Qwen Scribe开源：Apple Silicon专属离线ASR工具，中文语音转录首字延迟＜300ms

Qwen Scribe 正式开源：Apple Silicon 专属本地 ASR 工具，中文语音转录首字延迟低于 300ms，全程离线。

Qwen Scribe 是阿里巴巴通义实验室推出的轻量级、全离线语音转录引擎，专为 Apple Silicon（M1/M2/M3）优化。二进制体积 12MB，内存常驻 <80MB，支持实时听写与批量音频转录。核心模型基于 Qwen-ASR 系列蒸馏成果，采用 CTC + Transducer 混合架构，在 Aishell-3 和自建粤普混合测试集上字错误率（CER）为 4.2%。同一硬件下，Whisper.cpp 的 CER 为 7.9%。所有环节——音频预处理、声学建模、语言解码——均在设备端完成。不发网络请求，不传音频到云端，不生成外泄日志。“麦克风→文本”单链路闭环。

MIT 协议开源，支持 Rust + Core ML 部署栈，可直接编译为 macOS 命令行工具，或集成进 Swift/Cocoa 应用。

完全离线 ≠ 功能缩水

Qwen Scribe 支持：

• 热词注入（JSON 格式，运行时动态加载）
• 标点自动恢复（非规则匹配，由模型直接输出）
• 说话人粗分（基于音色聚类，无需预设人数）
• 静音自适应切分（VAD 灵敏度可调，--vad-threshold 0.3 起效）

实测 1 小时会议录音（含中英混杂、带口音普通话），M2 Pro 上总耗时 47 秒，首字延迟稳定在 280±30ms。

对比主流云端方案：

• Azure Speech：TLS 握手 + API 认证，平均首字延迟 1.2s；每小时音频处理成本约 $0.8
• 讯飞开放平台：强制上传音频至合肥服务器，企业客户需额外通过数据出境安全评估
• Whisper API：受 OpenAI 速率配额与上下文长度限制

Qwen Scribe 规避全部上述瓶颈。医疗问诊记录、法务笔录、政府内部会议等强隐私场景可直接落地。

中文语音识别的“最后一公里”

过去三年，国内开发者主要依赖 Whisper.cpp 或 Vosk 做本地 ASR，但二者对中文语境适配不足：

• Whisper.cpp 缺乏中文标点训练，句读断裂严重
• Vosk 模型体积 >500MB，启动慢，且无 Apple Silicon 原生加速支持

Qwen Scribe 首次将 Qwen 大模型生态中的语音理解能力下沉到终端：

• 声学模型经 Qwen-2-7B 多阶段蒸馏监督（教师模型 logits 作软标签）
• 语言模型复用 Qwen-Tokenizer 的 subword 分词逻辑，并针对中文停顿习惯重训 LM 权重

后续可通过 qwen-scribe-finetune 工具包，用百条自有录音（无需对齐文本）微调声学模块。例如让模型准确识别“枸橼酸西地那非片”或“鄂尔多斯盆地侏罗系”。

👉 Binance · OKX · Gate.io · HTX · Bitget

与龙虾 / OpenClaw 生态天然协同

Qwen Scribe 不依赖龙虾框架，但其输出结构化文本（含时间戳、置信度、speaker_id）可直连龙虾 Agent 的 memory layer。

OpenClaw CLI 已内置 claw transcribe --local 指令，一键调用本地 Qwen Scribe 实例，替代原有 Whisper 后端。

我们已在 yitb.com 开源仓库发布 qwen-scribe-lsp 插件，支持 VS Code 内嵌实时听写（Ctrl+Alt+T 触发），文本自动插入当前光标位置——首个面向开发者工作流、零配置的本地 ASR IDE 集成方案。

现在就能用

Qwen Scribe 不追求通用多语种覆盖，而是聚焦高价值垂直场景：隐私敏感、低延迟响应、硬件确定性。

这种“小而锐”的路径正在重塑 ASR 技术栈分工——云端负责模型迭代与知识蒸馏，终端专注推理极致优化。

你可以立刻开始：

1. 克隆仓库：git clone https://github.com/QwenLM/qwen-scribe
2. 编译 macOS 版本：make build-macos

3. 测试转录效果：

   qwen-scribe-cli --audio test.wav --output json

4. 在 Rust/Python Agent 中调用 transcribe() 函数，彻底摆脱 API 依赖

WebAssembly 版本预计 Q3 上线；Linux ARM64 移动端适配已启动。