据 MarkTechPost 10 月 22 日发布的一篇教程式评测，Cactus Compute 的语音转文字模型 Whistle 权重文件仅 16.9 MB，可直接在 CPU 上运行，支持七种语言，并输出词级时间戳与置信概率。该模型卡声称其在 LibriSpeech 上优于 Whisper base，这篇教程用固定随机种子的样本对两个模型做了同条件对比。

评测取 LibriSpeech 的 test-clean 与 test-other 样本，把 Whistle 与 Whisper tiny、base 放在完全相同的音频片段上运行，用配对说话人聚类区间并做 Holm 校正来判断差异是否显著。结果显示，在 test-other 上 Whistle 相对采用贪心解码的 Whisper base 取得领先，但与 beam search 版本之间没有显著差距。速度方面的优势随音频片段变长而收窄。教程说明，这些数字来自一台 Apple M4 的单次运行样本，文中引用的已发表完整划分结果属于转引，并非本次实测。

除准确率外，教程还测试了流式延迟、时间戳、关键词偏置、其他语种、噪声条件、嵌入输出以及语音到工具调用等场景。在针对 30 秒窗口的测试中，该固定版本的推理引擎会在处理更长音频时静默丢弃中间部分，输出中不含任何报错提示。

环境配置上，教程使用 cactus-needle 3.2.0，搭配 openai-whisper 20250625、jiwer 4.0.0、soundfile 0.14.0 与 soxr 1.1.0。首次调用时，程序会从 Hugging Face 拉取三个文件：16.9 MB 的 whistle.cact 权重、约 1 MB 的引擎库，以及第 12 步使用的 35 MB needle3.cact。该包内置的引擎版本为 3.3.0，needle3 仓库在 2026 年 10 月 10 日更新过二进制文件。由于这些仓库的文件是原位替换，教程要求锁定每个仓库的 Hub 修订号并打印文件哈希，以保证结果可复现。教程同时提到，该包默认会上报匿名使用计数，需设置环境变量 NEEDLE_TELEMETRY=0 关闭。