先说最容易被搜索结果误导的一件事：Vosk 本身不需要 GPU。官方模型页写得很直白，小模型（比如中文的 vosk-model-small-cn-0.22，41.9MB）运行时大约只占 300MB 内存，树莓派和手机上都在跑；大模型（vosk-model-cn-0.22，1.3GB；英文 vosk-model-en-us-0.22，1.8GB）因为要做 CARPA 重打分，官方建议按最多 16GB 内存准备——注意是内存不是显存。所以「Vosk 需要多大显存」这个问题的诚实答案是：默认路线一张显卡都不需要，解码全在 CPU 上。
那什么时候真的要卡？三种情况。第一，你有几千小时的存量音频要转写，这时候走 vosk-api 的 CUDA 批量解码——BatchModel / BatchRecognizer / GpuInit 这一套包的是 Kaldi 的 cudafeat + cudadecoder，源码里默认 max_batch_size=32、num_channels=600、use_gpu_feature_extraction=true，一张卡同时喂几十路音频，吞吐跟 CPU 逐路解码完全不是一个量级。第二，Vosk 的原始输出没有标点也没有大小写，要接 recasepunc 做恢复，而 recasepunc 的英文模型 1.6GB、是个 BERT，放 GPU 上才顺。第三，你要在同一台机器上把 Vosk 和 faster-whisper 摆在一起做 A/B——这是绝大多数团队真正该花的那笔钱。
还有几个自建时一定会撞上的坑，提前说清楚：官方至今没有发布带 GPU 的 pip 包（vosk-api 仓库里 #1287「Package vosk with GPU support」还开着），CUDA 路线必须自己按 Dockerfile.kaldi-vosk-server-gpu 从源码编译；PyPI 上的 vosk 停在 0.3.45（2022-12），而 GitHub 的 tag 已经到 v0.3.50，主干提交一路更新到 2026 年 8 月，端点检测、ITN、Golang GPU Batch API 这些新东西 pip 装不到；官方 GPU 镜像只有英文的 alphacep/kaldi-en-gpu，中文要照着 Dockerfile 换 MODEL_VERSION 自己 build；GPU 服务默认 VOSK_SAMPLE_RATE=8000，你拿 16kHz 的模型直接连上去，出来的就是一堆乱码。这些都不是玄学，是可以在 NexGPU 上租一小时把它们逐个跑通的事。
01 —
Vosk 官方模型：现役版本与真实资源占用
官方模型列表里共 131 个条目，其中大部分已标记 obsolete；下面只列还在维护的那几个，WER/CER 数字全部取自 alphacephei.com 官方表格。
| 版本 | 参数量 | 显存 | 上下文 | 说明 |
|---|---|---|---|---|
| vosk-model-small-cn-0.22 | 小模型 / Kaldi nnet3 chain | 无需显存；运行时约 300MB 内存 | 16kHz 单声道流式，词表可运行时替换 | 中文端侧首选，41.9MB。CER 23.54（SpeechIO-02）、38.29（SpeechIO-06）、17.15（THCHS）。支持 SetGrammar 动态词表，适合命令词、数字串、固定话术场景。 |
| vosk-model-cn-0.22 | 大模型 / 带 CARPA 重打分 | CPU 路线按 16GB 内存准备；GPU 批量解码走 16GB 级显卡 | 16kHz 单声道流式，词表静态不可改 | 1.3GB，目前唯一在维护的中文服务端大模型。CER 13.98（SpeechIO-02）、27.30（SpeechIO-06）、7.43（THCHS）。朗读体和干净录音很稳，远场、口音重的会场音频会明显掉。 |
| vosk-model-small-en-us-0.15 | 小模型 / Kaldi nnet3 chain | 无需显存；运行时约 300MB 内存 | 16kHz 单声道流式，支持动态词表 | 39.3MB，Android 与树莓派上的标配。WER 9.85（librispeech test-clean）、10.38（tedlium）。做唤醒后指令识别、IVR 按键替代基本够用。 |
| vosk-model-en-us-0.22 / -lgraph | 大模型 1.8GB / 动态图版 124.5MB | 大模型按 16GB 内存准备；lgraph 版几百 MB 即可 | 16kHz 单声道流式 | 英文通用主力。0.22 的 WER 5.69（librispeech test-clean）、6.05（tedlium）、29.78（callcenter）；lgraph 版 WER 7.82，牺牲一点精度换来运行时改词表的能力，热词需求强就选它。 |
| vosk-model-en-us-0.42-gigaspeech | 最大的官方英文包，2.3GB | 内存按 16GB 准备，磁盘预留 5GB 解压空间 | 16kHz 单声道流式 | Kaldi 在 Gigaspeech 上训的，WER 5.64（librispeech test-clean）、6.24（tedlium）。官方明说「适合播客，不适合电话音频」——callcenter 上 30.17，比 0.22 还差一点，别拿它做客服质检。 |
| vosk-model-spk-0.4 + vosk-recasepunc-en-0.22 | 说话人向量 13MB / 标点恢复 1.6GB | spk 可忽略；recasepunc 是 BERT，建议放 GPU | spk 全语种通用；recasepunc 官方只有 en / ru / de | Vosk 主模型不输出标点和大小写，要靠 recasepunc 补。中文没有官方 recasepunc，得自己训或者接别的标点模型——这是中文自建方案里最常被漏掉的一段。 |
02 —
配什么卡：按你真正要做的事选，不按参数表选
Vosk 是 CPU 优先的引擎，租卡的价值在批量吞吐、标点恢复和横向对比。我们不建议为了跑 Vosk 去开 H100。
小模型流式服务、并发压测（解码基本落在 CPU）
Tesla V100 32GB$0.188/卡·时
全站最低的整机时价，vosk-model-small-cn-0.22 运行时只吃约 300MB 内存，卡先空着；等你切到 GPU 批量解码，32GB 显存正好接得住 HCLG 图。
CUDA 批量解码存量音频（BatchModel 默认 batch 32 / 600 通道）
Tesla T4 16GB$0.298/卡·时
Kaldi 的 cudadecoder 当年就是照着 T4 这类推理卡调的，16GB 放得下解码图和 32 路批状态，单位音频时长的成本最低。
Vosk + recasepunc 标点恢复，或与 faster-whisper 同机 A/B
RTX 4090 24GB$0.540/卡·时
1.6GB 的 recasepunc 和 Whisper large-v3 可以同时常驻 24GB，一次租用就把「Vosk 到底够不够用」这件事测出结论。
自己编译 HAVE_CUDA=1 的 vosk（官方没有 GPU 包）
RTX 3090 24GB$0.193/卡·时
编 Kaldi 的 cudafeat / cudadecoder 需要真卡在场做验证，3090 是 24GB 档里最便宜的一张，镜像 build 完推走就停机，不留成本。
03 —
四步把 Vosk 跑起来
从裸机到能对外提供流式识别的 WebSocket 服务，第一次做大概一个小时，按秒计费算下来不到一杯咖啡。
- 01
开实例，把模型拉下来
在 console.nexgpu.net 选一个 Ubuntu 或 PyTorch 镜像开机，SSH 进去直接下模型。所有官方模型都在 alphacephei.com/vosk/models/ 下，文件名即 URL。中文换成 vosk-model-cn-0.22，先试水就用 41.9MB 的 small 版。模型解压后是一个目录，里面 am/、graph/、ivector/、rescore/ 几个子目录缺一不可，别只拷 final.mdl。
wget https://alphacephei.com/vosk/models/vosk-model-cn-0.22.zip && unzip vosk-model-cn-0.22.zip - 02
先用 vosk-transcriber 把一批文件跑通
pip 装完自带命令行工具，内部调 ffmpeg 解码，mp4/mp3/m4a 都能直接喂，-t 支持 txt 和 srt，--tasks 控制并行路数（默认 10）。如果你走 Python API 而不是 CLI，音频必须是单声道 16bit PCM 的 WAV，采样率跟模型对齐——喂 44.1kHz 立体声不会报错，只会安静地把识别率打到地板上，这是新手第一大坑。
pip install vosk && vosk-transcriber -m vosk-model-cn-0.22 -i meeting.mp4 -t srt -o meeting.srt --tasks 16 - 03
起流式 WebSocket 服务
vosk-server 提供 WebSocket、gRPC、MQTT、WebRTC 四种协议，官方镜像默认监听 2700 端口。中文用 alphacep/kaldi-cn，英文用 alphacep/kaldi-en，想换成自己微调过的模型就把目录挂进 /opt/vosk-model-cn/model。仓库里的 test.py 直接连上去就能验证；接 Asterisk、FreeSWITCH 这类话务系统时记得用 8kHz 对应的配置。
docker run -d -p 2700:2700 -v /opt/model:/opt/vosk-model-cn/model alphacep/kaldi-cn:latest - 04
上 CUDA 批量解码
GPU 路线用 alphacep/kaldi-en-gpu，基础镜像是 nvidia/cuda:12.1.0-devel-ubuntu22.04，Kaldi 编了 cudafeat 和 cudadecoder，vosk-api 用 HAVE_CUDA=1 构建。官方只发了英文镜像，中文照着 docker/Dockerfile.kaldi-en-gpu 把 MODEL_VERSION 换掉自己 build 即可。两个必看细节：GPU 服务默认 VOSK_SAMPLE_RATE=8000，配 16kHz 模型必须改；仓库自带的 python/example/test_gpu_batch.py 跑完会直接打印 xRT 倍速，别信任何人给你的吞吐数字，用它在你自己租的卡上压一遍。
docker run --gpus all -d -p 2700:2700 alphacep/kaldi-en-gpu:latest
一笔算得清的账
场景一，1,000 小时中文客服录音批量转写：租 Tesla T4 16GB（$0.298/卡·时），先跑官方 test_gpu_batch.py 拿到你这批音频的真实 xRT。假设实测 60 倍实时，1,000 ÷ 60 ≈ 16.7 机时，16.7 × $0.298 ≈ $4.98 转写完事。模型本体 1.3GB 常驻，1.3 × $0.414 ≈ $0.54/月；转写结果按 200MB 回传，0.2 × $0.0081 ≈ $0.002，忽略不计。换 RTX 4090 24GB（$0.540/卡·时）通常快一截但单价也高一截，总价接近，选哪张取决于你要多快拿到结果。场景二，常驻流式识别服务：Tesla V100 32GB $0.188 × 24 × 30 = $135.36/月，一台带卡的常驻机器，小模型只占 300MB 内存，剩下的算力留给你的业务进程。场景三，只想验证一下值不值得自建：按秒计费意味着一次 40 分钟的压测就是 $0.188 × 0.67 ≈ $0.13，没有起租时长，没有配额申请，实例一停计算就不计费，只有存储会继续算到你销毁它为止。
04 —