সারসংক্ষেপ — তিনটি অন-ডিভাইস মডেলের তুলনা
| Parakeet V3 | SenseVoice Small | Whisper Large V3 Turbo | |
|---|---|---|---|
| 5 মিনিট ইংরেজি | 2.91s (103×) | 5.8s (52×) | 20.92s (14.3×) |
| 27 মিনিট চীনা | চীনা সমর্থন নেই | 13.83s (118×) | 2 মিনিট 4s (13.1×) |
| ভাষা | 25 (ইউরোপীয়) | 5 (zh, en, ja, ko, yue) | 100+ |
| ডাউনলোড | 465 MB | 827 MB | ~1.6 GB |
| সেরা ব্যবহার | ইংরেজি & ইউরোপীয় ভাষা | চীনা, জাপানি, কোরীয়, ক্যান্টনিজ | বাকি সব (100+ ভাষা) |
* গতি বেঞ্চমার্ক Apple M4 Pro, 32 GB-তে। 5 মিনিটের ইংরেজি পডকাস্ট এবং 27 মিনিটের চীনা পডকাস্ট। রিয়েলটাইম ফ্যাক্টর = অডিওর দৈর্ঘ্য ÷ প্রসেসিং সময় (যত বেশি, তত দ্রুত)। বেঞ্চমার্কগুলো Mac সংস্করণ থেকে নেওয়া; SenseVoice iPhone-এও পাওয়া যায়।
সংস্করণ 1.5.0 (Direct Download / DMG) থেকে শুরু করে, Mac-এর জন্য Whisper Notes চীনা, জাপানি, কোরীয় এবং ক্যান্টনিজ ট্রান্সক্রিপশনের জন্য নিবেদিত ইঞ্জিন হিসেবে SenseVoice Small নিয়ে আসে। এটি Qwen3-ASR-এর স্থান নেয় এবং CPU-এর পরিবর্তে MLX-এর মাধ্যমে Apple-এর GPU-তে চলে — 27 মিনিটের চীনা পডকাস্ট 3 মিনিট 44 সেকেন্ডের বদলে 13.83 সেকেন্ডে প্রসেস করে।
আমরা কেন Qwen3-ASR বদলালাম
Qwen3-ASR একটি শক্তিশালী মডেল ছিল। এটি 30টি ভাষা এবং 22টি চীনা উপভাষা সমর্থন করত, এবং এর চীনা নির্ভুলতা প্রায় সর্বোচ্চ মানের ছিল। কিন্তু অডিও যত দীর্ঘ হতো তত বাড়তে থাকা একটি সমস্যা ছিল: গতি।
Qwen3 অটোরিগ্রেসিভ আর্কিটেকচার ব্যবহার করত — Whisper-এর মতো একই পদ্ধতি, ফ্রেম বাই ফ্রেম অডিও প্রসেস করা, কখনো এগিয়ে যায় না। 27 মিনিটের চীনা পডকাস্টে এটি 224 সেকেন্ড নিত। ব্যবহারযোগ্য, কিন্তু Parakeet V3 ইংরেজির জন্য যে তাৎক্ষণিক ফলাফল দেয় সেই অভিজ্ঞতা থেকে দূরে।
গভীর সমস্যাটি ছিল আমাদের অবকাঠামোতে। আমাদের Qwen3 ইন্টিগ্রেশন sherpa-onnx ব্যবহার করত, একটি C লাইব্রেরি যার 2,249 লাইনের Swift র্যাপার সবকিছু CPU কোরের মাধ্যমে রুট করত। আপনার Mac-এর CPU সব কাজ করার সময় GPU অলস বসে থাকত।
SenseVoice দুটি সমস্যাই সমাধান করেছে। গতির জন্য নন-অটোরিগ্রেসিভ আর্কিটেকচার। GPU ত্বরণের জন্য Apple MLX। ফলাফল: একই হার্ডওয়্যারে 16.2 গুণ গতি বৃদ্ধি, কোডবেস 2,249 লাইন থেকে কমে 288 হয়েছে।
বেঞ্চমার্ক
তিনটি মডেলই একই Apple M4 Pro-তে, একই অডিও ফাইল, একই শর্তে চালানো হয়েছে। কোনো ক্লাউড নেই। কোনো ইন্টারনেট নেই। শুধু সিলিকন।
| মডেল | 5 মিনিট ইংরেজি | 27 মিনিট চীনা | গতি (RTFx) |
|---|---|---|---|
| Parakeet V3 | 2.91s | চীনা সমর্থন নেই | 103× |
| SenseVoice Small | 5.8s | 13.83s | 52–118× |
| Whisper Large V3 Turbo | 20.92s | 2 মিনিট 4s | 13–14× |
| Qwen3-ASR (সরানো হয়েছে) | — | 224s | 7.2× |
ইংরেজিতে SenseVoice চলে Parakeet-এর প্রায় অর্ধেক গতিতে — তবুও অসাধারণ দ্রুত। চীনায় Parakeet কোনো বিকল্পই নয়, আর SenseVoice 27 মিনিটের একটি পডকাস্ট 14 সেকেন্ডের কমে শেষ করে। আপনি ট্রান্সক্রাইব চাপেন, এক নিশ্বাস অপেক্ষা করেন, এবং টেক্সট তৈরি।
এটিকে Whisper-এর 2 মিনিট 4 সেকেন্ড বা পুরনো Qwen3-এর 3 মিনিট 44 সেকেন্ডের সাথে তুলনা করুন। আর্কিটেকচার প্যারামিটার সংখ্যার চেয়ে বেশি গুরুত্বপূর্ণ।
FunAudioLLM পেপার থেকে অফিসিয়াল ইনফারেন্স বেঞ্চমার্ক: SenseVoice-Small 10 সেকেন্ডের অডিও 70ms-এ প্রসেস করে (A800 GPU)। Whisper-Large-V3 নেয় 1,281ms, একই হার্ডওয়্যারে। মনে রাখবেন, এটি ডেটাসেন্টার GPU-র ইনফারেন্স লেটেন্সি, উপরের ডিভাইস-ভিত্তিক সংখ্যা নয়।
| মডেল | লোড সময় | ডাউনলোড সাইজ |
|---|---|---|
| Parakeet V3 | 0.77s | 465 MB |
| SenseVoice Small | 0.81s | 827 MB |
| Whisper Small | 1.03s | 600 MB |
| Whisper Large V3 Turbo | 3.18s | ~1.6 GB |
* লোড সময় Apple M4 Pro, 32 GB-তে পরিমাপ করা হয়েছে।
SenseVoice এক সেকেন্ডের কমে লোড হয়। 8 GB Mac-এ, এটি আপনার অন্যান্য অ্যাপ্লিকেশনের পাশাপাশি আরামে চলে।
SenseVoice কেন দ্রুত: আর্কিটেকচার + রানটাইম
Qwen3-ASR এবং SenseVoice-এর মধ্যে গতির ব্যবধান দুটি স্বতন্ত্র কারণ থেকে আসে।
কারণ 1: মডেল আর্কিটেকচার। Qwen3-ASR অটোরিগ্রেসিভ — এটি টেক্সট টোকেন একে একে তৈরি করে, প্রতিটি আগেরটির উপর নির্ভরশীল। SenseVoice একটি নন-অটোরিগ্রেসিভ (NAR) এনকোডার ব্যবহার করে যা সম্পূর্ণ অডিও সমান্তরালে প্রসেস করে। এই আর্কিটেকচারাল পার্থক্যই SenseVoice-কে মৌলিকভাবে দ্রুত করে, আপনি যেকোনো হার্ডওয়্যারে চালান না কেন।
কারণ 2: রানটাইম। আমাদের Qwen3-ASR ইন্টিগ্রেশন sherpa-onnx ব্যবহার করত, যা CPU-তে চলত। SenseVoice Apple MLX-এর মাধ্যমে চলে, কম্পিউটেশন GPU-তে পাঠায়। Qwen3-ও কি MLX-এ চলতে পারত? হ্যাঁ — কিন্তু এটি এখনও SenseVoice-এর চেয়ে ধীর হতো কারণ অটোরিগ্রেসিভ বটলনেক আর্কিটেকচারে, রানটাইমে নয়।
| Qwen3-ASR (পুরনো) | SenseVoice (নতুন) | |
|---|---|---|
| আর্কিটেকচার | অটোরিগ্রেসিভ (টোকেন বাই টোকেন) | নন-অটোরিগ্রেসিভ (সমান্তরাল) |
| রানটাইম | sherpa-onnx (CPU) | Apple MLX (GPU) |
| 27 মিনিট চীনা | 224 সেকেন্ড | 13.83 সেকেন্ড |
| সম্মিলিত গতিবৃদ্ধি | বেসলাইন | 16.2× দ্রুত |
| কোডবেস | 168 MB C ফ্রেমওয়ার্ক + 2,249 লাইন Swift | 288 লাইন Swift Actor |
* একই 27 মিনিটের চীনা পডকাস্ট, Apple M4 Pro। 16.2× গতিবৃদ্ধি আর্কিটেকচারাল (NAR বনাম AR) এবং রানটাইম (GPU বনাম CPU) উভয় উন্নতি মিলিয়ে।
কোডও সহজ হয়েছে। নতুন SenseVoice ইমপ্লিমেন্টেশন একটি একক 288 লাইনের Swift Actor যা সরাসরি MLX-এর সাথে যোগাযোগ করে, 168 MB C ফ্রেমওয়ার্কের স্থান নিয়েছে। কম কোড, কম বাগ, ছোট অ্যাপ।
পাঁচটি ভাষা, ভালোভাবে
SenseVoice সব করার চেষ্টা করে না। এটি পাঁচটি ভাষা সামলায়:
| ভাষা | SenseVoice-Small | Whisper-Large-V3 | বিজয়ী |
|---|---|---|---|
| চীনা (zh-CN) | 10.78% CER | 12.55% CER | SenseVoice (-14%) |
| ক্যান্টনিজ (yue) | 7.09% CER | 10.41% CER | SenseVoice (-32%) |
| জাপানি (ja) | 11.96% CER | 10.34% CER | Whisper (সামান্য) |
| কোরীয় (ko) | 8.28% CER | 5.59% CER | Whisper |
| ইংরেজি (en) | 14.71% WER | 9.39% WER | Whisper (Parakeet ব্যবহার করুন) |
* CommonVoice বেঞ্চমার্ক, CER = ক্যারেক্টার এরর রেট, WER = ওয়ার্ড এরর রেট। কম ভালো। সূত্র: FunAudioLLM পেপার (2024)। SenseVoice-Small ইনফারেন্স লেটেন্সি: 10s অডিওর জন্য 70ms (A800 GPU); একই হার্ডওয়্যারে Whisper-Large-V3-এর লাগে 1,281ms।
CommonVoice বেঞ্চমার্ক: SenseVoice-Small (হলুদ) বনাম Whisper-Small (নীল) বনাম Whisper-Large-V3 (কমলা)। কম ভালো। সূত্র: FunAudioLLM পেপার
সংখ্যাগুলো একটি সৎ গল্প বলে। SenseVoice চীনা এবং ক্যান্টনিজ নির্ভুলতায় Whisper-কে উল্লেখযোগ্য ব্যবধানে হারায়, যেখানে Whisper জাপানি, কোরীয় এবং ইংরেজির জন্য বেশি নির্ভুল। কিন্তু SenseVoice Apple Silicon-এ 52× রিয়েলটাইম বা তার বেশি গতিতে চলে। বেশিরভাগ বাস্তব ব্যবহারে, গতির পার্থক্য নির্ভুলতার কয়েক শতাংশ পয়েন্টের চেয়ে বেশি গুরুত্বপূর্ণ।
ক্যান্টনিজ ফলাফলটি আলাদাভাবে উল্লেখের যোগ্য। Whisper-Small ক্যান্টনিজে 38.97% CER পায় — প্রায় ব্যবহারের অযোগ্য। এমনকি Whisper-Large-V3 শুধু 10.41% অর্জন করে। SenseVoice 7.09% পায়। SenseVoice-এর আগে, Mac-এ স্থানীয়ভাবে ক্যান্টনিজ ট্রান্সক্রাইব করার ভালো কোনো উপায় ছিল না। আপনি যদি ক্যান্টনিজ বলেন, এই মডেলটি আপনার জন্য।
SenseVoice দিয়ে কোরীয় ট্রান্সক্রিপশন: টাইমস্ট্যাম্পড সাবটাইটেল সহ ভিডিও ইম্পোর্ট
বাস্তব পরীক্ষা: 27 মিনিটের চীনা পডকাস্ট
আমরা Thirteen Invitations (十三邀), একটি চীনা সাক্ষাৎকার পডকাস্টের 27 মিনিটের একটি পর্ব, একই M4 Pro-তে SenseVoice এবং Whisper Large V3 Turbo উভয় দিয়ে ট্রান্সক্রাইব করেছি। ElevenLabs Scribe (ক্লাউড) রেফারেন্স হিসেবে ব্যবহৃত হয়েছে। উভয় অন-ডিভাইস মডেল মোটামুটি একই সংখ্যক ত্রুটি করে, তবে ভিন্ন ধরনের:
| SenseVoice | Whisper Large V3 | |
|---|---|---|
| সময় | 13.83s | 2 মিনিট 4s |
| ত্রুটি (5 মিনিটের নমুনা) | ~15–20 | ~12–15 |
| সবচেয়ে খারাপ ত্রুটি | 时差→食堂 (সময়ের পার্থক্য→ক্যান্টিন) | 西昌→西藏 (শিচাং শহর→তিব্বত, 4,000 কিমি ভুল) |
| ত্রুটির ধরন | সমোচ্চারিত শব্দ বদল | ভৌগোলিক/তথ্যগত ত্রুটি |
* ElevenLabs Scribe (ক্লাউড রেফারেন্স, এটিও নিখুঁত নয়)-এর সাথে ম্যানুয়াল তুলনা। উভয় অন-ডিভাইস মডেল "根深蒂固" সঠিকভাবে লিখেছে যেখানে Scribe ভুল করেছে।
তুলনীয় নির্ভুলতা, আর ট্রান্সক্রিপ্ট দুই মিনিটের বদলে 13.83 সেকেন্ডেই হাতে। বাস্তব চীনা ট্রান্সক্রিপশনের জন্য, SenseVoice আপনাকে Whisper লোড শেষ করার আগেই ব্যবহারযোগ্য ট্রান্সক্রিপ্ট দেয়।
কোন মডেল কখন ব্যবহার করবেন
Mac-এর জন্য Whisper Notes এখন দুটি Mac বিল্ডেই চারটি স্পিচ মডেল নিয়ে আসে, আর Mac-এর সরাসরি ডাউনলোড (DMG) 1.6.0 থেকে পঞ্চম একটি যোগ করে: Qwen3-ASR 1.7B (Beta)। নিচের চারটির প্রতিটি ভিন্ন পরিস্থিতির জন্য অপ্টিমাইজ করা:
| আপনার প্রয়োজন... | এই মডেল ব্যবহার করুন | কেন |
|---|---|---|
| ইংরেজি বা ইউরোপীয় ভাষা, সর্বোচ্চ গতি | Parakeet V3 | 103× রিয়েলটাইম, সবচেয়ে কম এরর রেট। ডিফল্ট। |
| চীনা, জাপানি, কোরীয়, বা ক্যান্টনিজ | SenseVoice Small | 52–118× রিয়েলটাইম। iPhone ও Mac App Store বিল্ডে ক্যান্টনিজ সাপোর্ট সহ একমাত্র মডেল। |
| 100+ ভাষার যেকোনোটি (আরবি, থাই, রুশ, ইত্যাদি) | Whisper Large V3 Turbo | সবচেয়ে বিস্তৃত ভাষা সাপোর্ট। ধীর কিন্তু সর্বজনীন। |
| পুরনো Mac-এ সব 101টি ভাষা | Whisper Small | 600 MB, Whisper মডেলগুলোর মধ্যে সবচেয়ে হালকা, তবুও 101টি ভাষা। |
সেটিংস → ট্রান্সক্রিপশন মডেল: আপনার ভাষার জন্য সঠিক ইঞ্জিন বেছে নিন
সেটিংসের মডেল পিকার আপনার বিল্ডে থাকা প্রতিটি মডেল ডাউনলোড সাইজ, ভাষার সংখ্যা এবং মেমোরি প্রয়োজনীয়তা সহ দেখায়। SenseVoice প্রথম ব্যবহারে ডাউনলোড হয় (~827 MB) এবং আপনার ডিভাইসে থাকে।
সীমাবদ্ধতা
SenseVoice একটি সর্বজনীন মডেল নয়। এটি যা করতে পারে না:
• মাত্র 5টি ভাষা। আপনার যদি থাই, রুশ, আরবি, হিন্দি, বা SenseVoice-এর CJK ফোকাসের বাইরের অন্য কোনো ভাষা দরকার হয়, তাহলে Whisper-ই ব্যবহার করুন।
• আপডেট: SenseVoice মূলত Apple MLX-এর মাধ্যমে শুধু Mac-এই এসেছিল, কিন্তু এখন এটি iPhone-এও পাওয়া যায় — iOS Mac-এর মতোই একই মডেল লাইনআপ সমর্থন করে: Parakeet V3, Whisper, এবং SenseVoice।
• শান্ত অডিও সমস্যা। খুব ছোট বা খুব শান্ত অংশে, SenseVoice কখনো কখনো নির্বাচিত ভাষা নির্বিশেষে চীনা আউটপুটে ফিরে যেতে পারে। ভাষা ম্যানুয়ালি সেট করলে ("Auto"-এর বদলে) এটি কমে।
• স্ট্রিমিং নেই। Whisper-এর স্ট্রিমিং মোডের বিপরীতে, SenseVoice রেকর্ডিংয়ের পর সম্পূর্ণ অডিও প্রসেস করে। দীর্ঘ ফাইলের জন্য, এটি নীরব পয়েন্টে স্বয়ংক্রিয়ভাবে ভাগ করে এবং ফলাফল ধীরে ধীরে দেখায়।
এগুলো আর্কিটেকচারাল সীমাবদ্ধতা, বাগ নয়। 5টি ভাষায় প্রশিক্ষিত একটি মডেল সেই 5টি ভাষা অত্যন্ত ভালোভাবে করে। Whisper-এর 100+ ভাষা কভারেজ আসে ধীর গতি এবং ভাষাভেদে অসম নির্ভুলতার সাথে।
সব লোকাল বিকল্প তুলনা করতে চান? প্রতিটি অন-ডিভাইস স্পিচ-টু-টেক্সট মডেল — Whisper ভ্যারিয়েন্ট, Parakeet V3, SenseVoice, এবং Voxtral — পাশাপাশি তুলনা করা আছে আমাদের Whisper মডেল তুলনা পেজে। Whisper সম্পর্কে নতুন? Whisper ট্রান্সক্রিপশন গাইড দিয়ে শুরু করুন — মডেলটি কী, এটি চালানোর প্রতিটি উপায়, এবং খরচ কত।
প্রায়শ জিজ্ঞাসিত প্রশ্ন
চীনা, জাপানি এবং কোরীয় ট্রান্সক্রিপশনের জন্য সবচেয়ে দ্রুত Whisper বিকল্প কী?
SenseVoice Small Whisper Notes-এ Mac এবং iPhone উভয়েই পাওয়া যায়। M4 Pro-তে আমাদের Mac পরীক্ষায়, এটি 27 মিনিটের একটি চীনা পডকাস্ট 13.83 সেকেন্ডে ট্রান্সক্রাইব করেছে (52–118× রিয়েলটাইম), যেখানে Whisper Large V3 Turbo একই ফাইলের জন্য 2 মিনিটের বেশি নিয়েছে।
চীনা ভাষার জন্য SenseVoice কি Whisper-এর চেয়ে ভালো?
চীনা এবং ক্যান্টনিজের জন্য, হ্যাঁ। CommonVoice বেঞ্চমার্কে, SenseVoice চীনায় 10.78% CER পায় যেখানে Whisper-Large-V3 পায় 12.55%, আর আমাদের M4 Pro-তে এটি 27 মিনিটের পডকাস্ট 13.83 সেকেন্ডে করেছে, যেখানে Whisper-এর লেগেছে 2 মিনিট 4 সেকেন্ড। জাপানি এবং কোরীয়র জন্য Whisper সামান্য বেশি নির্ভুল থেকে যায় — এগুলোই যদি আপনার প্রধান ভাষা হয়, দুটি ইঞ্জিনের যেকোনোটিই যুক্তিসঙ্গত।
আমি কি Mac-এ স্থানীয়ভাবে ক্যান্টনিজ ট্রান্সক্রাইব করতে পারি?
হ্যাঁ। SenseVoice ক্যান্টনিজে 7.09% CER পায়, যেখানে Whisper-Large-V3 পায় 10.41% এবং Whisper-Small পায় প্রায় ব্যবহারের অযোগ্য 38.97%। SenseVoice-এর আগে, Mac-এ স্থানীয়ভাবে ক্যান্টনিজ ট্রান্সক্রাইব করার ভালো কোনো উপায় ছিল না।
SenseVoice কি iPhone-এ কাজ করে?
হ্যাঁ। iPhone-এ Whisper Notes Mac-এর মতোই একই মডেল লাইনআপ সমর্থন করে — Parakeet V3, Whisper, এবং SenseVoice — তাই আপনি আপনার iPhone-এও চীনা, জাপানি, কোরীয় এবং ক্যান্টনিজ স্থানীয়ভাবে ট্রান্সক্রাইব করতে পারেন।
ব্যবহার করে দেখুন
SenseVoice Mac-এর জন্য Whisper Notes v1.5.0 (Direct Download / DMG) এবং পরবর্তী সংস্করণে, এবং বর্তমান iPhone অ্যাপে পাওয়া যায়। Mac-এ, সেটিংস → ট্রান্সক্রিপশন মডেল → SenseVoice Small (~827 MB) থেকে ডাউনলোড করুন। Mac সংস্করণের জন্য Apple Silicon (M1 বা পরবর্তী) প্রয়োজন।
আপনি যদি Parakeet V3-তে থাকেন এবং বেশিরভাগ ইংরেজিতে ডিক্টেট করেন, তাহলে পাল্টানোর দরকার নেই। SenseVoice তখনই যখন আপনার চীনা, জাপানি, কোরীয়, বা ক্যান্টনিজ দরকার — এবং আপনি এটি দ্রুত চান।
Mac-এর জন্য ডাউনলোড করুন
সম্পূর্ণ চেঞ্জলগ: whispernotes.app/changelog
প্রশ্ন বা মতামত: mac@whispernotes.app