164 兆的听写员：一小时音频二十秒

一小时的录音，二十秒转成文字，跑在一台 MacBook Air 上。 Phonon-2 是 @fermion_ai 交出的语音识别新标准，走"按字节算精度"这条路。下载体积只有 164MB，平均准确率却盖过了体积十倍于它的 OpenAI Whisper large。开放权重，许可 CC-BY-4.0，当天可用。 这组对比我看了两遍。小十倍的个头打赢前辈，靠的不是堆参数，是把每一分权重都花在听清上。语音识别这个任务的形状帮了忙：输入是波形，输出是文字，中间不需要长篇大论的创造力，模型再大也多不出多少本事。 跟前面几篇摆一起，图更完整。27B 的决策模型压进 42 毫秒，Mac 上的开源模型刷出六倍提速，如今连听写这活也被 164MB 接了过去。本地跑得动的清单又长一截，而清单越长，云端那部分就越得靠"够不着的活"撑场面。 我的判断是这类小模型会先吃掉工具型任务。听写、分类、路由、转录，共同点是输入输出都清楚，没什么含糊空间。含糊的活留给大模型，清楚的活交给小个子，账就顺了。 保留的疑问在长音频和口音。官号称的二十秒是这一小时的基准，换方言、换背景噪声，成绩表还没露面。 开放权重的页面挂在推文里，本机能跑的东西，下载前看看许可那一栏就行。