Apple Speech 與本機 Whisper 在 Mac 上誰更快更準？準確率與延遲實測
我們在同一台 Mac 上，以相同的 30 段英文標註音訊測試 Apple Speech 與本機 WhisperKit base 模型，比較詞錯誤率、首字延遲與定稿時間，並說明 Mac 字幕 App 為何會同時使用兩種引擎。
2026-08-30 · 9 min先看結論
在這台 Apple 晶片 Mac 上，Apple Speech 較早顯示第一批文字；本機 Whisper 則在模型準確率與即時字幕管線之間呈現不同取捨。30 段乾淨的 LibriSpeech 英文音訊中，Apple Speech 的 WER 為 0.9%，Alison Workspace 的 Whisper 即時管線為 7.9%，Whisper 整段辨識為 1.9%。首字延遲中位數分別為 Apple 1.14 s、Whisper 即時路線 1.74 s。這些數字只描述本次測試，不能代表所有說話者、語言、Mac 或錄音環境。
測試方法
測試於 2026 年 8 月 30 日在搭載 macOS 26.5.2 的 Apple 晶片 Mac 上完成。兩個引擎接收相同的 30 段 LibriSpeech test-clean 標註音訊，統一轉為 16 kHz 單聲道，並依真實時間每 100 毫秒輸入一幀；末尾都加入 0.8 秒靜音，讓兩者看到相同的語音結束條件。正式計時前已備妥模型與 Apple 語言資源。準確率採詞錯誤率 WER，延遲分別計算首次非空文字與語音結束後的定稿等待。
準確率：模型與即時管線必須分開
Whisper 整段辨識的 WER 為 1.9%，代表模型取得完整語句時的準確率上限。產品中的 Whisper 即時路線為 7.9%，因為語音活動偵測、分段、漸進草稿與最終組句都會影響字幕列實際顯示的文字。Apple Speech 的系統原生串流定稿為 0.9%。強大的模型仍可能因即時管線在錯誤位置切句而漏字，因此不能只看一個總百分比。
延遲：首字與定稿不是同一件事
Apple Speech 首次出現文字的中位數為 1.14 s，Whisper 即時路線為 1.74 s。語音結束後，Apple 原生定稿等待中位數為 1.13 s，Whisper 為 0.58 s。Whisper 整段辨識的即時率中位數為 0.021×，但這種離線式速度不是首條字幕速度。實用的即時字幕需要及早出現可讀草稿，也需要可靠的最終文字。
為何 Alison Workspace 使用兩種引擎
Alison Workspace 不假設單一辨識器在所有情況都最好。在 macOS 26 上，明確選擇的語言若有可用的 Apple 裝置端語音資源，可使用 Apple Speech 原生串流路線；較舊系統、自動偵測、Apple 不支援的語言或資源不可用時，則可使用本機 WhisperKit。這樣既利用 Apple 的串流反應，也保留更廣的辨識涵蓋。首次下載語言資源或 Whisper 模型後，辨識在 Mac 本機執行。
這份基準不能證明什麼
30 段樣本是乾淨的英文朗讀，通常只有一名說話者，無法代表所有口音、會議麥克風、吵雜環境、背景音樂、重疊談話、專業術語或非英語語言。將本文翻譯成其他語言不會讓英文測試變成多語基準。我們公開樣本數、系統、模型、輸入方法與不同管線結果，讓讀者理解範圍。重要工作請另外測試姓名、數字、口音及實際使用的 App。
在自己的 Mac 上做一分鐘測試
播放一段只有一名清楚說話者的短影片或會議錄音，選擇已知的口語語言，確認 App 接收的是 Mac 系統音訊而非房間麥克風雜音，並觀察第一批有用文字何時出現。再檢查一個姓名、數字與專業詞，把最終字幕和原音比對，最後在你真正使用的會議 App、瀏覽器或播放器中重複一次。這比把任何基準當成保證更可靠。
常見問題
Apple Speech 在 Mac 上比 Whisper 快嗎？
本次 30 段英文測試中，Apple 首字中位數為 1.14 s，Alison 的 Whisper 即時路線為 1.74 s。不同硬體、語言、音訊與設定可能改變結果。
本機 Whisper 比 Apple Speech 準確嗎？
本次 Whisper 整段辨識為 1.9% WER，Apple 原生串流為 0.9%，Whisper 即時產品管線為 7.9%。模型與端到端字幕準確率應分開比較。
Mac 語音辨識能離線使用嗎？
可以。首次下載所需 Apple 語言資源或本機 Whisper 模型可能需要網路，之後辨識在 Mac 上執行。
Alison Workspace 使用哪個引擎？
macOS 26 上所選語言與裝置端資源受支援時可使用 Apple Speech；需要更廣涵蓋或 Apple 路線不可用時使用本機 WhisperKit。