听译为何默认用端上 Apple SpeechAnalyzer

关心隐私与首字延迟的听译用户，最常问两件事：麦克风流会不会默认送上云？开口到屏幕出现第一字要多久？大肚猴翻译的答案写在硬闸里：实时听译 ASR 走设备端；延迟用 App 真机口径，不用文件喂 harness 吓人。

现网：Apple SpeechAnalyzer（端上）

默认 ASR	Apple SpeechAnalyzer（SpeechTranscriber）在设备上跑
管线	音源 → 原生采集 → SpeechAnalyzer → volatile / final →（静音收口）→ sentenceCutter → 远程 chat（修 + 译）→ 听译本地 TTS
云端实时 ASR	2026-09-17 起已删；听译默认不换回云 Whisper 等
适用范围	App 麦克风听译；Mac 系统声 / iPhone 外放字幕（共用 ASR 段）
换默认	须独立用户接线卡；Preview API ≠ 生产 SLA

修与译不在本页展开：见免费听译翻译为何坚持 Qwen plus。选型总表见枢纽页。

硬闸：隐私 + 首字目标 ≤2s

维度	权重	说明
隐私 / 端上	硬闸	实时听译 ASR 走设备端；不把连续麦克风流默认送云 ASR
延迟（用户感知）	硬闸	开口→首 volatile 文档目标 ≤2s；App mic 真机遥测须落在该量级（BEL-112）
质量（多语）	高	zh / yue / en / ja / ko 等；中文历史文档 CER 偏弱，靠后续「修正 + 译」chat 补
成本	中	端上 ASR 边际成本约 0；云 ASR 按量烧额度且违端上闸
语种覆盖	高	受 SA locale / OS 门槛约束（文档记 iOS 26 / macOS 26）
可运维	硬闸	换默认 ASR 须独立接线卡

两条硬闸同时成立：再快的云 ASR，只要默认把连续麦流送上云，就不进听译默认；再漂亮的离线 CER，只要不能在真机首字目标内站住，也不替 SA。

我们测到的

App 真机：开口→首字约 1–2 秒

BEL-112（Debug App mic，中文，n=10，方法含外放 wav）：

指标	读数
`from_speech_est` 首 volatile p50	≈1.32s
同指标 p90	≈2.19s
文档目标带	≤2s；历史观测 1.0–1.9s

请按小样本读：仅 zh、n=10；en / yue 因 locale 配额本拍未跑。口径是「首 nonempty volatile」，不是文件 harness 整段墙钟。

文档质量（历史 · 非本季复测）

早期模型记录（2026-09-12）曾记 SA 原始 zh CER：有声书 12.7% / 对话 17.8%；修后 6.2% / 10.0%；en WER 2.7%→1.9%。本季未对同一批 Wenet / FLEURS 复测 SA CER——下文「缺口」再写一遍，不拿历史数冒充本季。

竞品锚（仅公开 · 标注）

锚	数字	标注
Seed LiveInterpret 2.0 语音→文字首词	2.21s	论文 / 厂商自报
Apple SA LibriSpeech clean / other	WER 2.12 / 4.56%	第三方 Inscribe 基准
Artificial Analysis 等英文 ASR 榜	多模型约 1.7–3% WER	第三方；与我们中文 CER 不可直接换算

级联后半段：修 + 译

识别出 volatile / final 之后，静音收口与断句，再走远程 chat 做修正与翻译。免费额度上游为国际中继 qwen3.7-plus；形态是 cascade，不是端到端同传产品。质量实验、否决 DeepSeek Flash、Hy research 边界，见字幕 MT 深页。

评过但未上默认

选项	裁决	原因（证据）
保持 SA 默认	现网	端上隐私闸 + App 延迟近文档；换引擎须接线卡
Fish Audio `transcribe-stream-1`	HOLD → GA / 接线另卡	BEL-108/109 有描述性 CER / 延迟优势；Preview；用户令 hold
SenseVoice-Small 端上中文臂	研究 / A/B 规划	离线 CER 优；未进默认听译
Qwen3-ASR MLX	字幕 / 离线 CONDITIONAL · 听译 NO-GO	BEL-101
Nemotron 3.5 Transcribe 30B	离线字幕 research	BEL-131；非 streaming；需大 GPU
云端实时 Whisper 等作听译主 ASR	已删（2026-09-17）	产品裁定端上

Fish 附录可读 BEL-108（n=5/语）、BEL-109（stream n=240）的描述性 Δ——不得写成线上胜负，也不写成听译默认已换。

文件 harness ≠ 产品听译

有人把早期文件喂 SA harness 的十秒级墙钟读数，当成「产品听译慢十秒」。这是错口径。

那组实验是 文件喂 SA harness 与 Fish 的同条件延迟对照；条件可信度有限，不得外推产品。
BEL-112 用 App 真机 mic 证明：首 volatile 落在约 1–2 秒量级，与文档目标一致。
因此：不得用 harness 墙钟宣称「该换掉默认 SA」，也不得用该读数写营销对比。

主动拆穿这条误读，是本页相对竞品「只报最好数字」的差异点。

管线怎么读（用户感知）

采集：App 麦克风，或 Mac 系统声 / iPhone 外放进字幕表面。
端上识别：SpeechAnalyzer 产出 volatile（边说边出）与 final。
收口与断句：静音收口后 sentenceCutter 切句。
云端修 + 译：远程 chat；免费档走 Qwen plus 中继（见字幕 MT 页）。
听译朗读：本地 TTS；字幕表面通常不朗读。

隐私硬闸卡在第 2 步：连续麦流默认不进云 ASR。延迟硬闸也卡在第 2 步的「首 volatile」——所以我们用 App 真机遥测，而不是用整文件喂 harness 的墙钟吓人。

中国版 vs 国际版（ASR）

听译 ASR 无区域分叉：中国版与国际版皆端上 Apple SpeechAnalyzer。差异出现在 修 + 译中继 与页译回退——前者待产品核实模型名，后者见页译深页的区域差异一节。设备须满足 SA / OS 门槛；OS 26 设备覆盖率无公开遥测，本页不编造装机占比。

缺口与更新

SA CER 本季未同集复测（历史 12.7% / 17.8% 仅作文档水位）。
线上听译 首 volatile / 首行 p50 · p90 统一遥测仍缺生产读数。
BEL-112 仅 zh n=10；en / yue App mic 未跑。
听译端到端（ASR + MT）COMET / StreamLAAL 无与 Hy 同场表。
中国版与国际版 ASR 无差异（皆端上）；设备 OS 覆盖率无公开遥测。

更新节奏：证据摘要月更意图；换默认 ASR 须产品另卡。枢纽与页译选型见兄弟页。

Last verified

2026-10-30（Asia/Shanghai） · 产品正式四句冻结 · 可引用；换默认 ASR 仍须产品另卡。

枢纽 · 字幕 MT · 页译