本地语音转文字的开发者，长期以来面对一个尴尬的现实：能用的推理栈屈指可数。OpenAI 的 Whisper 有官方 Python 实现和社区维护的 whisper.cpp，NVIDIA 的 Parakeet 和 Canary 必须跑在笨重的 NeMo PyTorch 框架上，想上 GPU 加速还要自己折腾 ONNX 转换。每换一个模型家族，就要重写一遍部署管线。

![transcribe.cpp：一个 ggml 运行时跑完 16 个语音转文字模型家族](https://linlog.top/api/uploads/2026/07/1784455686554308297-5811c1bd071