Qwen Scribe 正式開源：Apple Silicon 專屬本地 ASR 工具，中文語音轉錄首字延遲低于 300ms，全程離線。

Qwen Scribe 是阿里巴巴通義實驗室推出的輕量級、全離線語音轉錄引擎，專為 Apple Silicon（M1/M2/M3）優化。二進制體積 12MB，內存常駐 <80MB，支持實時聽寫與批量音頻轉錄。核心模型基于 Qwen-ASR 系列蒸餾成果，采用 CTC + Transducer 混合架構，在 Aishell-3 和自建粵普混合測試集上字錯誤率（CER）為 4.2%。同一硬件下，Whisper.cpp 的 CER 為 7.9%。所有環節——音頻預處理、聲學建模、語言解碼——均在設備端完成。不發網絡請求，不傳音頻到云端，不生成外泄日志。“麥克風→文本”單鏈路閉環。

MIT 協議開源，支持 Rust + Core ML 部署棧，可直接編譯為 macOS 命令行工具，或集成進 Swift/Cocoa 應用。

完全離線 ≠ 功能縮水

Qwen Scribe 支持：

• 熱詞注入（JSON 格式，運行時動態加載）
• 標點自動恢復（非規則匹配，由模型直接輸出）
• 說話人粗分（基于音色聚類，無需預設人數）
• 靜音自適應切分（VAD 靈敏度可調，--vad-threshold 0.3 起效）

實測 1 小時會議錄音（含中英混雜、帶口音普通話），M2 Pro 上總耗時 47 秒，首字延遲穩定在 280±30ms。

對比主流云端方案：

• Azure Speech：TLS 握手 + API 認證，平均首字延遲 1.2s；每小時音頻處理成本約 $0.8
• 訊飛開放平臺：強制上傳音頻至合肥服務器，企業客戶需額外通過數據出境安全評估
• Whisper API：受 OpenAI 速率配額與上下文長度限制

Qwen Scribe 規避全部上述瓶頸。醫療問診記錄、法務筆錄、政府內部會議等強隱私場景可直接落地。

中文語音識別的“最后一公里”

過去三年，國內開發者主要依賴 Whisper.cpp 或 Vosk 做本地 ASR，但二者對中文語境適配不足：

• Whisper.cpp 缺乏中文標點訓練，句讀斷裂嚴重
• Vosk 模型體積 >500MB，啟動慢，且無 Apple Silicon 原生加速支持

Qwen Scribe 首次將 Qwen 大模型生態中的語音理解能力下沉到終端：

• 聲學模型經 Qwen-2-7B 多階段蒸餾監督（教師模型 logits 作軟標簽）
• 語言模型復用 Qwen-Tokenizer 的 subword 分詞邏輯，并針對中文停頓習慣重訓 LM 權重

后續可通過 qwen-scribe-finetune 工具包，用百條自有錄音（無需對齊文本）微調聲學模塊。例如讓模型準確識別“枸櫞酸西地那非片”或“鄂爾多斯盆地侏羅系”。

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

與龍蝦 / OpenClaw 生態天然協同

Qwen Scribe 不依賴龍蝦框架，但其輸出結構化文本（含時間戳、置信度、speaker_id）可直連龍蝦 Agent 的 memory layer。

OpenClaw CLI 已內置 claw transcribe --local 指令，一鍵調用本地 Qwen Scribe 實例，替代原有 Whisper 后端。

我們已在 www.lvxe.net.cn 開源倉庫發布 qwen-scribe-lsp 插件，支持 VS Code 內嵌實時聽寫（Ctrl+Alt+T 觸發），文本自動插入當前光標位置——首個面向開發者工作流、零配置的本地 ASR IDE 集成方案。

現在就能用

Qwen Scribe 不追求通用多語種覆蓋，而是聚焦高價值垂直場景：隱私敏感、低延遲響應、硬件確定性。

這種“小而銳”的路徑正在重塑 ASR 技術棧分工——云端負責模型迭代與知識蒸餾，終端專注推理極致優化。

你可以立刻開始：

1. 克隆倉庫：git clone https://github.com/QwenLM/qwen-scribe
2. 編譯 macOS 版本：make build-macos

3. 測試轉錄效果：

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

4. 在 Rust/Python Agent 中調用 transcribe() 函數，徹底擺脫 API 依賴

WebAssembly 版本預計 Q3 上線；Linux ARM64 移動端適配已啟動。