TL;DR
| Parakeet V3 | Whisper-এর সাথে তুলনা | |
|---|---|---|
| গতি | Turbo-র চেয়ে 10×; V3-এর চেয়ে ~23× | Turbo / Large V3 বেসলাইন |
| সমর্থিত ভাষা | 25 | 100+ |
| ইংরেজি ত্রুটির হার (WER) | 6.32% | Turbo 7.83%; V3 7.44% |
| 25টি ভাষার গড় ত্রুটির হার (WER) | 12.0% | 12.6% |
| হ্যালুসিনেশন | আমাদের টেস্টে নীরবতায় কার্যত নেই | নীরবতায় দেখা দিতে পারে |
| সেরা | ইংরেজি ও ইউরোপীয় | এশীয়, আরবি, 100+ |
* গতি: একই 35 মিনিটের অডিও, Apple Silicon-এ। ইংরেজি WER: Hugging Face Open ASR Leaderboard। 25-ভাষার গড়: FLEURS বেঞ্চমার্ক। নীরবতার আচরণ আমাদের প্রোডাক্ট পর্যবেক্ষণ, শূন্য-ত্রুটির গ্যারান্টি নয়।
ভার্সন 1.3.2 (Direct Download / DMG) থেকে, Whisper Notes for Mac-এ NVIDIA Parakeet TDT 0.6B ডিফল্ট স্পিচ ইঞ্জিন হিসেবে আসছে। এটি ইংরেজির জন্য Whisper Large V3 Turbo-র চেয়ে 10 গুণ দ্রুত, এবং আরও নির্ভুল। অন্য ভাষা দরকার হলে Whisper মডেলগুলো এখনও পাওয়া যাবে।
ডিফল্ট কেন বদলালাম
Whisper দারুণ, কিন্তু এটা বানানো হয়েছিল সব কাজের জন্য। ১০০+ ভাষা সামলায়, অনুবাদ করে, টাইমস্ট্যাম্প দেয় — একটা সুইস আর্মি নাইফ। এর মূল্য হলো স্পিড। ইংরেজি ডিক্টেশনের জন্য, যেখানে শুধু দ্রুত স্ক্রিনে শব্দ দেখতে চান, এটা প্রয়োজনের চেয়ে অনেক বেশি।
একটা ব্যাপার আমাকে সবসময় বিরক্ত করত: Fn-key সিস্টেম-ওয়াইড ডিক্টেশন-এ Whisper ব্যবহার করলে, প্রায় 1 মিনিট কথা বলার পর ট্রান্সক্রিপ্ট আসতে 3-5 সেকেন্ড লাগত। এই বিরতিটা ফ্লো ভেঙে দেয়। কথা বলা থামান, অপেক্ষা করুন, কার্সরের দিকে তাকিয়ে থাকুন — ভয়েস টাইপিংয়ের যাদুটাই শেষ হয়ে যায়।
Parakeet এটা সম্পূর্ণ বদলে দিয়েছে। স্পিড এতটাই দ্রুত যে কথা বলা থামাতেই ট্রান্সক্রিপ্ট চলে আসে। বলুন, আর শব্দগুলো সাথে সাথে সেখানে থাকবে। একবার এই অনুভূতিটা পেলে — এই বিরামহীন, শূন্য-অপেক্ষার প্রবাহ — Whisper-এ ফিরে যাওয়া সত্যিই কঠিন।
Parakeet V3 কতটা দ্রুত?
সংখ্যা কথার চেয়ে জোরে বলে। এখানে একটা বাস্তব তুলনা — 35 মিনিটের অডিও ফাইল, একই Mac-এ:
| মডেল | 35 মিনিট অডিও |
|---|---|
| Whisper Large V3 Turbo | 3 মিনিট |
| Parakeet TDT 0.6B v3 | 18 সেকেন্ড |
10 গুণ দ্রুত। আর মডেলটা ছোট হওয়ায় (600M বনাম 800M প্যারামিটার), মেমরি আর ব্যাটারিও কম খরচ হয়।
Parakeet v3 এত দ্রুত কেন
Whisper অডিও শোনে যেভাবে আপনি জোরে বই পড়বেন — শব্দে শব্দে, ফ্রেমে ফ্রেমে, কিছু এড়িয়ে যায় না। নীরবতার সময়ও প্রসেস করতে থাকে, পরেরটা কী হবে অনুমান করতে থাকে। এটা পুঙ্খানুপুঙ্খ, তবে ধীর।
Parakeet মৌলিকভাবে আলাদা পদ্ধতি নেয়। প্রসেসিংয়ের আগে অডিও সিগন্যাল 8 গুণ কমপ্রেস করে, তাই মডেল শুধু গুরুত্বপূর্ণ জিনিসই দেখে। তারপর প্রতিটা ফ্রেম ঘষে যাওয়ার বদলে, শুধু কী শব্দ বলেছেন তা নয়, সেই শব্দ কতক্ষণ ধরে চলেছে তাও অনুমান করে — আর সামনে লাফ দেয়। নীরবতা? সম্পূর্ণ এড়িয়ে যায়। দীর্ঘ স্বরধ্বনি? ডজনখানেকের বদলে একটা প্রেডিকশন।
ফলাফল হলো এমন একটা মডেল যা কথা প্রসেস করে আপনার মস্তিষ্কের মতো — শব্দগুলোতে ফোকাস করে, ফাঁকগুলো উপেক্ষা করে। এই কারণেই কম প্যারামিটার আর বেশি নির্ভুলতা নিয়ে এটা 10 গুণ দ্রুত।
বেঞ্চমার্ক: Parakeet v3 বনাম Whisper
Parakeet v3 FLEURS, CoVoST, এবং MLS বেঞ্চমার্কে নিজের চেয়ে 2-4 গুণ বড় মডেলের সমান বা তার চেয়ে ভালো পারফর্ম করে
Hugging Face Open ASR Leaderboard-এ, Parakeet v3 মাত্র 600M প্যারামিটার নিয়ে শীর্ষে — Whisper Large V3-এর 1.55B-এর অর্ধেকেরও কম:
| মডেল | প্যারামিটার | গড় WER | গতি (RTFx) |
|---|---|---|---|
| Parakeet TDT 0.6B v3 | 0.6B | 6.32% | 3,333x |
| Canary 1B v2 | 1.0B | 7.15% | 749x |
| Whisper Large V3 | 1.55B | 7.44% | 146x |
| Whisper Large V3 Turbo | 0.8B | 7.83% | 350x |
কম WER = কম ভুল। বেশি RTFx = বেশি দ্রুত। Parakeet দুটোতেই জেতে। 600M প্যারামিটার নিয়ে, এটা সেই তালিকার সবচেয়ে ছোট মডেলও — মানে Apple Silicon-এ চমৎকার চলে, কম মেমরি আর কম ব্যাটারি খরচে।
বহুভাষিক WER: সব 25টি ভাষা
উপরের লিডারবোর্ড শুধু ইংরেজি কভার করে। এখানে সম্পূর্ণ চিত্র — Whisper Notes-এ থাকা তিনটি মডেল Parakeet যে 25টি ভাষা সাপোর্ট করে তার সবকটিতে কেমন পারফর্ম করে, FLEURS বেঞ্চমার্কে মাপা। কম WER = কম ট্রান্সক্রিপশন ভুল। প্রতি সারিতে Large V3 ও Parakeet-এর মধ্যে সেরা মানটি হাইলাইট করা:
| ভাষা | Whisper Small | Whisper Large V3 | Parakeet V3 |
|---|---|---|---|
| বুলগেরীয় | 37.3 | 12.9 | 12.6 |
| ক্রোয়েশীয় | 33.4 | 11.1 | 12.5 |
| চেক | 37.6 | 11.3 | 11.0 |
| ড্যানিশ | 32.8 | 12.6 | 18.4 |
| ডাচ | 16.4 | 5.6 | 7.5 |
| ইংরেজি | 6.1 | 4.3 | 4.9 |
| এস্তোনীয় | 51.3 | 19.1 | 17.7 |
| ফিনিশ | 24.0 | 7.7 | 13.2 |
| ফরাসি | 15.0 | 6.3 | 5.2 |
| জার্মান | 10.2 | 4.3 | 5.0 |
| গ্রিক | 30.8 | 27.0 | 20.7 |
| হাঙ্গেরীয় | 38.9 | 14.1 | 15.7 |
| ইতালীয় | 9.8 | 2.3 | 3.0 |
| লাটভীয় | 53.2 | 18.3 | 22.8 |
| লিথুয়ানীয় | 65.6 | 22.3 | 20.4 |
| মাল্টিজ | 92.2 | 68.9 | 20.5 |
| পোলিশ | 14.7 | 4.7 | 7.3 |
| পর্তুগিজ | 7.3 | 3.7 | 4.8 |
| রোমানীয় | 29.8 | 8.2 | 12.4 |
| রুশ | 11.4 | 4.2 | 5.5 |
| স্লোভাক | 33.3 | 8.4 | 8.8 |
| স্লোভেনীয় | 49.3 | 19.9 | 24.0 |
| স্প্যানিশ | 5.6 | 3.1 | 3.5 |
| সুইডিশ | 20.8 | 7.9 | 15.1 |
| ইউক্রেনীয় | 19.3 | 6.5 | 6.8 |
| গড় | 29.8 | 12.6 | 12.0 |
WER (%) FLEURS-এ। Whisper Small ডেটা Radford et al. থেকে; Large V3 ও Parakeet V3 ডেটা NVIDIA Canary-1B-v2 পেপার থেকে।
আলাদা আলাদা ভাষায় Whisper Large V3 বেশিরভাগ ক্ষেত্রে সামান্য এগিয়ে, কিন্তু Parakeet V3 গড়ে খুব কাছাকাছি (12.0% বনাম 12.6%), গ্রিক, ফরাসি, এস্তোনীয় ও মাল্টিজে এগিয়ে, আর Whisper Small-এর গড় ত্রুটির হার প্রায় 60% কমিয়ে দেয়। বাস্তব সুবিধাটা এই সমন্বয়ে: Large V3 স্তরের বহুভাষিক নির্ভুলতা প্রায় 23× গতিতে, ছোট রানটাইম ফুটপ্রিন্ট, এবং আমাদের ডিক্টেশন টেস্টে নীরবতার অনেক বেশি নির্ভরযোগ্য হ্যান্ডলিং।
নীরবতায় এটা কম হ্যালুসিনেট করে কেন
ডিক্টেশনের জন্য Whisper ব্যবহার করে থাকলে, সম্ভবত দেখেছেন নীরবতার সময় এটা হ্যালুসিনেট করে — বাক্যাংশ রিপিট করে, শব্দ বানিয়ে ফেলে, বা কোথা থেকে "Subtitles by Amara.org" বের করে দেয়। এটা হয় কারণ Whisper-এর অটোরিগ্রেসিভ ডিকোডার সবসময় টেক্সট তৈরি করতে চায়, এমনকি ট্রান্সক্রাইব করার কিছু না থাকলেও।
Parakeet-এর ট্রান্সডিউসার আর্কিটেকচার জোর করে টেক্সট টোকেন বের করার বদলে ব্ল্যাংক আউটপুট দিতে পারে। আমাদের সিস্টেম-ওয়াইড ডিক্টেশন টেস্টে, এ কারণেই Whisper-এর তুলনায় এর কোনো বিরতি রিপিট করা বা অপ্রাসঙ্গিক টেক্সট দিয়ে ভরাট করার সম্ভাবনা অনেক কম। তবুও এটা একটা স্পিচ মডেল, তাই সঠিক দাবিটা হলো “সম্ভাবনা কম”, “কখনোই না” নয়।
Parakeet কোন ভাষাগুলো সাপোর্ট করে
Parakeet v3 25টি ভাষা সাপোর্ট করে: বুলগেরীয়, ক্রোয়েশীয়, চেক, ড্যানিশ, ডাচ, ইংরেজি, এস্তোনীয়, ফিনিশ, ফরাসি, জার্মান, গ্রিক, হাঙ্গেরীয়, ইতালীয়, লাটভীয়, লিথুয়ানীয়, মাল্টিজ, পোলিশ, পর্তুগিজ, রোমানীয়, রুশ, স্লোভাক, স্লোভেনীয়, স্প্যানিশ, সুইডিশ, এবং ইউক্রেনীয়।
এটা ইউরোপের বেশিরভাগ কভার করে, কিন্তু চীনা, জাপানি, কোরীয়, আরবি বা হিন্দি নয়। চীনা, জাপানি, কোরীয় ও ক্যান্টনিজের জন্য SenseVoice বেছে নিন; আরবি, হিন্দি এবং Parakeet-এর তালিকার বাইরের অন্য ভাষার জন্য Whisper Large V3 Turbo ব্যবহার করুন।
মডেল পিকার: Parakeet V3 (ডিফল্ট), SenseVoice Small, Whisper Small, এবং Whisper Large V3 Turbo — সবই লোকালি চলে
Whisper Notes-এ মডেল পিকার
মডেল বদলাতে Settings খুলুন:
- Parakeet V3 (ডিফল্ট) — সবচেয়ে দ্রুত, ইংরেজি ও ইউরোপীয় ভাষার জন্য সেরা
- SenseVoice Small — চীনা, জাপানি, কোরীয় ও ক্যান্টনিজের জন্য সবচেয়ে দ্রুত
- Whisper Small — হালকা, ১০০+ ভাষা
- Whisper Large V3 Turbo — ১০০+ ভাষার বিস্তৃত কভারেজ
সব মডেল আপনার Mac-এ 100% লোকালি চলে। ইন্টারনেট নেই, ক্লাউড নেই, আপনার ডেটা আপনার ডিভাইস থেকে বের হয় না।
Parakeet V2 কী হলো?
আপনি যদি আগে V2 ব্যবহার করে থাকেন, হয়তো ভাবছেন তুলনাটা কেমন। V2 ছিল শুধু ইংরেজির মডেল — এবং এর ইংরেজি নির্ভুলতা আসলে V3-এর চেয়ে সামান্য ভালো (6.05% বনাম 6.32% WER)। V3 সেই সামান্য ব্যবধানের বিনিময়ে দিয়েছে 25টি ভাষার সাপোর্ট। দুটোই Whisper-এর চেয়ে অনেক বেশি নির্ভুল।
| Parakeet V2 | Parakeet V3 | Whisper Large V3 | |
|---|---|---|---|
| ইংরেজি WER | 6.05% | 6.32% | 7.44% |
| ভাষা | শুধু ইংরেজি | 25 | 100+ |
সংক্ষেপে: শুধু ইংরেজি দরকার হলে V2 ও V3 দুটোই চমৎকার। Whisper Notes-এ V3 ডিফল্ট কারণ বহুভাষিক সমর্থন বেশিরভাগ ব্যবহারকারীর জন্য গুরুত্বপূর্ণ — এবং ইংরেজি নির্ভুলতার পার্থক্য নগণ্য।
WhisperKit-এর কী খবর?
WhisperKit হলো Apple ডিভাইসে Whisper মডেল চালানোর জন্য Argmax-এর ওপেন-সোর্স Swift ফ্রেমওয়ার্ক। এটা একটা ডেভেলপার টুলকিট, এন্ড-ইউজার অ্যাপ নয় — আর এটা চালায় Whisper, Parakeet নয় (যেটা NVIDIA-র মডেল ফ্যামিলি)। নিজে Swift না লিখে WhisperKit-স্টাইল অন-ডিভাইস ট্রান্সক্রিপশন চাইলে, Whisper Notes একই আইডিয়াকে রেডিমেড অ্যাপ হিসেবে প্যাকেজ করে: Parakeet V3, Whisper Large V3 Turbo, এবং SenseVoice — সবই Mac ও iPhone-এ লোকালি চলে।
সব লোকাল অপশন তুলনা করছেন? প্রতিটি অন-ডিভাইস স্পিচ-টু-টেক্সট মডেল — Whisper ভ্যারিয়েন্ট, Parakeet V3, SenseVoice, এবং Voxtral — পাশাপাশি তুলনা করা আছে আমাদের Whisper মডেল তুলনা পেজে। Whisper-এ একেবারে নতুন? শুরু করুন Whisper ট্রান্সক্রিপশন গাইড দিয়ে — মডেলটা কী, চালানোর সব উপায়, আর খরচ কেমন।
প্রায়শই জিজ্ঞাসিত প্রশ্ন
Parakeet V3 কি Whisper-এর চেয়ে ভালো?
ইংরেজি ও ইউরোপীয় ভাষার জন্য, প্রায়ই হ্যাঁ। আমাদের 35 মিনিটের টেস্টে Parakeet ছিল Whisper Turbo-র চেয়ে 10× দ্রুত, আর Open ASR Leaderboard অনুযায়ী Parakeet-এর ইংরেজি WER 6.32% বনাম Turbo-র 7.83%। তবে Whisper এখনও অনেক বেশি ভাষা কভার করে: ১০০+ ভাষা বনাম Parakeet-এর 25টি।
Parakeet V3 কোন কোন ভাষা সাপোর্ট করে?
Parakeet V3 25টি ভাষা সাপোর্ট করে: বুলগেরীয়, ক্রোয়েশীয়, চেক, ড্যানিশ, ডাচ, ইংরেজি, এস্তোনীয়, ফিনিশ, ফরাসি, জার্মান, গ্রিক, হাঙ্গেরীয়, ইতালীয়, লাটভীয়, লিথুয়ানীয়, মাল্টিজ, পোলিশ, পর্তুগিজ, রোমানীয়, রুশ, স্লোভাক, স্লোভেনীয়, স্প্যানিশ, সুইডিশ, এবং ইউক্রেনীয়।
Mac-এ কি Parakeet V3 চালানো যায়?
হ্যাঁ। Whisper Notes for Mac-এ Parakeet V3 ডিফল্ট ইঞ্জিন হিসেবে আসে। এটা Apple Silicon-এ 100% লোকালি চলে — ইন্টারনেট নেই, ক্লাউড নেই, কোনো ডেটা আপনার ডিভাইস থেকে বের হয় না। চেষ্টা করে দেখতে ফ্রি ট্রায়াল DMG ডাউনলোড করুন।
Parakeet V3 কি Whisper-এর মতো হ্যালুসিনেট করে?
আমাদের নীরবতা-টেস্টে অনেক কম, তবে কোনো স্পিচ মডেলের ক্ষেত্রেই “কখনোই না” দাবি করা ঠিক নয়। Parakeet বিরতির সময় ব্ল্যাংক আউটপুট দিতে পারে, আর Whisper-এর অটোরিগ্রেসিভ ডিকোডার ইনপুট নীরব হলে বাক্যাংশ রিপিট করা বা অপ্রাসঙ্গিক টেক্সট বের করার দিকে বেশি ঝোঁকে।
Parakeet V2 নাকি V3 — কোনটা ব্যবহার করব?
Parakeet V2 শুধু ইংরেজির জন্য, আর এর ইংরেজি নির্ভুলতা সামান্য ভালো (6.05% বনাম 6.32% WER)। V3 সেই সামান্য ব্যবধানের বিনিময়ে দেয় 25টি ইউরোপীয় ভাষা, আর Whisper Notes-এ এটাই ডিফল্ট। আপনি যদি একচেটিয়াভাবে শুধু ইংরেজি ট্রান্সক্রাইব না করেন আর শেষ ভগ্নাংশ শতাংশের পেছনে না ছোটেন, V3 ব্যবহার করুন।
Parakeet V3 কি জাপানি, চীনা বা কোরীয় সাপোর্ট করে?
না — এর 25টি ভাষার সবই ইউরোপীয়। চীনা, জাপানি, কোরীয় বা ক্যান্টনিজের জন্য Whisper Notes-এ আছে SenseVoice (CJK-র জন্য Whisper-এর চেয়ে 52x দ্রুত) এবং Whisper মডেল। সবই Mac ও iPhone দুটোতেই অফলাইনে চলে।
Parakeet V3 কত বড়?
600 মিলিয়ন প্যারামিটার — 465 MB ডাউনলোড, যা আমাদের Mac বিল্ডে ট্রান্সক্রাইব করার সময় প্রায় 800 MB মেমরি ব্যবহার করে। Whisper Large V3 Turbo প্রায় 1.6 GB ডাউনলোড এবং একই অ্যাপে প্রায় 1.6 GB মেমরি ব্যবহার করে।
ব্যবহার করে দেখুন
Parakeet v3 এখনই Mac ভার্সনে পাওয়া যাচ্ছে — শুধু সর্বশেষ DMG ডাউনলোড করুন। আপডেট: Parakeet এখন সর্বশেষ iOS ভার্সনেও পাওয়া যাচ্ছে।
প্রশ্ন বা মতামত? ইমেইল করুন support@whispernotes.app।
iOS-এর জন্য ডাউনলোড করুন