最近在研究语音转录，设备是M4 Mac mini，一段20分钟的录音转成文本，最快需要多长时间？4秒，你没听错，就是4秒。 
事情是这样的，我先测了几个主流asr，选择了qwen3asr0.6b模型，一开始20分钟花了2分钟转录完成，感觉已经很满意了，但用于视频总结感觉还是太慢，于是就找了各种量化版，mlx版测试，最终优化到30秒。 
有一天，我把一段录音放到备忘录里，本身想着用来同步到手机的，结果突然发现备忘录有了转文本功能，而且是瞬间完成的，我以为是苹果云端发力了，当时想着云端就是快啊。后来转念一想，不对啊，苹果不是强调本地ai加隐私的吗，怎么随便上传用户录音呢，于是查了下，没想到竟然是本地模型。 
然后就让 agent 调研了一下，用的技术是苹果专门训练的小模型加神经网络引擎ANE推理，20分钟只需4秒就能转录完毕。 
至此，我下两个判断：1. 专用模型配专属硬件上限极高 2. 苹果...