@FlashEcho 我最近也测了一圈，简单说下结论：

纯中文场景：豆包流式 2.0 > 千问 ASR > 本地 SenseVoice Small 。豆包的中文识别确实是目前公认最强的，几乎不用改。

中英混输场景：差距就大了。豆包和千问的英文识别都一般，尤其是技术术语和人名。本地 SenseVoice 在中英混输上更弱一些。这个场景目前 Typeless 效果最好，但它是客户端产品，按月订阅，价格也贵。

延迟方面：本地模型响应最快（几乎无延迟），但吃内存（~800M ）。在线模型延迟可以接受，日常使用体感不明显。

我现在的方案和楼主类似，闪电说 + 豆包在线模型为主，偶尔切本地。如果你主要用中文，豆包流式 2.0 基本就够了。中英混输需求多的话，目前确实没有特别完美的免费方案。