实测Cactus Whistle：16.9MB语音模型能否比肩Whisper base

MarkTechPost发布的一篇编程教程对Cactus Compute推出的语音转文字模型Whistle进行了系统测试。该模型文件仅16.9MB，可在CPU上运行，支持七种语言转写，并能输出词级时间戳和概率。其模型卡称它在LibriSpeech基准上优于Whisper base，作者为此在固定随机种子抽取的test-clean与test-other样本上，用相同音频片段将Whistle与Whisper tiny及base对比，并按说话人聚类配对区间结合Holm校正判断差异是否显著。结果显示，在test-other上Whistle领先采用贪心解码的Whisper base，但与采用束搜索的Whisper base相比差距并不显著；其速度优势则随音频片段变长而缩小。除主要结论外，作者还发现所固定版本的引擎在处理较长音频时存在一个30秒窗口问题，会在不提示的情况下丢失中间部分内容，并进一步测试了流式识别延迟、时间戳、关键词偏置、其他语言、噪声环境、嵌入向量以及语音转工具调用等功能。教程通过固定Hugging Face仓库版本并打印文件哈希来保证结果可复现，同时关闭了安装包默认发送的匿名使用统计。作者强调，文中数据均为在Apple M4上单次运行的抽样结果，而完整数据集的成绩系引用已公布数字，并非实测。