Superwhisper发布开源文本归一化模型S1-mini

S1-mini：专注ASR后处理的轻量级文本归一化模型

Superwhisper正式发布S1系列模型，包括云端语音转写模型S1-Voice、云端指令遵循型清理与格式化模型S1-Language，以及面向开发者的开源轻量模型S1-mini。S1-mini并非语音识别器或对话模型，而是一个纯粹的文本归一化（text normalizer）工具，定位在自动语音识别（ASR）流程之后——即：音频 → ASR（如Whisper、Parakeet等）→ S1-mini → 可读书面文本。

该模型经Qwen/Qwen3-0.6B微调而来，参数量为596M（非嵌入参数约0.44B），含28层、16个查询头与8个KV头（采用GQA），权重精度为BF16。Hugging Face页面显示为0.8B，系因共享词嵌入被重复计数所致；实际量化后GGUF格式（Q4_K_M）体积仅为462MB，可在普通笔记本CPU上运行。

核心能力与处理逻辑

S1-mini对原始ASR输出执行四类标准化操作：

• 清除填充词（如“um”“like”“you know”）；
• 解析并保留说话人最终确认的内容，消除假起始（false starts）与自纠错（self-corrections）；
• 自动添加句末标点、段首大写及合理分段；
• 将口语化表达转为标准书面形式，例如将“support at superwhisper dot com”规范化为“support@superwhisper.com”，同理处理数字、日期、时间、货币单位等。

v1版本仅支持英语，推荐单次输入长度约1000 tokens。其唯一交互接口是一条三轴控制行（control line），置于系统提示与原始文本之间： ``` [Styling: <value>] [Structure: <value>] [Context: <value>] <raw transcript> ``` 其中Styling可选casual/semi-casual/semi-formal/formal；Structure可选prose/lists；Context可选general/email。所有9种组合均经训练，但输入值超出预设范围将导致输出质量下降甚至乱码。

部署关键配置要求

S1-mini对推理配置高度敏感，两项设置若未正确启用，将导致输出失效：

• 必须设置`enable_thinking=False`：模型沿用Qwen3聊天模板，但训练时禁用思维链（thinking），因此助手响应必须以空`<think>`块开头；忽略此参数将几乎无法获得有效输出；
• 必须贪婪解码（greedy decoding）：`generation_config.json`中`do_sample`默认为`false`，但GGUF构建仍继承Qwen3默认温度（temp=0.6）、top_p（0.95）和top_k（20）。实际调用时需显式传入`temperature=0`；在llama.cpp中应使用`--jinja --chat-template-kwargs '{"enable_thinking":false}'`，而非`--reasoning-budget 0`（后者会损害输出质量）。

性能评估与适用场景

Superwhisper在7519个独立样本（覆盖104份转录稿）的预留测试集上报告：token准确率达94.8%（基于Q4_K_M量化模型贪婪解码），文本编辑错误率（TER）为11.6%。在邮件类文本中，问候语识别准确率99.3%，结尾签名识别97.9%，结构匹配（列表/段落）准确率97.6%，邮箱地址完全正确生成率达92%。循环生成或截断现象发生率低于1%，且在无有效内容时正确返回空字符串的比例达98.6%。需注意，上述均为厂商内部测试结果，非第三方评测。

S1-mini已上线Hugging Face，采用Apache 2.0许可证，附加命名条款（naming clause）；而S1-Voice与S1-Language仅为Superwhisper托管服务，不可私有化部署。目标行业包括医疗临床文档、法律、金融、客服、开发者工具、无障碍服务与实时字幕；典型应用涵盖语音输入法、会议纪要工具、直播字幕、语音驱动编辑器、语音填CRM等任何需将ASR原始输出转化为人类可读文本的流程。

编者观点

中国AI初创企业可借鉴S1-mini的「垂直切口+工程务实」路径：避开大模型军备竞赛，聚焦ASR下游高价值但长期被忽视的文本归一化环节，以极小模型尺寸（<500MB）实现开箱即用的本地化部署能力，精准匹配医疗、法律等强合规场景的数据不出域需求。