結論先講
- Handy 與 Hex 是同一類工具：按住快捷鍵說話、放開後文字直接貼進游標所在的欄位，全程在自己電腦上跑，不上雲端。兩者的辨識引擎同源（Hex 用的 transcribe.cpp 就是 Handy 作者寫的），模型檔也從同一個 Hugging Face 帳號下載，所以差別不在「哪個聽得準」，而在模型選單、繁體處理與桌面整合。
- 同樣 617 句台灣口音中文，兩個工具裡能選的中文模型差距很大：Qwen3-ASR 1.7B 字元錯誤率 4.9%、Fun-ASR Nano 5.4%、Qwen3-ASR 0.6B 6.3%、聯發科 Breeze-ASR-25 7.0%，Whisper large-v3-turbo 9.1%，SenseVoice Small 13.5%。預設清單排最前面的幾個模型沒有一個支援中文。
- 長段落另有陷阱：Fun-ASR 與 Cohere Transcribe 在 248 秒的連續旁白上整段崩掉（重複同一個字或同一句），Qwen3-ASR 也掉到 15% 到 23%；Whisper 系列、Breeze、Voxtral 則維持 10% 上下。想一口氣唸一整段，模型要另外挑。
- Handy 內建簡繁轉換，預設就輸出台灣繁體；Hex 沒有這一層，Whisper 與 Qwen 在 Hex 裡吐出來的是簡體。對台灣使用者，這一點比錯誤率差 1 個百分點更關鍵。
這兩個工具解決什麼問題
想用講的代替打字，現成的選擇多半是把聲音送到雲端（作業系統內建聽寫、各家輸入法的語音功能），或是開一個獨立視窗辨識完再複製貼上。Handy 和 Hex 做的是第三條路：常駐在背景，任何應用程式裡按一組快捷鍵就開始錄音，放開（或再按一次）後文字直接出現在游標處，錄音與辨識都在本機完成。
兩個專案都是 Rust 寫的桌面程式，MIT 授權，支援 Windows、macOS、Linux。Handy（cjpais）2025 年 2 月開始，本站記錄時 36,022 顆星；Hex（anomalyco，也就是 OpenCode 的開發團隊）2026 年 11 月 1 日單日新增 1,329 顆星，累計 3,251 顆，Linux 版還標示 beta。
兩者的辨識核心是同一套：Handy 作者寫的 transcribe.cpp（在 whisper.cpp／ggml 之上支援多種語音模型架構），模型都是量化後的 GGUF 檔，下載來源都是 Hugging Face 上的 handy-computer 帳號。Hex 的程式碼裡直接引用這個函式庫，模型檔名與雜湊值也一致。所以本文把兩個工具放在同一篇：模型層的數字兩邊共用，工具層再分開看。
測試方法
- 測試集：Common Voice 16.1 zh-TW 測試切分（Hugging Face 上 JiHungLin 整理的版本，Apache-2.0），617 段、共 4.8 小時，每段約 27 秒，由多句台灣人朗讀的句子接成，附正確文字。另加本站一段 248 秒的影片旁白（台灣口音 TTS，有逐字稿），看長音訊表現。與 10 月 30 日 Nemotron 對比 Whisper 那篇完全相同。
- 機器：RTX 3090 24 GB 桌機（Ryzen 5 3600、Ubuntu 24.04），兩個工具都透過 Vulkan 用顯示卡運算。
- Handy 0.9.8（2026 年 10 月 3 日的正式版）：用它的無頭指令列（
handy -f 檔案.wav --model 模型 --json）逐句餵 16 kHz 單聲道 wav，走的是與桌面版相同的批次辨識路徑，只少了麥克風與靜音裁切。語言設定選中文、簡繁轉換維持預設的台灣繁體、其餘設定全部預設；另跑一組語言維持預設「自動」的對照。模型用 Handy 選單裡的預設量化版本（小模型 Q8_0，較大的模型 Handy 自動選 Q5_K_M）。 - Hex 3.2.0 Linux 版：用它的本機指令（
hex model transcribe --model 模型 --language zh 檔案.wav）跑同一批 wav。Hex 的中文選項只有四個：Whisper large-v3-turbo、Qwen3-ASR 0.6B、SenseVoice Small、Cohere Transcribe。 - 指標：字元錯誤率（CER），去掉標點與空白後計算。參考文字與輸出都先把「臺／台」「著／着」「瞭／了」視為同字，再把兩邊逐字轉成繁體算第二欄，分開「字型差異」與「聽錯」。數字寫法不做轉換：參考文字一律是中文數字（二段一百二十三之四號），輸出寫成 123 就算錯，這對會寫阿拉伯數字的模型不利，下文會標出來。
- 速度：Handy 的 JSON 會分開回報「載入模型」與「辨識」時間，表中「每句辨識秒」是後者；桌面使用時模型常駐在記憶體，使用者感受到的延遲接近這個數字。
- 兩個工具在長時間連續呼叫時都遇到同一種問題：617 句裡會有幾句程序卡住不回應（Handy 跑 Qwen3-ASR 1.7B 時卡在第 380 句超過 10 分鐘，Hex 跑 Whisper 時卡在第 180 句左右），以及程序收尾時 Vulkan 報
vkDestroyFence: Invalid device後當掉但結果已經印出。測試腳本加了逾時與重跑，表中數字都是 617 句全數有結果的版本。
617 句的結果（Handy，模型層）
| 模型（Handy 預設量化） | 參數 | 檔案 | 原樣 CER | 轉繁後 CER | 中位數 | P90 | 幻聽尾句 | 每句辨識秒 | 旁白 248 秒 CER |
|---|---|---|---|---|---|---|---|---|---|
| Qwen3-ASR 1.7B（Q5_K_M） | 2.0B | 1.5 GB | 5.0% | 4.9% | 3.6% | 11.4% | 1 | 0.38 | 14.9% |
| Fun-ASR Nano（Q8_0） | 830M | 0.9 GB | 5.5% | 5.4% | 4.2% | 11.9% | 1 | 0.27 | 99%（整段重複同一個字） |
| Qwen3-ASR 0.6B（Q8_0） | 782M | 0.9 GB | 6.4% | 6.3% | 5.0% | 14.0% | 1 | 0.27 | 23.2% |
| Fun-ASR Nano 多語版（Q8_0） | 830M | 0.9 GB | 6.8% | 6.7% | 4.0% | 13.8% | 1 | 0.28 | 99%（同上） |
| Breeze-ASR-25（Q5_K_M） | 1.5B | 1.2 GB | 7.1% | 7.0% | 5.7% | 15.7% | 1 | 0.47 | 10.3% |
| Whisper large-v3（Q5_K_M） | 1.5B | 1.2 GB | 8.8% | 8.7% | 6.5% | 17.2% | 47 | 0.49 | 9.8% |
| Whisper large-v3-turbo（Q8_0） | 809M | 0.9 GB | 9.2% | 9.1% | 6.6% | 18.8% | 8 | 0.24 | 10.9% |
| Whisper large-v3-turbo，語言維持「自動」 | 809M | 0.9 GB | 9.7% | 9.5% | 6.6% | 18.4% | 8 | 0.25 | 10.9% |
| 模型（Handy 預設量化） | 參數 | 檔案 | 原樣 CER | 轉繁後 CER | 中位數 | P90 | 幻聽尾句 | 每句辨識秒 | 旁白 248 秒 CER |
| Cohere Transcribe（Q5_K_M） | 2.0B | 1.8 GB | 9.7% | 9.6% | 7.8% | 19.6% | 1 | 0.29 | 96%（反覆同一句） |
| Voxtral Mini 4B Realtime（Q5_K_M） | 4.4B | 3.3 GB | 10.7% | 10.6% | 6.7% | 23.4% | 1 | 1.63 | 10.4% |
| Whisper medium（Q8_0） | 764M | 0.8 GB | 12.0% | 11.9% | 6.8% | 20.7% | 1 | 0.43 | 11.7% |
| SenseVoice Small（Q8_0） | 234M | 0.25 GB | 13.5% | 13.5% | 8.0% | 30.2% | 1 | 0.21 | 59.0% |
| 對照：faster-whisper turbo，CPU，本站門檻設定（10/30） | 809M | — | 12.6% | 12.3% | 9.4% | 25.9% | 155 | 5.2 | 37.3%（中途轉簡體） |
「幻聽尾句」是輸出結尾多出「請不吝點贊 訂閱」「字幕志願者」這類影片字幕用語的句數，是 Whisper 系列的老毛病。
可以直接讀出來的幾件事：
1. 中文專用或以中文為主要語言訓練的模型，整體贏過通用多語模型一截。前四名（Qwen3-ASR 兩個尺寸、Fun-ASR 兩個版本）都來自阿里系團隊，錯誤率 4.9% 到 6.7%；聯發科 Breeze-ASR-25 7.0%；Whisper 家族最好的 large-v3 是 8.7%。
2. Whisper 在這裡的表現比本站 10 月 30 日用 faster-whisper 跑的 12.3% 好了 3 個百分點，幻聽尾句從 155 句降到 8 句。Handy 餵給模型前會先用 Silero VAD 裁掉靜音，加上 whisper.cpp 與 faster-whisper 的解碼設定不同，看起來比有沒有繁體提示詞更有影響。語言設「自動」而不是中文，錯誤率只差 0.4 個百分點，但有 3 句寫成簡體、2 句整句變成外文。
3. Breeze-ASR-25 的 7.0% 有一部分是數字寫法造成的：它在 122 句裡把數字寫成阿拉伯數字（「二段 123 至 4 號」），參考文字是中文數字，每個數字都算錯；它也完全不加標點。地名是它的強項，「台中市海線中山路、高鐵橋下雲林段道路、南迴鐵路」這一句它與 Fun-ASR 幾乎全對，其他模型把雲林聽成「與寧」「與林」。
4. Qwen3-ASR 1.7B 是唯一每句都加完整標點的模型，中位數 3.6% 表示一半以上的句子幾乎全對；代價是它偶爾會切換到粵語用字，「常常拿著這份文件」被寫成「成日拎住你臺蠻緊」。
5. Whisper 有一種其他模型沒有的錯法：一段 27 秒的音訊只輸出第一個分句就停了（「你那句話什麼意思?」後面六個分句全部消失），617 句裡 P90 比中位數高出 12 個百分點主要來自這類句子。
6. 模型檔大小與準確度沒有對應：3.3 GB 的 Voxtral Mini 4B 是 10.6%，0.9 GB 的 Fun-ASR Nano 是 5.4%；SenseVoice Small 0.25 GB 最小也最差，但辨識一句只要 0.21 秒。
長段落：248 秒旁白與長度門檻
上表最後一欄是整段 248 秒旁白一次餵進去的結果。Handy 說明文件寫長音訊會「在停頓處切段」，但這段 TTS 旁白幾乎沒有長停頓，等於把整段交給模型：
- Fun-ASR 兩個版本輸出變成同一個字重複三百次，Cohere Transcribe 反覆同一個片語，等於整段作廢。
- Qwen3-ASR 0.6B 前半正確、後半漏掉，錯誤率 23%；1.7B 版 15%。
- Whisper 三個版本、Breeze、Voxtral 都在 10% 到 12%，與短句差不多。
為了找出「一次最多能講多久」，把同一段旁白切成 30、60、90、120、180 秒再各跑一次：
| 模型 | 30 秒 | 60 秒 | 90 秒 | 120 秒 | 180 秒 | 248 秒整段 |
|---|---|---|---|---|---|---|
| Breeze-ASR-25 | 完整 | 完整 | 完整 | 完整 | 完整 | CER 10.3% |
| Qwen3-ASR 1.7B | 完整 | 完整 | 完整 | 完整 | 完整 | CER 14.9% |
| Qwen3-ASR 0.6B | 完整 | 完整 | 完整 | 完整 | 完整 | CER 23.2%（後段漏字） |
| SenseVoice Small | 完整 | 完整 | 完整 | 完整（90%） | 只剩 69% | CER 59.0% |
| Fun-ASR Nano | 完整 | 完整 | 85% | 只剩 69% | 崩（同一個字重複 670 次） | CER 99% |
| Cohere Transcribe | 完整 | 崩（只剩 55%） | 崩 | 崩 | 崩 | CER 96% |
「完整」指輸出字數達到該長度預期字數的九成以上且沒有重複迴圈。換句話說：Cohere 一次只能講 30 秒以內；Fun-ASR 60 秒內沒問題，超過 90 秒開始掉字、三分鐘就崩；SenseVoice 撐到兩分鐘；Qwen3-ASR 與 Breeze 四分鐘都還完整，但 Qwen3-ASR 0.6B 到最後一段會漏字。日常聽寫一句話幾秒到幾十秒，六個模型都沒問題；要唸完整段備忘錄才需要挑。
Hex：同樣的模型，不同的結果
Hex 的 Linux 版能選的中文模型只有四個，用同一批 617 句跑，右邊放 Handy 跑同一個模型的數字對照（第四個 Cohere Transcribe 在 Hex 裡每句要重新載入 2.4 GB 模型，跑完後補上）：
| 模型 | Hex 原樣 CER | Hex 轉繁後 CER | Hex 寫成簡體 | Handy 轉繁後 CER | Hex 旁白 248 秒（轉繁） | Handy 旁白 |
|---|---|---|---|---|---|---|
| Whisper large-v3-turbo | 23.3% | 9.1% | 310 句 | 9.1% | 11.8% | 10.9% |
| Qwen3-ASR 0.6B | 20.3% | 6.7% | 329 句 | 6.3% | 23.1% | 23.2% |
| SenseVoice Small | 40.5% | 14.0% | 610 句 | 13.5% | 15.3% | 59.0% |
三件事：
1. 把字型差異排除後，Hex 與 Handy 的數字幾乎一樣（9.1% 對 9.1%、6.7% 對 6.3%、14.0% 對 13.5%），證實兩個工具用的是同一個引擎與同樣的模型檔；差的那零點幾個百分點來自 Hex 沒有 Handy 的靜音裁切與後處理。
2. 「原樣」那一欄才是台灣使用者會看到的：Hex 沒有簡繁轉換，Whisper 與 Qwen 一半的句子、SenseVoice 幾乎每一句都寫成簡體，貼進文件要自己再轉一次。Hex 的設定裡找不到任何與中文字型相關的選項。
3. 長音訊的切段兩邊不同：同樣 248 秒旁白，SenseVoice 在 Handy 裡只剩不到一半內容（59%），在 Hex 裡是 15%，Hex 的切段對這類只能吃短音訊的模型比較友善；Whisper 與 Qwen 兩邊接近。
Hex 的每一句都是重新開程序、重新載入模型，所以表中沒有單獨的辨識時間；Whisper 一句約 1 秒、Qwen3-ASR 約 3 秒、SenseVoice 約 2.8 秒，含載入。桌面使用時模型常駐，不會有這段等待。
兩邊各自的錯法
- Whisper（兩個工具都一樣）：幻聽尾句、提早停止、把台灣地名寫成同音字。在 Hex 裡還多了一層：沒有簡繁轉換，輸出直接是簡體。
- Qwen3-ASR：少數句子切到粵語；把「AI」聽成「I」（旁白裡「這八成也是 AI 寫的」變成「這八成也是 I 寫的」，0.6B 與 1.7B 都如此）。
- Fun-ASR Nano：短句最穩的之一，但長音訊會崩；不加標點、不寫阿拉伯數字，拿來聽寫要自己補標點。
- Breeze-ASR-25：地名與台灣用語最準，阿拉伯數字、無標點。
- SenseVoice Small：速度最快，但長句會大段漏字，248 秒旁白只剩下不到一半的內容。
- Cohere Transcribe、Voxtral：多語模型，中文不是強項；Voxtral 一句要 1.6 秒，是其他模型的四到六倍。
怎麼用
- 安裝：Handy 從 GitHub Releases 下載對應平台的安裝檔（macOS 也能用 Homebrew、Windows 可用 winget，但這兩個套件不是作者維護）。Hex 從官網下載，Linux 另有一行安裝指令。
- 選模型：兩個工具第一次啟動都會請你挑模型。Handy 的推薦清單前四個（Parakeet、Nemotron Streaming、Canary、Cohere）只有 Cohere 支援中文；要往下捲到 Qwen3-ASR、Fun-ASR、Breeze、Whisper 才是本文測到的那些。Hex 的中文選項只有 Whisper turbo、Qwen3-ASR 0.6B、SenseVoice、Cohere 四個。
- 語言：Handy 的語言預設「自動」，改成中文可以避免偶發的簡體與外文輸出；簡繁轉換在設定裡預設就是台灣繁體（系統語言是繁體中文時）。Hex 用
--language zh或在模型設定裡選語言，但沒有簡繁轉換，要繁體只能選本來就輸出繁體的模型（Breeze 不在它的清單裡）。 - 短句聽寫選 Qwen3-ASR 1.7B 或 Fun-ASR Nano；要一次唸長段落選 Breeze-ASR-25 或 Whisper large-v3-turbo。
- Linux：Handy 在 Wayland 上要另外裝輸入模擬工具（wtype 或 ydotool），Ubuntu 26.04 預設 Wayland 要照專案說明設定；Hex 的 Linux 版目前以 i3／X11 與 wlroots 系列為主，GNOME、KDE 走桌面入口協定貼上。
- 批次用法：Handy 的
-f指令可以在沒有桌面的機器上跑，但它啟動時會向使用者的 D-Bus 發呼叫，沒有桌面會等 25 秒逾時；把環境變數DBUS_SESSION_BUS_ADDRESS設成disabled:就只剩 0.3 秒。Hex 的hex model transcribe沒有這個問題。
用與不用的差別
- 與作業系統內建聽寫比：聲音不出電腦，模型自己挑，台灣口音的錯誤率可以壓到 5% 上下，接近每 20 個字錯 1 個。
- 與打開瀏覽器或獨立程式辨識再貼上比：省掉複製貼上的動作，按鍵、說話、放開，文字就在原本的欄位裡。
- 代價：要有顯示卡或夠快的 CPU（本文每句 27 秒音訊在 RTX 3090 上辨識 0.2 到 0.5 秒），模型檔 0.25 到 3.3 GB；長段落要挑對模型；Linux 桌面環境的相容性仍在補。
限制
- 測試集是朗讀句子接成的 27 秒片段，不是日常口語；真實聽寫有語助詞、停頓與自我修正，各模型的排名可能不同。
- 只測了 Handy 與 Hex 各自預設的量化版本；同一個模型換成 Q8_0 或 F16 可能有差。
- 兩個工具都只在 Linux 上用指令列測，沒有比較 Windows／macOS 的桌面整合與快捷鍵體驗。
- 「每句辨識秒」是 RTX 3090 透過 Vulkan 的數字，內建顯示卡或純 CPU 會慢很多；Voxtral 之外的模型在 CPU 上是否能即時，本文沒有測。
- 數字寫法不做正規化，對 Breeze 與 SenseVoice 不利；標點不計入錯誤。
資料來源
- cjpais/Handy（GitHub）、anomalyco/hex（GitHub）、cjpais/transcribe.cpp（GitHub）
- Hugging Face handy-computer 帳號的 GGUF 模型檔；各模型授權依模型卡：Qwen3-ASR、Breeze-ASR-25、Whisper、Cohere Transcribe、Voxtral 為 Apache-2.0，Fun-ASR 與 SenseVoice 為各自的模型授權
- Common Voice 16.1 zh-TW 測試切分（JiHungLin/common_voice_16_1_zh_TW_pseudo_labelled，Apache-2.0）
- 本站 10 月 30 日〈Nemotron 3.5 Transcribe 對比 Whisper〉的 faster-whisper 基準數據
- 測試腳本與每一句的輸出保存在本站 ops/lab/asr-compare（handy_run.py、hex_run.py、compare_dict.py）
