最近刷视频有点累了，就想把想看的视频直接转成文字，先扫一遍，再决定值不值得花时间看原片。 选型翻了下有两种 SenseVoice（sherpa-onnx 推理，int8 量化，模型 228MB） whisper.cpp + large-v3-turbo（模型 1.5G） 测了一轮90秒的音频 方案 结果 SenseVoice 2秒出全文，带标点，断句基本都正确 whisper 9秒，整体也能识别 第一个坑 一开始丢一个20分钟的音频进去，发现直接卡死，但…