Whisper ছাড়াও Whisper Notes-এ চীনা, জাপানি ও কোরীয় ভাষায় ভালো কাজ করে এমন দুটি মডেল আছে: SenseVoice Small আর Qwen3-ASR 1.7B (এরপর থেকে শুধু Qwen3-ASR)। দুটোই আপনার ডিভাইসে অফলাইনে চলে। SenseVoice দ্রুত; Qwen3-ASR ভুল কম করে। প্রশ্ন হলো: চীনা, জাপানি আর কোরীয়র জন্য কোনটা ব্যবহার করবেন?
নির্ভুলতার সংখ্যাগুলো আমাদের নিজেদের মাপা। Whisper Notes-এ যে মডেলগুলো চলে, ঠিক সেগুলো দিয়েই আমরা SenseVoice Small, Qwen3-ASR আর Whisper Large V3 Turbo চালিয়েছি FLEURS-এর একই পড়া বাক্যে, প্রতি ভাষায় প্রায় 30 মিনিট। গতির সংখ্যাগুলো অ্যাপে প্রতিটি মডেলের কার্ডে যা দেখায় তা-ই, ছোট ক্লিপ নিয়ে আলাদা একটা পরীক্ষা থেকে নেওয়া। বাকি সব তথ্য Mac অ্যাপ এখন যেভাবে কাজ করে, তার ভিত্তিতে।
SenseVoice-এর চেয়ে Qwen3-ASR কতটা বেশি নির্ভুল?
| ভাষা | Qwen3-ASR 1.7B | SenseVoice Small | Whisper Large V3 Turbo |
|---|---|---|---|
| চীনা | 6.49% | 7.69% | 7.97% |
| জাপানি | 5.74% | 6.78% | 5.30% |
| কোরীয় | 3.54% | 7.85% | 4.25% |
| ইংরেজি | 4.49% | 8.46% | 5.49% |
চীনা, জাপানি ও কোরীয়র জন্য অক্ষর ত্রুটির হার (CER), ইংরেজির জন্য শব্দ ত্রুটির হার (WER); যত কম, তত ভালো। প্রতিটি সারির সবচেয়ে কম মান সবুজে দেখানো। FLEURS টেস্ট সেটে একটা Mac-এ আমাদের নিজেদের রান, প্রতি ভাষায় প্রায় 30 মিনিট এবং 139 থেকে 180টি পড়া বাক্য। SenseVoice-এ ভাষা নির্দিষ্ট করা ছিল। শুধু পরিষ্কারভাবে পড়া কথা: শোরগোলের ঘর, মিটিং আর লম্বা রেকর্ডিং এতে ধরা হয়নি।
আমরা যে কটি ভাষা পরীক্ষা করেছি, তার প্রতিটিতেই Qwen3-ASR, SenseVoice-এর চেয়ে কম ভুল করেছে। চীনা আর জাপানিতে ব্যবধান প্রায় এক পয়েন্ট: চীনাতে 6.49% (Qwen3-ASR) বনাম 7.69% (SenseVoice), আর জাপানিতে 5.74% বনাম 6.78%। সবচেয়ে বড় ব্যবধান কোরীয়তে: SenseVoice দ্বিগুণেরও বেশি অক্ষর ভুল করে, 7.85% বনাম 3.54%। ইংরেজিতে Qwen3-ASR মোটামুটি প্রতি 22টি শব্দে একটি ভুল করে, আর SenseVoice প্রতি 12টিতে একটি।
Whisper Large V3 Turbo-র ফল Qwen3-ASR-এর কাছাকাছি। জাপানিতে তিনটির মধ্যে এটাই সবচেয়ে নির্ভুল ছিল, কোরীয় আর ইংরেজিতে দ্বিতীয়, তবে চীনাতে SenseVoice-এর চেয়ে সামান্য পিছিয়ে।
Qwen3-ASR-এর চেয়ে SenseVoice কতটা দ্রুত?
| মডেল | গতি (× রিয়েল-টাইম) | এক ঘণ্টার অডিওতে মোটামুটি সময় |
|---|---|---|
| SenseVoice Small | 115.2–131× | প্রায় 30 সেকেন্ড |
| Qwen3-ASR 1.7B | 7.6× | প্রায় 8 মিনিট |
দ্রুততর মডেলটি সবুজে দেখানো। এগুলো অ্যাপের মডেল কার্ডে দেখানো গতি: শুধু ইঞ্জিনের প্রসেসিং সময়, মডেল লোড হওয়ার সময় বাদে। মাপা হয়েছে একটা Mac-এ, রোজকার ব্যবহারের মতো ছোট ক্লিপ দিয়ে, আলাদা একটা পরীক্ষায়। ভাষা নির্দিষ্ট করা থাকলে SenseVoice চলেছে 115.2×-এ, আর স্বয়ংক্রিয় শনাক্তকরণে 131×-এ; রাউন্ড করার আগে Qwen3-ASR-এর মাপ ছিল 7.65×। এক ঘণ্টার সময়গুলো এই গতি থেকে হিসাব করে রাউন্ড করা।
SenseVoice 15 গুণেরও বেশি দ্রুত। এক ঘণ্টার রেকর্ডিংয়ে তার মানে প্রায় আধা মিনিট বনাম প্রায় আট মিনিট। আপনি যদি লম্বা রেকর্ডিং ট্রান্সক্রাইব করেন, বা লেখাটা সঙ্গে সঙ্গে চান, তাহলে এক পয়েন্ট নির্ভুলতার চেয়ে এই পার্থক্যটাই বেশি গুরুত্বপূর্ণ। আর যদি কয়েক মিনিট অপেক্ষা করতে পারেন এবং কম সংশোধন চান, তাহলে এটা তেমন গুরুত্বপূর্ণ নয়।
ভাষা নির্দিষ্ট করে দিলে নির্ভুলতা একটু বাড়ে
ভাষা নির্দিষ্ট করে দিলে চারটি ভাষাতেই SenseVoice, Auto (স্বয়ংক্রিয় ভাষা শনাক্তকরণ)-এর চেয়ে কম ভুল করেছে: চীনাতে 7.69% বনাম 7.90%, জাপানিতে 6.78% বনাম 6.87%, কোরীয়তে 7.85% বনাম 8.09% আর ইংরেজিতে 8.46% বনাম 8.51%। ব্যবধানগুলো ছোট, কিন্তু সবগুলোই একই দিকে। Qwen3-ASR বা Whisper আমরা Auto-তে চালাইনি, তাই ওগুলোর কোনো সংখ্যা আমাদের কাছে নেই; অ্যাপের নিজের পরামর্শ হলো, Parakeet ছাড়া অন্য মডেলে ভাষা বেছে দেওয়া সাধারণত Auto-র চেয়ে বেশি নির্ভুল।
Parakeet ব্যতিক্রম: Whisper Notes-এ একে ভাষা বলে দিলে নির্ভুলতা কমে গিয়েছিল, তাই এটা সবসময় নিজেই ভাষা শনাক্ত করে (দেখুন Parakeet Ultra বনাম Parakeet V3)। Mac-এ ভাষা ঠিক করবেন Settings (সেটিংস)-এর Transcription (ট্রান্সক্রিপশন) অংশে, Language (ভাষা) থেকে।
লম্বা রেকর্ডিংয়ে কত সময় লাগে?
একটা আসল রেকর্ডিং দিয়ে করা আগের এক পরীক্ষায় Apple M4 Pro-তে SenseVoice একটা চীনা সাক্ষাৎকার-পডকাস্টের 27 মিনিটের পর্ব ট্রান্সক্রাইব করেছিল 13.83 সেকেন্ডে। একই ফাইলে Whisper Large V3 Turbo-র লেগেছিল 2 মিনিট 4 সেকেন্ড। Qwen3-ASR সেই পরীক্ষায় ছিল না। ওই পরীক্ষাটা হয়েছিল অ্যাপের আগের একটা ভার্সনে; গতি ছিল প্রায় 117× রিয়েল-টাইম, যা এখনকার মডেল কার্ডের 115–131×-এর সঙ্গে মেলে।
সেই পরীক্ষা থেকে মোটামুটি অনুমান করলে, ওই Mac-এ এক ঘণ্টার একটা মিটিং বা লেকচারে SenseVoice-এর লাগবে প্রায় আধা মিনিট, আর Whisper Large V3 Turbo-র প্রায় সাড়ে চার মিনিট। ওপরের গতি থেকে হিসাব করলে Qwen3-ASR-এর লাগবে মোটামুটি আট মিনিট।
কোনো মডেলই লম্বা ফাইল একবারে পড়ে না। Mac অ্যাপে SenseVoice অডিওকে বিরতির জায়গায় কেটে সর্বোচ্চ 30 সেকেন্ডের অংশে ভাগ করে, আর প্রতিটি অংশ শেষ হওয়ামাত্র তার লেখা দেখায়। Qwen3-ASR-ও সর্বোচ্চ 30 সেকেন্ডের অংশে কাজ করে; সীমার কাছাকাছি সবচেয়ে নীরব মুহূর্তে অডিও কাটে, আর লেখা তৈরি হতে হতেই দেখা যায়। দুই ক্ষেত্রেই ট্রান্সক্রিপ্ট অংশে অংশে ভরে ওঠে, আর পুরো ফাইল শেষ হওয়ার আগেই আপনি পড়া শুরু করতে পারেন।
আমার ডিভাইসে কোনটা ব্যবহার করতে পারব?
| মডেল | iPhone | Mac App Store ভার্সন | আমাদের ওয়েবসাইটের Mac অ্যাপ |
|---|---|---|---|
| SenseVoice Small | হ্যাঁ | হ্যাঁ | হ্যাঁ |
| Qwen3-ASR 1.7B | না | হ্যাঁ (Beta) | হ্যাঁ (Beta) |
| Whisper Large V3 Turbo | না | হ্যাঁ | হ্যাঁ |
| Whisper Small | হ্যাঁ | হ্যাঁ | হ্যাঁ |
সবুজ মানে পাওয়া যায়, কমলা মানে পাওয়া যায় না।
iPhone-এ চীনা, জাপানি ও কোরীয়র জন্য দ্রুত বিকল্প হলো SenseVoice, আর অন্য বিকল্প Whisper Small।
দুটো Mac ভার্সন কেন? Mac App Store ভার্সনকে App Store অ্যাপের জন্য Apple-এর বেঁধে দেওয়া সীমার মধ্যে কাজ করতে হয়, তাই কয়েকটি ফিচার শুধু আমাদের ওয়েবসাইটের Mac অ্যাপে আছে: Fn ভয়েস টাইপিং, অন-ডিভাইস AI সহকারী আর কমান্ড-লাইন টুল (পেছনের কারণ)। স্পিচ মডেল দুটোতেই একই।
Mac-এ কোনটার কী লাগে
| SenseVoice Small | Qwen3-ASR 1.7B | |
|---|---|---|
| ডাউনলোড | প্রায় 450 MB | প্রায় 2.5 GB |
| মেমরি, মডেল কার্ড অনুযায়ী | প্রায় 700 MB | প্রায় 2.6 GB |
| সর্বোচ্চ মেমরি, আমাদের পরীক্ষায় | 0.95 GiB | 2.43 GiB |
| Mac | Apple silicon | Apple silicon, macOS 15 বা পরের ভার্সন |
| প্রস্তাবিত মেমরি | কোনো ন্যূনতম উল্লেখ নেই | 16 GB প্রস্তাবিত |
ডাউনলোড সাইজ আর মেমরির লেবেল আমাদের ওয়েবসাইটের Mac অ্যাপের বর্তমান ভার্সনে যেমন দেখায়, তেমনই। কমলা রঙে এমন শর্ত দেখানো, যা ডাউনলোডের আগে দেখে নেওয়া দরকার। সর্বোচ্চ মেমরির মাপ ওপরের গতির মতোই সেই রোজকার ব্যবহারের পরীক্ষা থেকে; GiB মোটামুটি GB-র চেয়ে 7% বেশি।
কোনো মডেলই অ্যাপের সঙ্গে আগে থেকে আসে না। প্রতিটি মডেল Settings-এ তার কার্ড থেকে একবার ডাউনলোড করে নিতে হয়, তারপর অফলাইনে চলে। দুটোর মধ্যে SenseVoice অনেক হালকা: Qwen3-ASR-এর তুলনায় ডাউনলোড প্রায় পাঁচ ভাগের এক ভাগ, আর মেমরি অর্ধেকেরও বেশ কম। 16 GB-র কম মেমরির Mac-এ Qwen3-ASR-এর কার্ড সতর্কতা হিসেবে মেমরির নোটটি কমলা রঙে দেখায়। তুলনায়, Whisper Large V3 Turbo-র ডাউনলোড প্রায় 2 GB, আর তার কার্ডে মেমরি লেখা আছে প্রায় 2.4 GB।
কোনটা ব্যবহার করবেন?
- Mac-এ সবচেয়ে কম ভুল: Qwen3-ASR 1.7B, দুটো Mac ভার্সনেই আছে। আমাদের পরীক্ষার চারটি ভাষাতেই এটা SenseVoice-এর চেয়ে ভালো করেছে। জাপানিতে Whisper Large V3 Turbo আরও একটু বেশি নির্ভুল ছিল, 5.30% বনাম 5.74%।
- গতি, লম্বা রেকর্ডিং, কম মেমরির Mac, অথবা iPhone: SenseVoice Small। এক ঘণ্টার অডিওতে প্রায় আট মিনিটের বদলে লাগে প্রায় আধা মিনিট, আর ডাউনলোড ও মেমরিও লাগে অনেক কম।
- Qwen3-ASR 1.7B ছাড়া (এর জন্য macOS 15 লাগে) জাপানি বা কোরীয়তে বেশি নির্ভুলতা: Whisper Large V3 Turbo; জাপানিতে 5.30% বনাম SenseVoice-এর 6.78%, আর কোরীয়তে 4.25% বনাম 7.85%। তবে এটা SenseVoice-এর চেয়ে অনেক ধীর।
- অন্য ভাষা: ইংরেজি আর আরও 24টি ইউরোপীয় ভাষার জন্য বিল্ট-ইন মডেল Parakeet (দেখুন Parakeet Ultra বনাম Parakeet V3), আর বাকিগুলোর জন্য Whisper। 30টি ভাষায় Whisper-এর তুলনায় Qwen3-ASR 1.7B কেমন করেছে, তা আছে আমাদের Qwen3-ASR বনাম Whisper বেঞ্চমার্কে। 42টি ভাষায় ছয়টি মডেলের ত্রুটির হার পাশাপাশি আছে ভাষাভিত্তিক মডেল তুলনায়।
আর কী জানা দরকার?
- স্পিকার লেবেল, টাইমস্ট্যাম্প আর সাবটাইটেল দুটো মডেলেই কাজ করে। SenseVoice আর Qwen3-ASR দুটোই টাইমস্ট্যাম্প দেয়, তাই যে মডেলই বেছে নিন, স্পিকার লেবেল আর SRT সাবটাইটেল এক্সপোর্ট একইভাবে কাজ করে।
- সরলীকৃত না প্রথাগত চীনা, তা ঠিক হয় আপনার সিস্টেমের ভাষা দেখে। ট্রান্সক্রিপশনের পর Whisper Notes আপনার Mac-এই চীনা লেখাকে সরলীকৃত বা প্রথাগত অক্ষরে রূপান্তর করে, আপনার সিস্টেমের ভাষা অনুযায়ী। ভাষা হিসেবে 简体中文 (সরলীকৃত চীনা) বা 繁體中文 (প্রথাগত চীনা) বেছে নিলে সেই পছন্দই মানা হয়।
- উপভাষা পরীক্ষা করা হয়নি। Qwen-এর নিজের মডেল কার্ডে 30টি ভাষা আর চীনার 22টি উপভাষা ও আঞ্চলিক উচ্চারণের কথা আছে। Whisper Notes-এ উপভাষার আলাদা কোনো সেটিং নেই: আপনি চীনা বা Auto বেছে নেন, বাকিটা মডেল সামলায়। আমরা উপভাষা পরীক্ষা করিনি, তাই কোন মডেল সেগুলো কতটা ভালো সামলায়, তা বলতে পারছি না।
- Qwen3-ASR এখনো Beta। কখনো এটা হঠাৎ বন্ধ হয়ে গেলে, পরের বার চালু হওয়ার সময় Whisper Notes এটিকে নিষ্ক্রিয় রেখে অন্য মডেলে চলে যায়, যাতে অ্যাপটা ঠিকমতো খোলে। আবার চেষ্টা করতে চাইলে Settings-এ Qwen3-ASR আবার বেছে নিতে পারেন।
- আমাদের সংখ্যাগুলো পরিষ্কারভাবে পড়া কথার। FLEURS-এর বাক্যগুলো শান্ত পরিবেশে পড়ে শোনানো। মিটিং, শোরগোলের ঘর, দূরের মাইক্রোফোন আর কড়া আঞ্চলিক টানে ব্যবধান যেকোনো দিকে বদলাতে পারে।
- চীনা-ইংরেজি মেশানো কথা পরীক্ষা করা হয়নি। যে বাক্যে চীনা আর ইংরেজি পালা করে আসে, সেখানে কোন মডেল কেমন করে, তা আমরা মাপিনি; তাই কোনো একটায় স্থির হওয়ার আগে আপনার নিজের একটা সাধারণ রেকর্ডিং দিয়ে চালিয়ে দেখুন।
মডেল কীভাবে বদলাবেন?
Mac-এ Settings খুলে Transcription Model (ট্রান্সক্রিপশন মডেল) অংশ পর্যন্ত স্ক্রল করুন। প্রতিটি মডেলের একটা কার্ড আছে, তাতে লেখা থাকে মডেলটির গতি, কীসের জন্য সবচেয়ে ভালো, কতগুলো ভাষা কভার করে, কত মেমরি লাগে আর ডাউনলোড সাইজ। কোনো মডেল ডাউনলোড করতে তার কার্ডে বা কার্ডের ডাউনলোড তীরচিহ্নে ক্লিক করুন; ইনস্টল হয়ে গেলে কার্ডে ক্লিক করলেই সেই মডেলে চলে যাবেন। প্রতিটি কার্ডে ভাষার একটা লিংক আছে: সাধারণত Supported Languages (সমর্থিত ভাষা), আর Qwen3-ASR 1.7B কার্ডে 30 supported languages (30টি সমর্থিত ভাষা)। সেখানে প্রতিটি ভাষার সঙ্গে আমাদের মাপা ত্রুটির হার দেওয়া আছে।
আমাদের ওয়েবসাইটের Mac অ্যাপে Settings → Transcription Model
এরপর ভাষা Auto-তে না রেখে Transcription অংশের Language থেকে ঠিক করে দিন।
SenseVoice কী?
| নির্মাতা | FunAudioLLM, Tongyi Lab, Alibaba Group |
| প্রকাশ | জুলাই 2024, FunAudioLLM পেপারের সঙ্গে |
| আকার | 234 মিলিয়ন প্যারামিটার; আমাদের ওয়েবসাইটের Mac অ্যাপে ডাউনলোড প্রায় 450 MB |
| ভাষা | চীনা, ক্যান্টনিজ, ইংরেজি, জাপানি ও কোরীয় |
| গঠন | নন-অটোরিগ্রেসিভ: একের পর এক টুকরো করে না লিখে, অডিওর পুরো একটা অংশের লেখা এক ধাপে তৈরি করে |
| লাইসেন্স | FunASR Model Open Source License Agreement |
| কোথায় চলে | আপনার ডিভাইসে, অফলাইনে; Mac-এ GPU-তে, Apple-এর MLX-এর মাধ্যমে |
| Whisper Notes-এ | iPhone, Mac App Store ভার্সন আর আমাদের ওয়েবসাইটের Mac অ্যাপ |
FunAudioLLM পেপার থেকে: SenseVoice-Small-এর 234 মিলিয়ন প্যারামিটার, 10 সেকেন্ডের অডিও প্রসেস করতে লাগে 70 ms; Whisper-Large-V3-এর 1,550 মিলিয়ন, লাগে 1,281 ms। দুটোই ডেটাসেন্টারের GPU-তে মাপা, Mac-এ নয়।
Qwen3-ASR এসেছে Alibaba-র Qwen টিম থেকে, Apache 2.0 লাইসেন্সে। Whisper Notes-এ এটা Mac-এর GPU-তে MLX-এর মাধ্যমে 8-bit-এ চলে। 30টি ভাষায় Whisper-এর তুলনায় এর ফলাফল আছে আমাদের Qwen3-ASR বেঞ্চমার্কে।
প্রায়শই জিজ্ঞাসিত প্রশ্ন
চীনা, জাপানি ও কোরীয়র জন্য SenseVoice ভালো, না Qwen3-ASR?
সবচেয়ে কম ভুল চাইলে Qwen3-ASR 1.7B: আমাদের FLEURS পরীক্ষায় চীনাতে এর CER ছিল 6.49%, জাপানিতে 5.74% আর কোরীয়তে 3.54%, যেখানে SenseVoice Small-এর 7.69%, 6.78% আর 7.85%। গতি চাইলে SenseVoice: এটা চলে 115.2–131× রিয়েল-টাইমে, আর Qwen3-ASR চলে 7.6×-এ। Qwen3-ASR (Beta) আছে Mac-এ, Mac App Store ভার্সন আর আমাদের ওয়েবসাইটের Mac অ্যাপ দুটোতেই; SenseVoice iPhone-এও আছে।
SenseVoice কি Whisper-এর চেয়ে ভালো?
এটা অনেক দ্রুত, আর চীনাতে প্রায় সমান। আমাদের FLEURS পরীক্ষায় SenseVoice Small চীনাতে Whisper Large V3 Turbo-র চেয়ে সামান্য বেশি নির্ভুল ছিল (7.69% বনাম 7.97%), আর জাপানিতে (6.78% বনাম 5.30%), কোরীয়তে (7.85% বনাম 4.25%) ও ইংরেজিতে (8.46% বনাম 5.49%) কম নির্ভুল। Apple M4 Pro-তে এটা 27 মিনিটের একটা চীনা পডকাস্ট ট্রান্সক্রাইব করেছে 13.83 সেকেন্ডে, যেখানে Whisper Large V3 Turbo-র লেগেছে 2 মিনিট 4 সেকেন্ড।
SenseVoice বা Qwen3-ASR কি প্রথাগত চীনা অক্ষরে লিখতে পারে?
হ্যাঁ। ট্রান্সক্রিপশনের পর Whisper Notes আপনার Mac-এই লেখাকে সরলীকৃত বা প্রথাগত চীনায় রূপান্তর করে, আপনার সিস্টেমের ভাষা অনুযায়ী, অথবা Language-এ আপনি যে চীনা বেছে নিয়েছেন, সেই অনুযায়ী। SenseVoice আর Qwen3-ASR 1.7B দুটোতেই এটা একইভাবে কাজ করে।
SenseVoice কি iPhone-এ চলে?
হ্যাঁ। iPhone-এর Whisper Notes-এ Parakeet আর Whisper Small-এর পাশাপাশি SenseVoice আছে, আর এটা ফোনেই অফলাইনে চীনা, জাপানি, কোরীয়, ক্যান্টনিজ ও ইংরেজি ট্রান্সক্রাইব করে। Qwen3-ASR 1.7B iPhone-এ পাওয়া যায় না।
ব্যবহার করে দেখুন
SenseVoice আছে iPhone আর Mac-এর Whisper Notes-এ, আর Qwen3-ASR (Beta) আছে শুধু Mac-এ। নিচের বোতাম থেকে App Store-এ iPhone অ্যাপ, অথবা আমাদের ওয়েবসাইট থেকে Mac অ্যাপ নিন। কোনো প্রশ্ন থাকলে ইমেইল করুন support@whispernotes.app-এ।
iOS-এর জন্য ডাউনলোড করুন