# 四川话朗读 pilot：四套系统结果

## 先看结论

在这一份 **9 分 28 秒 WSC-Eval Easy 拼接朗读样本**上，Qwen3-ASR 1.7B
的文字 CER 最低，MOSS 0.9B 第二，Qwen3-ASR 0.6B 第三，火山标准版第四。

| 本样本顺序 | 模型 | CER ↓ | 替换 / 删除 / 插入 | 推理耗时 | RTF |
|---:|---|---:|---:|---:|---:|
| 1 | Qwen3-ASR 1.7B | **5.92%** | 91 / 0 / 2 | 284.055 秒 | 0.4997 |
| 2 | MOSS-Transcribe-Diarize 0.9B | **6.69%** | 103 / 0 / 2 | 340.405 秒 | 0.5988 |
| 3 | Qwen3-ASR 0.6B | **7.01%** | 108 / 0 / 2 | 87.016 秒 | 0.1531 |
| 4 | 火山引擎录音文件识别 2.0 标准版 | **7.20%** | 100 / 2 / 11 | 请求墙钟 62.487 秒 | 厂商资源未知 |

四套结果都通过了完整输出检查。火山使用录音文件识别 2.0 标准版，音频经短期 R2 预签名 URL 提供，任务结束后 R2 对象已删除；未使用极速版。

## 这个顺序能说明什么

它只回答：**在这一份安静环境、Easy 难度、机械拼接的四川话朗读样本上，
四套系统谁的整段文字错误更少。**

它不能代表四川话自然对话、噪声、直播、会议或所有说话人的总体表现，也不能用来
宣布“方言能力总冠军”。耗时和 RTF 也只有各一次运行，只用于观察部署成本，不是
稳定性能基准。

## 指标怎么读

CER 是“字错误率”，越低越好：

`CER =（替换字数 + 删除字数 + 插入字数）/ 参考字数`

四套系统使用同一份 1,570 字人工参考稿。模型输出没有可靠的原始
`utterance_id`，因此统一计算整段 CER；不按机械时间边界强切文本来伪造逐句分数。

时间戳与说话人不在本页排名：

- 时间戳：80 条语音由脚本拼接，边界不代表自然长音频的说话节奏。
- 说话人：官方索引没有可验证的 speaker gold。
- MOSS 的时间戳和匿名说话人标签仍保留在 SRT/TXT 中，供能力检查，不参与名次。

## 直接看模型输出与证据

### 1 · Qwen3-ASR 1.7B

- [可读转录](outputs/qwen3-asr-1.7b/transcript.txt)
- [带时间位置字幕](outputs/qwen3-asr-1.7b/transcript.srt)
- [运行与评分说明](outputs/qwen3-asr-1.7b/RUN.md)

### 2 · MOSS-Transcribe-Diarize 0.9B

- [带匿名说话人标签的可读转录](outputs/moss-transcribe-diarize-0.9b/transcript.txt)
- [带时间位置与说话人标签的字幕](outputs/moss-transcribe-diarize-0.9b/transcript.srt)
- [运行、完整性与资源说明](outputs/moss-transcribe-diarize-0.9b/RUN.md)
- [CER 评分说明](outputs/moss-transcribe-diarize-0.9b/SCORE_DETAILS.md)

### 3 · Qwen3-ASR 0.6B

- [可读转录](outputs/qwen3-asr-0.6b/transcript.txt)
- [带时间位置字幕](outputs/qwen3-asr-0.6b/transcript.srt)
- [运行与评分说明](outputs/qwen3-asr-0.6b/RUN.md)

### 4 · 火山引擎录音文件识别 2.0 标准版

- [可读转录](outputs/volcengine-current-asr/pilot-05-r2-20260723/transcript.txt)
- [带时间位置字幕](outputs/volcengine-current-asr/pilot-05-r2-20260723/transcript.srt)
- [运行与评分说明](outputs/volcengine-current-asr/pilot-05-r2-20260723/RUN.md)
- [CER 评分说明](outputs/volcengine-current-asr/pilot-05-r2-20260723/SCORE_DETAILS.md)

原始音频与人工答案：

- [播放/打开评测音频](audio/audio_16k_mono.wav)
- [人工参考稿](reference/transcript.txt)
- [80 条原始索引与机械拼接边界](reference/segments.tsv)