开源批量离线语音转文本（STT）模型选型咨询

针对你关注的长音频WER、单GPU吞吐量、语言覆盖、词级时间戳及说话人分离需求，推荐以下模型：

1. Whisper (OpenAI) #

• 长音频WER：英文场景表现顶尖，Large V2/V3版本对电话、会议这类带噪音/口音的长音频WER控制出色；多语言版本支持近100种语言，非英文也有可靠基线表现。
• 单GPU吞吐量（RTF）：A100上处理长音频的RTF可达0.01-0.03，L4/A10上能稳定在0.05以内，批量处理时可进一步压缩耗时。
• 语言覆盖：多语言（近100种），也可选用英文专用模型。
• 词级时间戳：原生支持，输出自带每个词的起始/结束时间戳。
• 说话人分离：原生不支持，但可轻松搭配pyannote.audio等开源工具实现，生态成熟，有大量现成流水线脚本。

2. Conformer-CTC (NVIDIA NeMo) #

• 长音频WER：NVIDIA针对会议、电话场景优化的预训练模型（如NeMo ASR Conformer Large），英文WER在低信噪比电话音频场景优于Whisper，精准度更高。
• 单GPU吞吐量（RTF）：A100上RTF可达0.008-0.02，L4/A10上表现优于Whisper，模型针对CUDA深度优化，批量推理效率拉满。
• 语言覆盖：支持英文及数十种主流语言，可通过微调扩展更多语种。
• 词级时间戳：通过官方配套的CTC对齐工具可生成精准词级时间戳。
• 说话人分离：NeMo生态内置说话人识别/分离模块，可直接整合进流水线，无需额外第三方工具。

3. FunASR (阿里巴巴达摩院) #

• 长音频WER：中英预训练模型在会议、播客场景WER表现优秀，中文长音频处理精度突出；支持自动分段处理长音频，避免性能衰减。
• 单GPU吞吐量（RTF）：A100上RTF可达0.01-0.025，L4/A10上优化后能到0.04左右，支持TensorRT加速，批量推理效率高。
• 语言覆盖：多语言（中英为主，支持东南亚、欧洲等十余种语言）。
• 词级时间戳：原生支持，输出格式友好，可直接用于字幕生成。
• 说话人分离：内置说话人分离接口，支持多说话人离线场景处理，无需额外集成。

4. Wav2Vec2.0 (Facebook) #

• 长音频WER：英文Large 960h预训练模型在干净播客场景WER极低，对轻微口音音频表现稳定；可通过微调适配电话/会议的噪音场景。
• 单GPU吞吐量（RTF）：A100上RTF约0.02-0.04，L4/A10上略低于Whisper，但批量处理时可通过音频拼接进一步提升效率。
• 语言覆盖：支持英文及多种语言，社区有大量微调后的多语言模型。
• 词级时间戳：需借助ctc-segmentation等外部工具生成，社区有成熟实现方案。
• 说话人分离：需搭配pyannote.audio等第三方工具，整合难度低。

内容的提问来源于stack exchange，提问作者Francisco Durán