Cactus 发 Whistle：16.9 MB 一个文件的端上语音识别，7 个语种

Cactus Compute 10 月 2 日发布 Whistle：一个面向手机、可穿戴、机器人、智能家居、车机与单片机的语音识别模型。按官方博客，整个模型是一个 16.9 MB 的文件，跑在与它上一个模型 Needle 完全相同的 C++ 引擎、容器与量化方案里，无依赖、不需要 GPU；16 kHz 单声道音频一次最长 30 秒，覆盖英语、德语、法语、西班牙语、意大利语、荷兰语与波兰语，不指定语言时自动识别，且「静音返回空转写而不是编一句话」。官方给出的首 token 延迟是 11 毫秒。除转写外它还做两件事：逐词输出起止时间与概率（对齐来自解码器自身的注意力），便于高亮、定位与按词剪辑；直接输出编码器语音嵌入（每 80 毫秒一帧），用于匹配与检索而不必先解码成文本。官方另提供关键词偏置，让用户实际会说的产品名、地名在搜索中更容易胜出。

时间线有两个官方时间戳：官方博客自述 10 月 2 日（JSON-LD datePublished 2026-10-02，作者 Jakub Mroz 与 Henry Ndubuaku，页内可见 October 2, 2026），而 Hugging Face 权重仓 Cactus-Compute/whistle 的 createdAt 是 9 月 30 日 17:13Z（33 赞、70 次下载）——权重比公告早两天。这条补上了 Cactus 的另一半：9 月 16 日它发 Needle 3 时是 8–29 MB 的端上「决策」模型，现在同一份二进制里既能做语音转写也能直接产出工具调用，端侧这条线上「小到能塞进单片机」的门槛又被下压了一档。

原文链接：Cactus Compute 官方博客