这几个月一直在做一个叫 OpenASR 的项目，今天来 V2EX 聊聊。 起因很简单。平时会议录音、视频素材、语音笔记需要转文字，也经常要给 Agent 口述比较长的需求。试了不少语音服务，要么要上传云端，要么只支持 Whisper ，要么需要自己搭 Python 环境装 CUDA 下权重改参数。 其实本地 ASR 模型这两年发展得很快。Whisper 之外，Qwen3-ASR 、SenseVoice 、FireRed 、Dolphin 、X-ASR 都是非常优秀的模型，但普通用户想体验它们的门槛还是太高了——每个模型一套推理框架、一套依赖、一套配置方式。模型越来越多，使用体验还停留在开发者工具阶段。 所以我想做一个统一的本地 ASR 工具。音频不上传服务器，模型下完可以断网跑。支持本地音频视频转文字、实时字幕、全局语音输入、CLI 和本地 API ，多种模型一键切换。 为什么不只做 Whisper GUI ？ 一方面，不同 ASR 模型各有强项。有些中文场景强，有些方言覆盖广，有些适合实时流式，有些对低配设备友好。一个好的本地 ASR 工具不应该绑死在...