双引擎 ASR 详解：SenseVoice 与 Whisper

为什么需要双引擎

不同语言对识别模型的侧重点不同：亚太语言需要「快而准」的小模型，全球语系则需要「覆盖广」的大模型。Tontrans 同时内置两套，可按视频内容随时切换。

SenseVoice-Small：亚太极速

• 擅长 中、英、日、韩、粤 语
• 模型小、延迟低，句级识别在停顿时即可快速回显
• 适合直播、视频会议等对实时性要求高的场景

Whisper-Small：全球高精度

• 覆盖 全球近百种语言（法、德、西、意、俄、葡、越、泰等）
• 精度更高，但模型较大，建议 GPU（CUDA）加速以保持实时
• 适合法文教学、德文演讲、西班牙影集等非亚太语系内容

如何切换

在插件设置面板的「语音识别引擎」下拉中选择 SenseVoice（极速模式） 或 Whisper-Small（多国语言/GPU 加速）；后端也可在 Web 后台启用/禁用单个模型，仅启用一个时客户端固定使用。

底层

两套引擎都基于 Sherpa-ONNX 本地运行，配合 Silero VAD 做流式断句——说话停顿达设定值（默认 0.5s）自动切句，交给模型解码，因此无需整段上传即可逐句出字幕。