这是一份来源不完整的历史记录，用于帮助读者理解早期 FunASR 对比结果。它不是新测量、通用排行榜，也不是对当前 checkpoint、机器或部署的保证。开展新的评测请先阅读性能评测方法。

历史概览

下表保留原报告的措辞与数字。“最佳”等标签仅指该份报告，不能推广到所有模型或硬件。

指标	结果
数据集	184 条中文长音频，总时长 11,539 秒，约 192.3 分钟。
GPU	NVIDIA H100 80GB HBM3.
最佳 GPU 速度	SenseVoice-Small: 169.6x realtime in the full benchmark, 211.8x in the initial run.
最佳 CPU 速度	SenseVoice-Small: 17.2x realtime; Paraformer-Large: 15.6x realtime.
基线	OpenAI Whisper-large-v3：GPU 上 13.4 倍实时。

完整运行的 169.6x 与初次运行的 211.8x 是两个独立报告的结果。原页面没有披露测量日期。2026-09-07 是本次来源快照核对日期，不是测量日期。

历史结果

下表全部数值和说明都是原报告的历史表述，不是当前 API 能力保证。模型原始输出包含标签，不代表 HTTP 接口一定返回这些标签；旧时间戳限制也不能代替当前的模型选型说明。

模型	设备	RTF	速度	CER	说明
SenseVoice-Small	GPU	0.005896	169.6x	7.81%	ASR + 语种 / 情感 / 事件标签；CER 已去除标签后计算。
Paraformer-Large	GPU	0.008359	119.6x	10.18%	高速非自回归中文 ASR，适合 VAD/标点生产流水线。
Fun-ASR-Nano	GPU	0.058803	17.0x	8.06%	LLM-based 中/英/日 ASR，另覆盖 7 类中文方言和 26 种地域口音，支持热词；不提供可靠的 checkpoint 原生时间戳（#106）。
GLM-ASR-Nano	GPU	0.026974	37.1x	31.07%	LLM-based 多语种 ASR。
Whisper-large-v3-turbo (OpenAI)	GPU	0.021708	46.1x	21.71%	OpenAI Whisper 实现。
Whisper-large-v3 (OpenAI)	GPU	0.074694	13.4x	20.02%	基线 for large Whisper quality.
SenseVoice-Small	CPU	0.057988	17.2x	7.81%	CPU 结果来自 remaining benchmark 脚本。
Paraformer-Large	CPU	0.064056	15.6x	10.18%	CPU 上可用于批量任务。
Fun-ASR-Nano	CPU	0.274318	3.6x	8.06%	LLM-based 模型更重，但仍高于实时。

CPU/GPU 行重复出现相同 CER，不能证明曾分别独立评分。审计材料中没有原始预测、参考文本或评分程序。“去除标签后计算”保留为历史说法，不是本次验证过的评分输出。原始精度以及经过舍入的速度/RTF 数值对均原样保留，不重新计算。

原中文 HTML 固定到历史 GitHub Pages 提交；本次核对时，该文件与旧公网快照逐字节一致。这能确认表格出处，但不能证明原始测量正确或可复现。

原报告将 RTF 定义为总推理时间除以总音频时长，速度为其倒数，后者也称 RTFx：

RTF  = total inference time / total audio duration
RTFx = total audio duration / total inference time = 1 / RTF

以下命令仅是历史文本，不能直接执行：在本次审计的 FunASR 源码版本 386f6f9106684ba5a114e796147db4396a09eab5 中，三个文件都不存在。本页没有提供替代脚本或复现数据。

python benchmark/run_full_benchmark.py
python benchmark/run_remaining.py
python benchmark/fix_sensevoice_cer.py

审计的原报告未披露 CPU 型号/线程数、数据成员与参考文本清单、精确 checkpoint revision、软件/驱动版本、逐文件预测和计时日志，以及是否包含预热、I/O、预处理等完整计时范围。缺少这些材料，旧表无法直接复现，“CPU 对比 GPU”的标题也不能视作面向所有生产环境的保证。

这份记录的 11,539 秒必须与 vLLM 评测方法中的 11,541 秒分开引用。两者都提到 184 个文件，并不能证明数据成员完全一致；不要合并两份表格的结果，也不要自行消除两秒差异。

下面是原报告的建议表，仅保留为历史上下文，不是新验证的推荐或性能排名。

需求	推荐模型
最快生产转写	SenseVoice-Small 或 Paraformer-Large。
CPU 批量转写	优先 SenseVoice-Small；中文生产流水线可选 Paraformer-Large。
中/英/日及中文方言、口音的 LLM-style 识别	Fun-ASR-Nano；需要 31 语种时使用独立的 Fun-ASR-MLT-Nano checkpoint，并使用 vLLM 提升 LLM 解码吞吐。
OpenAI 兼容本地服务	使用 funasr-server，模型别名为 `sensevoice`、`paraformer` 或 `fun-asr-nano`。

当前决策请参考模型与能力说明、 Agent 接口契约和 vLLM 部署说明。独立 MLT checkpoint 的语种覆盖不能归到 Fun-ASR-Nano；选型前请使用自己的音频、运行时与端到端延迟要求进行评估。

新的测量按性能评测方法记录；并发实时服务参考 WebSocket 压测说明。当前的迁移计时工具只测量 FunASR 在自有音频上的表现，不计算 CER/WER、不运行 Whisper，也不复现缺失的历史脚本。请分别记录计时范围、失败文件和质量评估。