# 开源与闭源：能力、成本与边界

> 开源版图、六个真实差异、成本账与混合架构建议。

## 4. 开源 vs 闭源：能力、成本与边界

### 4.1 开源版图（2026）

| 方向 | 代表项目 | 许可证 | 特点 | 适用 |
| --- | --- | --- | --- | --- |
| **中文 ASR** | FunASR / SenseVoice / Paraformer | Apache 2.0 | 非自回归，中文 CER 低、吞吐高；官方自测 SenseVoice 169 倍实时 | 私有化、批量转写、二次开发 |
| **多语种 ASR** | Whisper large-v3 / turbo | MIT | 语种覆盖广、生态最全；中文与幻觉偏弱 | 出海、字幕、非中文为主 |
| **端侧 ASR** | sherpa-onnx、Vosk、WeNet | Apache 2.0 | 可跑在手机/盒子/CPU，离线可用 | 车载、硬件、弱网 |
| **TTS** | CosyVoice 2、IndexTTS2、Fish Speech、F5-TTS、GPT-SoVITS、Spark-TTS | Apache 2.0 / MIT | 3 秒零样本克隆；首包 100ms–1.5s 不等 | 品牌音色、配音、助手 |
| **端到端语音** | Qwen3-Omni、Step-Audio、GLM-4-Voice、Moshi | 多为 Apache 2.0 | 低延迟自然对话，可打断 | 陪伴、车载、实时翻译 |
| **声纹 / 分离** | WeSpeaker、pyannote | Apache 2.0 / MIT | 说话人日志、会议分离 | 会议纪要、质检 |

> 注意「开源」不等于「免费商用」：看许可证、看权重条款、看训练数据限制。多数 Apache 2.0 项目可商用，但音色克隆涉及真人声音授权，法律风险独立于代码许可。

### 4.2 开源与闭源的六个真实差异

| 维度 | 开源 | 闭源 API |
| --- | --- | --- |
| 效果 | 中文头部项目已够用，长尾方言需自己补数据 | 开箱即用，长尾靠厂商定制（要钱、要周期） |
| 延迟 | 可深度优化，端侧可做到 <100ms | 受网络与厂商排队影响 |
| 成本 | 边际成本低，固定成本与人力高 | 边际成本线性，无运维负担 |
| 可控性 | 可改模型、可加热词、可审计 | 只能调参数，出问题只能等厂商 |
| 合规 | 数据全程不出域 | 需签 DPA，跨境场景基本不可用 |
| 迭代 | 自己承担升级与回归 | 厂商升级，可能「悄悄变差」 |

### 4.3 成本账：什么时候自建才划算

算力侧，开源 ASR 的成本低得惊人：单张 H100 按 $3/小时、SenseVoice 官方 169 倍实时计算，满负荷下每小时音频的算力成本约 **$0.018（≈¥0.13）**，是云 API（¥1.5–3/小时）的 **1/10–1/20**。

但真实 TCO 要加三笔：

| 成本项 | 量级 | 说明 |
| --- | --- | --- |
| 算力 | ¥0.1–0.5/小时音频 | 按利用率折算，空闲时急剧上升 |
| 运维 | 0.5–1 人 | 模型升级、故障处理、容量规划 |
| 冗余 | ×1.5–2 | 双活、灰度、灾备，不能单机上线 |

**结论（估算，非报价）**：中文 ASR 的盈亏平衡大约在 **5,000–10,000 小时音频/月**；低于此用量，API 更省。但**合规刚需（数据不出域）时，自建无条件成立**，此时比的是交付能力不是单价。

### 4.4 推荐架构：混合，而不是二选一

~~~text
在线实时（外呼/客服） ──► 云 API 主链路（弹性、SLA）
                        └─► 自建 ASR 兜底（故障切换、敏感数据分流）

离线批量（质检/纪要） ──► 自建集群（成本低、可反复跑）
                        └─► 云 API 补充长尾语种

敏感数据（医疗/金融） ──► 全私有化，物理隔离
~~~

路由规则按「合规等级 → 语言/方言 → 成本 → 负载」四级判断，全部配置化，不写死在代码里。

---

上一篇：[厂商格局与盈利模式](03-厂商格局与盈利模式.md)　·　[返回语音索引](README.md)　·　下一篇：[业务问题与技术方案](05-业务问题与技术方案.md)