分点（或 10% 相对差异）以下的差距视为打平。
Canary 1B v2 是在比 ultra（2026-10-05）更早的提交（2026-05-08）上测得的。 这些跑测结果应当可比，但我没有重新运行。
希腊语和马耳他语的分数很大程度上取决于文本规范化；Whisper 在马耳他语上极高的错误率（70.92%）可能包含文字和分词问题，但这就是 Hex 用户会看到的结果。
Moondream 自己的卡片声称 ultra 在 LibriSpeech clean 上为 1.41%（Open ASR normalizer）；transcribe.cpp 用 kestrel 测得 1.80%。FLEURS 表来自 transcribe.cpp，并非仅厂商数据。1.41% 是仅厂商数据。
Voxtral Mini 3B、Qwen3-ASR 1.7B、Granite 4.1 的数字同样是 transcribe.cpp 的测量结果，而非厂商声称。

运行时约束（transcribe.cpp）¶

model                    license        GGUF Q8   speed M4 Max Metal*   languages           hints            streams   crate
Parakeet Unified EN      NVIDIA OML     731 MB    188x                  en                  none             yes       0.2.4
Parakeet v3              CC-BY-4.0      740 MB    182x                  25 EU               none             no        0.2.4
parakeet-ultra           CC-BY-4.0      740 MB    207x                  same 25             none             no        0.4.0 (see below)
Canary 1B v2             CC-BY-4.0      1.14 GB   105x                  same 25             --prefix only    no        0.2.4 (arch/canary present)
Canary 1B flash          CC-BY-4.0      -         118x                  en de es fr         prefix           no        0.2.4
Whisper large-v3-turbo   MIT            886 MB    36x                   ~100 (list below)   vocabulary+prompt no       0.2.4 (Hex ships it)
Cohere Transcribe        Apache-2.0     2.41 GB   77x                   14 (8 are EU)       none             no        0.2.4 (Hex ships it)
Qwen3-ASR 1.7B           Apache-2.0     ~2 GB     45x                   30                  context (unverified in Hex)  no  0.2.4 (card exists)
Qwen3-ASR 0.6B           Apache-2.0     850 MB    75x                   30                  none in Hex       no        0.2.4
Voxtral Mini 3B 2507     Apache-2.0     large     13x                   7 EU                 -                no        0.2.4 (arch/voxtral)
Granite Speech 4.1 2B    Apache-2.0     -         76x                   en de es fr pt      keyword biasing (upstream)  no   newer than 0.2.4
Nemotron 3.5 streaming   OpenMDW-1.1    751 MB    144x                  32                  prompt           yes       0.2.4

* jfk 11 s clip, transcribe.cpp cards. Whisper's 36x is the card's number; Hex's catalog says ~19x, so Hex's own measurement is more conservative.

parakeet-ultra 需要比 Hex 固定的版本更新的 crate。 该移植在 transcribe.cpp 提交 37273409（2026-10-05）中落地，晚于 v0.3.1（10-04），因此 v0.4.0（10-12）是第一个可能包含它的发布版本；0.2.4 的 parakeet 架构没有语音活动分段。需要升级到 0.4.0+ 才能获得长音频行为，这也是对 GGUF 的安全假设。当前版本为 0.4.1。orukeet（CC-BY-SA-4.0，一个相同方式共享许可证；不推荐）和 parakeet-primeline（德语）也是 parakeet 的微调版本。
提示（Hints）。 在 GGUF 路径中，只有 Whisper 支持词汇和提示偏置，因此它仍然是所有语言在识别提示（Recognition hints）方面的首选。Canary v2 接受转写前缀，这不是词汇偏置。
流式（Streaming）。 没有哪个多语言模型值得流式使用。Nemotron 3.5 支持流式，但远差于 ultra（de 10.33 vs 4.58，fr 10.78 vs 4.66，英语在排行榜上退步至 10.51 vs 6.89）。Voxtral Realtime 为 4.7 GB，实时率 6-7 倍。多语言听写保持非流式。
Canary 需要显式指定语言。 Hex 的按语言选择器会提供该参数；不得在 Auto 下提供 Canary。
较新的候选模型没有 GGUF。 Granite Speech 5.0 2B（排行榜第 2 名，5.06）和 TurboCTC 多语言修订版不在 transcribe.cpp 中；Kyutai STT（PyTorch/MLX）和 TheWhisper 没有 GGUF。因此排除。

英语¶

                       FLEURS en   LS clean   Open ASR English avg (current)
Qwen3-ASR 1.7B           3.23        -          5.75
Voxtral Mini 3B          3.89        -          -
Parakeet Unified EN      3.99        1.60 (Hex) -   (8-set offline 5.91 older board)
Granite 4.1 2B           4.14        -          -
parakeet-ultra           4.26        1.80       -   (older board 5.32 vs v3 6.32, from model-watch)
Whisper turbo            4.38        -          8.39
Canary 1B v2             4.47        1.91       -
Parakeet v3              4.83        1.94       6.51
Cohere Transcribe        5.08        1.27       6.26

当前：推荐 Parakeet Unified，最准确 Cohere，提示 Whisper。提议：推荐 Unified（保留），最准确 Qwen3-ASR 1.7B（中等置信度），或保留 Cohere，直到在 Hex 自己的英语语料库上运行完毕；提示 Whisper（保留）。最快已经达到 Unified/ultra 的水准；无需单独一行。

Unified 与 ultra 对比：ultra 在混合数据上离线时可能略好（较早的八组平均），但 FLEURS en 更偏向 Unified，且只有 Unified 支持流式。Hex 的采集管道围绕流式构建，并带整段音频回退（AGENTS.md），因此将英语切换到仅离线模型会以延迟为代价，却没有实证的精度提升。保留 Unified。仅当英语用户需要其长音频分段时，才将 ultra 作为可选的离线替代方案提供。
Canary v2 和 Voxtral 3B 在英语上并未超过 Unified。未列入提议。
Qwen3-ASR 1.7B：英语 FLEURS 成绩最佳，也是当前排行榜上 Hex 能够运行的最佳开源模型（Apache-2.0，M4 Max 上 45x）。它需要约 2 GB 下载，且不支持流式，这与 Cohere 已有的取舍相同。置信度为中等：FLEURS 和排行榜数据指向同一方向，但尚未有人在 Hex 的听写音频上运行过它，而 Hex 将 Qwen 标记为不支持识别提示。
Cohere 的“最准确”标签基于 LibriSpeech clean（朗读的有声书）以及排行榜上领先 v3 0.25 个百分点的优势；其 FLEURS en 是这里最差的。继续保留该标签的置信度为中低。

各语言表格（FLEURS 测试 WER %，Q8_0）¶

列：ultra、v3、Canary 1B v2（cv2）、Whisper turbo（wt），以及其余可用模型中最佳的一个。行内最佳以粗体显示。除非另有说明，下方每种语言的当前配置均为“推荐 v3，提示 Whisper turbo”。

lang  ultra   v3     cv2    wt     other             proposed (Recommended / Most accurate / Hints)         conf
bg    11.04  12.81   9.22   13.58  -                 ultra / Canary v2 (-1.8) / Whisper                    medium
cs    11.04  12.31   8.56   11.81  Qwen1.7 22.97     ultra / Canary v2 (-2.5) / Whisper                    medium
da    15.98  18.64  11.34   13.60  -                 ultra / Canary v2 (-4.6) / Whisper                    high
de     4.58   5.24   4.46   4.54   Qwen1.7 4.25      ultra / (tie, none) / Whisper                         medium
el    32.25  35.33  26.02   13.26  Cohere 8.96       Cohere / Whisper / Whisper (hints)                    high
en     see English section above
es     3.06   3.65   3.10   3.12   Qwen1.7 3.31      ultra / (tie, none) / Whisper                         high
et    14.44  17.96  12.72   18.44  -                 ultra / Canary v2 (-1.7) / Whisper                    medium
fi    11.14  13.30   8.86   8.29   -                 Whisper / Canary v2 / Whisper (hints)                 medium
fr     4.66   5.30   5.09   5.51   Voxtral3B 4.51    ultra / (tie, none) / Whisper                         medium
hr    11.30  12.59   8.40   12.54  -                 ultra / Canary v2 (-2.9) / Whisper                    medium
hu    13.09  16.06  13.06   15.07  -                 ultra / (tie, none) / Whisper                         medium
it     2.34   3.02   3.10   2.77   Voxtral3B 2.56    ultra / (none) / Whisper                              high
lt    17.06  22.20  13.45   25.11  -                 ultra / Canary v2 (-3.6) / Whisper                    medium
lv    18.04  23.77  10.41   19.53  -                 Canary v2 / ultra / Whisper                           high
mt    17.01  20.63  19.75   70.92  -                 ultra / (none) / (no hints: Whisper unusable)         medium
nl     6.70   7.66   6.28   5.98   Voxtral3B 6.57    ultra / (tie, none) / Whisper                         medium
pl     6.16   7.37   6.88   5.81   Cohere 6.15       ultra / (tie, none) / Whisper                         medium
pt     4.16   4.96   4.50   4.17   Voxtral3B 3.84    ultra / (tie, none) / Whisper                         medium
ro    10.12  12.62   6.87   10.90  -                 ultra / Canary v2 (-3.3) / Whisper                    high
ru     5.63   6.54   7.83   5.93   Qwen1.7 6.25      ultra / (none) / Whisper                              high
sk     7.83  10.19   6.84   10.21  -                 ultra / Canary v2 (-1.0, borderline) / Whisper        low
sl    18.98  24.30  12.76   20.56  -                 Canary v2 / ultra / Whisper                           high
sv    12.83  15.25   9.74    8.72  -                 Whisper / Canary v2 / Whisper (hints)                 medium
uk     5.71   6.84  10.58    7.31  -                 ultra / (none) / Whisper                              high
tr     -      -      -      6.97   Qwen1.7 9.46      Whisper / (none) / Whisper                            high
mk     -      -      -     17.85   Qwen1.7 18.22     Whisper / (none) / Whisper                            medium

tr 和 mk 当前以 Qwen3-ASR 0.6B 作为推荐项（16.74 和 35.09）；Qwen3-ASR 1.7B 在这些语言上几乎与 Whisper 相当，但 Whisper 已经随附提供，而且还支持提示。

阅读表格：

ultra 对比 v3。 在全部 25 种语言上均更低，在表现强劲的罗曼语族语言上低 0.5 个百分点，在 lv、sl、lt、bg、da 上低 5 到 6 个百分点。体积、语言和 API 相同，因此这次更换只是目录条目加 crate 版本升级。仅当 crate 版本升级出问题时，才将 v3 保留为回退选项。本次更换置信度为高（每种语言都朝同一方向变化，而且该评测卡是对同一管道的同类运行）。
Canary v2 作为“最准确”（CC-BY-4.0，1.14 GB，M4 Max 上 105x，仍然很快）：在 bg、cs、da、et、hr、lt、lv、ro、sk、sl 上明显胜出，在 fi 和 sv 上接近 Whisper。在 de、es、fr、it、nl、pl、pt、ru、uk 上并不更好。它增加了显式语言要求，不支持时间戳，也不支持词汇偏置。
Whisper turbo 在 fi、nl、pl、sv、tr、mk 上获胜或打平，也是唯一支持识别提示的模型，但它最慢（36x），且在 mt（70.92）、lv、lt、sl、et 上崩溃。对于这些语言，Hex 不应将其作为通用选项宣传；识别提示这一行是一种权衡，而非推荐。
Qwen3-ASR 0.6B 在主要语言之外表现较差（cs 44.50、fi 46.49、hu 56.24）；不应将其列为任何欧洲语言的推荐项。
Cohere 在 Hex 中覆盖 de、es、fr、it、nl、pl、pt、el，但仅在希腊语上胜出。其 FLEURS 成绩（de 5.06、fr 5.23、es 3.97）落后于 ultra。

`choices_for_runtime` 中要更改的内容¶

将 parakeet-ultra 添加到 MODELS，并在 Parakeet 分支中将其设为推荐（需要将 transcribe-cpp 提升到 0.4.0 以上；如果影响构建，还要更新 Nix 的 outputHashes）。让 v3 不出现在选择器中，或仅作为回退。
将 Canary 1B v2 添加为 bg、cs、da、et、hr、lt、lv、ro、sk、sl（可能还有 fi、sv）的“最准确”选项。绝不要放在“自动”下。
将 el 从 Parakeet 改路由出去：Cohere 设为推荐（在其分支中、Parakeet 匹配之前添加 el），Whisper 用于提示。
将 tr 和 mk 路由到 Whisper turbo 并设为推荐，而不是 Qwen 0.6B。
英语：保持 Unified；在更改“最准确”标签之前，先用 Hex 自己的英语片段将 Qwen3-ASR 1.7B 与 Cohere 进行对比评估。

未测量¶

没有本地运行：这里的所有内容都没有在 Kit 的硬件上重新运行，Apple Silicon 速度是 transcribe.cpp 模型卡上的 M4 Max 数据。
真实听写（嘈杂、短句、带口音）不是 FLEURS。一个低成本的检查方式是，只针对发生变更的行，按语言使用 benchmark-transcription 语料库。
没有在 0.2.4 上尝试 Parakeet ultra；0.4.0 的要求是根据日期以及 0.2.4 源码中缺少 VAD 代码推断出来的。
Qwen3-ASR 1.7B 的 Q8 大小，以及 Canary v2 在 Hex 的语言提示机制下的行为，在添加之前需要检查。

来源¶

transcribe.cpp (MIT) docs/models/：parakeet-ultra、parakeet-tdt-0.6b-v3、parakeet-unified-en-0.6b、canary-1b-v2、canary-1b-flash、whisper-large-v3-turbo、cohere-transcribe-03-2026、qwen3-asr-0.6b、qwen3-asr-1.7b、voxtral-mini-3b-2507、granite-speech-4.1-2b、nemotron-3.5-asr-streaming-0.6b、orukeet、parakeet-primeline；发布版本 v0.2.4 (2026-09-25)、v0.3.1 (10-04)、v0.4.0 (10-12)、v0.4.1 (10-22)；提交 37273409 “parakeet ultra” (2026-10-05)。
Hex 锁定的 transcribe-cpp-sys 0.2.4 源码（src/arch/）。
HF 的 hf-audio/open-asr-leaderboard-results（english_short_latest.csv）以及 huggingface/open_asr_leaderboard 的 README（多语言基准描述）。
model-watch.md：用于英语排行榜行，以及 ultra、Unified、Nemotron 和 Moonshine 的分析。

本页原文 Markdown：在 AtomGit 查看·内容源自开源项目 hex19/hex