Underdog 开源 Bark 3.0：163MB 语音模型，5 分钟音频半秒转完

Underdog 刚刚开源的 Bark 3.0，是一个极小但极快的离线语音转文字模型。

它的下载体积只有 163 MB，转写速度极快，在搭载 M5 Max 芯片的 MacBook Pro 上，转写 5 分钟的音频只需要半秒钟，比实时音频快了 595 倍。更重要的是，在实际英文转写表现上，它甚至比体积大它数十倍的常见模型还要精准。

把它塞进笔记本，效果还压过大模型

Bark 3.0 并不是从零训练的大怪物，它是基于英伟达的 parakeet-tdt-0.6b-v3 和 Moondream 的 parakeet-ultra 架构打磨出来的，两个上游项目均采用 CC-BY 4.0 协议。

开发者这次一共放出了几个不同版本。除了 163 MB 的标准版 Bark 3.0，还有一个 180 MB 的 Plus 版本，以及一个 1.25 GB 的 Pro 完整精度版本。即使是最大的 Pro 版本，也可以轻松塞进绝大多数消费级显卡或笔记本内存中。

在公开的 Open ASR 基准测试涵盖的 7 个英文测试集里，163 MB 的标准版平均词错误率为 4.94%，180 MB 的 Plus 版为 4.76%，Pro 版更是压到了 4.29%。

作为对比，体积超过 9 GB 的 Whisper large-v3 平均错误率是 6.04%，体积 2.5 GB 的英伟达 Parakeet TDT 则是 4.94%。也就是说，Bark 3.0 仅用 Whisper 大约五十七分之一的大小，就跑出了更好的识别率。

这种差距在杂乱的会议场景尤为明显。在 AMI 会议数据集上，Whisper large-v3 的错误率高达 13.63%，Parakeet 为 9.42%，而只有 163 MB 的 Bark 3.0 只有 7.82%。

专门过滤废话的 Clean 版本

人们日常说话从来不会像书面文字那样规范。日常口语里塞满了「um」、「uh」、口误、重复词和无意义的口头禅。

针对这个痛点，Underdog 专门训练了一个 180 MB 的 Bark 3.0 Clean 版本。当你录入一段结结巴巴的话，比如「Um, I don-, I can’t think off my head」，它输出的文字会自动清理成干净利落的「I can’t think off my head」。在针对口语结巴的 DisfluencySpeech 评测中，Clean 版本的转写错误率只有 4.08%。

不过，目前使用 Bark 3.0 也有几个明显的局限。首先是语言支持，它目前仅支持英文，其他语言在官方客户端里仍需回退到 Whisper；其次，它目前还不支持逐字时间戳输出，也没法在会议记录中区分不同发言人；此外，早期版本支持的自定义专有名词词表，目前也还没兼容 3.0。

怎么上手

开发者已经把所有权重文件完整上传到了 Hugging Face。该系列模型使用允许署名后商用的开源许可证，商用或个人开发都相对自由。

如果你只是想听听效果，Hugging Face 上提供了可以直接录音试用的网页 Demo，点击转写一秒内就能看到文本。如果你想把它部署在自己的本地应用里，模型页面底部也附带了完整的本地运行代码和环境配置说明。

为什么重要

我们认为，Bark 3.0 给端侧本地 AI 树立了一个非常实在的标杆。它证明了在特定任务上，端侧模型不需要动辄几个 GB 甚至几十 GB 的臃肿体积，百兆级别加上优秀的架构蒸馏，就已经完全能在实用场景里击败庞大的通用模型。

如果你正在开发需要实时听写、会议整理或本地隐私保护的桌面工具，只要场景局限在英文，Bark 3.0 绝对值得现在就拿来替换掉沉重的 Whisper。它既省显存又省电，半秒出结果的体验甚至让原本需要云端 API 交互的语音功能，彻底变成了零延迟的本地功能。