【学习笔记】WPS 听记全拆解：四层功能、计费考古，与「录音转写 + AI 纪要」的开源替代全景

「开会录音，会后自动出纪要」大概是 AI 办公最刚性的需求：讯飞听见、通义听悟、飞书妙记、Otter.ai 都挤在这条赛道上，而 WPS 听记靠着 WPS Office 的装机量，是很多人接触这类工具的第一个入口。这篇笔记回答两个问题：WPS 听记到底提供了什么（功能与计费，全部用一手信源拆）；以及开源世界能不能平替它（13 个候选项目，star 数和许可证逐个用 GitHub API 核验，截至 2026-09-14）。

一句话结论：WPS 听记是一台「实时转写 + 说话人分离 + AI 纪要 + 音字联动编辑」的四层一体机，工程成熟度体现在方言识别、行业词库、手机小程序随手可用这些细节上；开源世界每一层都有全球最优解，但没有任何单品把四层拧成一台机器——想要平替，就得按「模型层、说话人层、管线层、成品层」自己组装。中文场景有个额外惊喜：最优模型不是 Whisper，而是阿里的 FunASR 家族（SenseVoice 中文词错率约为 Whisper 的一半，速度快一个数量级）。

WPS 听记是什么：从讯飞供能到 WPS AI 自研

WPS 听记（原名「语音速记」）是金山办公旗下的 ASR 转写平台，官方定位是「专业 ASR 转写平台」。入口比想象中多：网页端 suji.wps.cn、WPS Office 客户端和手机 App 内置功能、微信小程序「WPS 语音速记」，另有独立的「WPS 笔记」App 也内置了录音转写。

技术渊源值得记一笔：它的语音能力早期与科大讯飞深度绑定——官方社区帖披露「长语音输入由讯飞语记提供支持」，新京报的报道也证实 WPS 版语音速记曾由科大讯飞提供支持。2023 年 8 月，语音速记接入 WPS AI 自研引擎完成升级并更名听记，转写、声纹、摘要全链路切到自家的 WPS AI 上（极客公园）。

功能拆解：一台四层一体机

按官方社区体验帖的一手截图和官网介绍，功能可以归成四层：

第一层：转写。两条输入路径——实时录音转文字（边录边转、自动分段、关键词高亮、背景降噪），和音视频文件导入转写（支持 mp3/m4a/wav/aac/flac/amr，单文件最大 1GB、最长 5 小时）。官网还宣传多语言识别（20+ 语种互译）、方言识别和自定义行业词库——后两项是工程打磨度的标志，后面对照开源方案时会反复提到。

**第二层：说话人。**声纹识别自动区分发言人，多人会议按人分段；转写结果可以按说话人筛选，也可以按关键词筛选。体验帖实测反馈「准确率令人惊喜」（课堂场景），属于第一梯队水平。

**第三层：AI 纪要。**自动生成全文概要、章节列表、会议纪要（含会议主题、参会说话人、主要内容）、问答对话汇总，全部可复制、可二次编辑。这一层是 2023 年接入 WPS AI 后补齐的，也是当前所有竞品的主战场。

**第四层：编辑与生态。**转写文本可搜索、编辑、翻译；音字联动（点文字定位到音频位置）；一键导出 Word；接入 WPS 云文档，和 WPS 的办公生态无缝衔接。

2025 年 7 月 2 日还上线了实时同传字幕：中英双语字幕实时滚动加 AI 说话人总结，覆盖多语言交流和多人会议两种场景，并对听障用户免费开放（权益期内不限服务时长）——这个「听障免费」的公益动作是同类产品里少见的（新京报）。

计费考古：一手数据、会员变迁和 SEO 稿陷阱

计费是这次调研里水最浑的部分，值得单独拆。按时间线捋：

2024-02，官方论坛一手计费帖（bbs.wps.cn/topic/18268）：

2024-03，会员体系拆分：取消超级会员 Pro，新增 WPS AI 会员和大会员两档，AI 功能（含听记转写）从「超级会员附带权益」变成独立付费体系（WPS 社区）。此后有知乎实测称大会员包含听记每月 3000 分钟、日常使用绰绰有余（知乎）。

2026-08，灵犀专业版开始收费（WPS 社区），社区对「会员套娃」的抱怨持续发酵——超级会员之上套 AI 会员，AI 会员之上再分档（知乎）。

调研过程中还发现一个值得单独提醒的坑：wps.cn 域名下 article 栏目里有成批的第三方 SEO 稿。我实际读到的几篇，作者署名是「ToB SEO by 加搜科技」，发布时间集中在 2026 年年中，内容是「WPS AI 多少钱一个月」这类关键词导向的对比文，数字互相矛盾（比如宣称「免费额度每日 10 小时」，与一手论坛帖的按月赠时长规则对不上）。这些稿件托管在官方域名上、搜索权重很高，极易误导。判断方法很简单：凡是 wps.cn/article 路径下、署名带 SEO 字样的文章，数字一律不采信，以官方社区（bbs.wps.cn）一手帖和客户端实际展示为准。

开源替代全景：能平替每一层，但没有单一等价品

先把 13 个候选项目过一遍，star 数和许可证全部是 GitHub API 一手核验（截至 2026-09-14）：

分层看各自的角色：

**模型层与说话人层。**英文场景的默认答案是 Whisper；中文场景见下一节的硬数据，最优解在阿里系。说话人分离的事实标准是 pyannote 3.1（WhisperX 内置集成），FunASR 生态里对应的是 cam++ 声纹模型。注意 pyannote 代码 MIT 但模型要在 Hugging Face 上接受条款才能下载，商用部署前看清楚。

**管线层。**WhisperX 解决「文件转写 + 词级时间戳 + 谁在说话」，是音字联动的最佳积木；WhisperLiveKit 解决「边说边转 + 分离 + 翻译」，自带网页界面，全本地跑，是对标 WPS 悬浮字幕和实时同传的最近似物；FunASR 则把整条流水线（流式 Paraformer 转写、fsmn-vad、ct-punc 标点、cam++ 分离、时间戳）打包成工具包，官方提供 Docker CPU/GPU 部署服务和 Windows SDK，还支持热词——hotword='关键词 权重' 直接填参数，这正是「自定义行业词库」的开源对应。

**成品层。**Meetily 是唯一把「捕获麦克风和系统声音、实时转写、本地 LLM 出纪要」做成消费级产品形态的（macOS/Windows/Linux 三平台，摘要后端可选 Ollama、Claude、Groq、OpenRouter 或任意 OpenAI 兼容端点；Windows 安装包用 Vulkan 版 whisper.cpp，要求 AVX2 CPU，CUDA 要自行源码编译）。两个使用前必知的细节：一是它是 open-core 模式，有付费的 PRO 版，README 曾把说话人分离列在 PRO 路线图上，开源社区版的功能完整度部署前要对照当期 README 核验；二是实时转写主打 NVIDIA 的 Parakeet 模型，中文效果要打问号，想中文好用得换后端。Vibe 是文件转写场景对普通用户最友好的选择（支持 SenseVoice 后端，中文体验好，有中文界面）；Buzz 最简单纯粹；noScribe 面向记者，分离加时间锚点编辑是特色；sherpa-onnx 则是移动端唯一的正经答案，提供 Android/iOS 的流式识别示例。

功能逐项对照

中文准确率的硬数据

「开源转中文不准」是常见偏见，数据不支持。FunASR 官方实测（184 个中文文件，H100）：SenseVoice 词错率 7.81%，约为 Whisper 的一半，同时快 15 倍（169.6 倍实时率，10 秒音频 GPU 上约 50ms 出结果，非自回归架构的天然优势）；追求极致精度可以上 FireRedASR，词错率 2.89%，是中文开源模型里的精度天花板（腾讯云开发者综述）。注意第一份数据出自 FunASR 官方博客，是「厂商测自家」的口径，量级可信、具体数字保留一分；但「中文场景 SenseVoice 显著优于 Whisper」这个方向性结论，与各家独立实测一致。

新的变量是 LLM 路线的 ASR：QwenAudio 组织下的 Fun-ASR 把识别做成 LLM 微调任务，最新的 Fun-ASR-Nano（800M，2025-12 发布）直接把中文方言和地域口音写进能力清单——WPS 听记引以为傲的方言识别，开源侧正在快速补齐。

三套落地组合

**组合一：中文会议，追求质量。**FunASR 全家桶——流式 Paraformer 做实时转写（600ms 切片），SenseVoice 做文件离线转写，cam++ 做分离，ct-punc 补标点，热词填行业术语，最后接 Ollama 加本地 LLM 出纪要。Docker 部署服务齐全，SenseVoice 只有 234M 参数，普通 CPU 也能跑出可用速度。

**组合二：零代码，装完就用。**文件转写选 Vibe（SenseVoice 后端，中文体验好）；实时会议加自动纪要选 Meetily（Windows 注意 AVX2 要求，中文转写效果先实测再上车，说话人分离功能以当期 README 为准）。

**组合三：开发者自建管线。**WhisperX 或 funasr CLI 做转写加词级时间戳，pyannote 做分离，Ollama 做纪要，前端自己拼——音字联动、筛选说话人、导出格式全部自主可控，这是 WPS 听记给不了的自由度。

几点启示

• **一体机和积木是两种经济学。**WPS 把整条管线藏在一个红色录音按钮后面，你为「开箱」付费；开源世界每一层都有全球最优解，但没有人为你拧成一台机器。选型第一个问题不是「哪个更好」，而是「我要开箱还是要主权」。
• **中文 ASR 的主场早已换人。**拿 Whisper 跑中文会议再抱怨识别不准，是选型错误而不是模型错误——SenseVoice 词错率减半、速度快一个量级，Fun-ASR 连方言口音都在补齐。中文场景的默认答案应该在 FunASR 家族里找。
• **当一个产品的价格需要考古才能确定，这本身就是信号。**从 2024 年一手帖的按时长充值，到 AI 会员、大会员、灵犀专业版的层层拆分，再到 wps.cn 域下成批第三方 SEO 稿把信息搅浑——计费复杂度是产品策略的一部分。对比之下，「一次性硬件成本加无限时长」的开源模型显得相当诚实。
• **隐私是这个赛道开源方案的真护城河。**会议录音是含金量最高的语料之一，全链路云处理意味着商业机构的转写服务和数据权益条款深度绑定；而 Meetily、FunASR 们全本地跑。对内部会议、法务、医疗场景，这不是省钱问题，是合规问题。

参考资料

WPS 官方与一手信源：

• WPS 听记官网 / WPS 社区：听记功能体验帖（2026-01） / WPS 社区：计费与时长规则一手帖（2024-02） / WPS 社区：AI 功能与会员体系 / WPS 社区：灵犀专业版收费讨论 / WPS 学堂：语音速记官方教程

媒体与社区：

• 新京报：WPS 实时同传功能上线，听障用户免费 / 极客公园：语音速记接入 WPS AI 升级 / 知乎：大会员听记时长实测 / 知乎：会员套娃争议 / 腾讯云开发者：6 个开源中文 ASR 模型对比

开源项目（star 数与许可证为 GitHub API 2026-09-14 一手核验）：

• 整体方案：Meetily / Vibe / Buzz / noScribe / screenpipe / Amurex
• 管线与模型：FunASR / Fun-ASR / WhisperX / WhisperLiveKit / whisper / pyannote-audio / sherpa-onnx

数据与综述：

• FunASR vs Whisper 中文实测基准 / meetily.ai：2026 自托管会议转写工具综述

相关笔记：

• wewe-rss 死因解剖：半开源架构拆解与微信读书接口存续验证——同样是对「开源程度」做一手核验的方法论
• LTX-Desktop 全拆解——另一条「本地大模型工程学」路线：把 22B 视频模型塞进桌面