164MB 下载、平均词错率 5.21%——这是 Fermion Research 新开源的英文语音识别模型 Phonon-2 交出的成绩单。它的底座不是从零训练，而是 NVIDIA 的 Parakeet TDT 0.6B v3，一个 2.5GB 的全精度模型。把 15 倍的体积差压到接近无损，靠的是一套五电平量化方案：编码器每个权重只保留约 2.1 比特的信息。
七个基准集，逐项对数字
按 官方模型卡 公布的 Open ASR Leaderboard 测试结果，七个英文集合上 Phonon-2 平均词错率 5.21%，全精度教师为 4.96%，平均差距 0.25 个百分点。分集合看互有胜负：会议语料 AMI 上 9.37 对 9.42、议会演讲 VoxPopuli 上 2.46 对 3.19，这两集反超教师；其余五集（LS clean、LS other、Earnings-22、GigaSpeech、SPGISpeech）教师仍然领先。模型卡自述在议会语音上达到教师词准确率的 100.8%，会议集上直接胜出——与逐集数字一致。
同一张表里还有同赛道的 Parakeet Redux（moondream 出品，三元量化，178MB）：平均 5.21% 对 5.69%，Phonon-2 占优；七个集合中除 AMI（9.37 对 9.16）外逐集领先。两条独立的压缩路线在 200MB 以下这个体积档位正面相遇。
2.1 比特怎么存
「五电平」指每个权重被映射到五个可学习层级之一，平均约 2.1 比特，编解码实现就放在仓库的 quint5_codec.py 里。模型卡称其为「900MB 以下最准的开源英文语音识别模型，所有分数更好的开源模型至少是它 5.8 倍大」——这是官方自报口径，暂无第三方复现。速度侧的官方数字：一小时音频在 M5 MacBook Air 上约 20 秒转写完（174 倍实时），八个 Zen 5 核心 CPU 上 143 倍，单张 H100 按 128 路批量跑出 6680 倍。
不止是权重文件
GitHub 仓库 给出了完整引擎矩阵：Apple Silicon 走 MLX，Linux 与 Windows CPU、NVIDIA CUDA 各有官方 Docker 镜像；命令行支持文件转写和麦克风实时转写，还能起一个 OpenAI 兼容的推理端点。家族产品线上，Phonon-1（415MB）基于 Qwen3-ASR-0.6B，以 Apache-2.0 发布；Phonon-2 权重随上游 Parakeet 采用 CC-BY-4.0，改动清单写在 NOTICE 文件里。它同时是 Mac 听写应用 Detta 的内置引擎——商业闭环和开源权重并不冲突。
端侧 ASR 的军备竞赛
一周之内，Parakeet Redux 和 Phonon-2 先后把 Parakeet 系底座压进 200MB 以内：前者赌三元量化的通用性，后者赌五电平量化的精度上限。Phonon-2 真正的看点不在某个单项分数，而在于 2.1 比特的极限压缩做到了单集反超全精度教师——当量化不再自动等于精度天花板，「音频不出本机」就从隐私妥协变成了工程默认选项。
所以呢：下次给 Mac 应用挑语音转写引擎，先看看 164MB 能买到什么，再决定要不要为云 API 付那笔账单。