Des de macOS 26 i iOS 26, Apple ofereix una nova generació de reconeixement de veu al dispositiu: SpeechAnalyzer i SpeechTranscriber, que d’ara endavant anomenarem Apple Speech. És força més precís que l’antic motor de dictat. El que volíem saber era com es compara en l’ús real amb els models oberts al dispositiu que es descarreguen —Whisper, Parakeet, Qwen3-ASR i SenseVoice—: el reconeixement de veu integrat d’Apple ja és prou bo per prescindir completament d’una app de transcripció?
Quant millora respecte del dictat que ja tenies?
Fins ara, el reconeixement de veu d’un Mac era el motor de l’època de SFSpeechRecognizer, el que encara utilitza avui el dictat del sistema (DictationTranscriber). macOS 26 i iOS 26 incorporen l’API SpeechAnalyzer i el seu mòdul SpeechTranscriber. Vam executar tots dos en la partició de test de FLEURS, unes 150 frases i 30 minuts per llengua, al mateix Mac.
| Llengua | Dictat d’Apple | Apple Speech |
|---|---|---|
| Coreà | 7,11 | 4,31 |
| Italià | 6,93 | 4,39 |
| Espanyol (Llatinoamèrica) | 8,43 | 5,41 |
| Alemany | 12,69 | 6,26 |
| Japonès | 9,37 | 6,36 |
| Francès | 17,10 | 7,61 |
| Xinès | 10,28 | 7,97 |
| Cantonès | 10,18 | 8,69 |
| Anglès | 13,83 | 8,80 |
| Portuguès (Brasil) | 10,85 | 9,35 |
Totes les llengües que tots dos motors d’Apple van mesurar correctament, ordenades segons la taxa d’error d’Apple Speech; el verd assenyala el millor valor de la fila. La mateixa prova, els mateixos fragments i el mateix Mac. CER per al japonès, el coreà, el xinès i el cantonès; WER per a la resta.
Apple Speech és més precís en les deu llengües que tots dos motors van mesurar correctament. En francès i alemany desapareix més de la meitat dels errors; en la llengua mediana, aproximadament un terç; i en portuguès brasiler i cantonès, prop d’un error de cada set.
Dictat encara cobreix més llengües. Apple Speech va retornar resultats per a 21 de les 83 configuracions de llengua d’aquesta prova i Dictat per a 33, incloses les tres que falten aquí al motor nou: neerlandès, polonès i rus, amb 17,34, 13,50 i 13,13. Tampoc no hi ha cap llista fixa que es pugui citar. Els recursos de llengua pertanyen a macOS, de manera que una app consulta en temps d’execució quins té disponibles cada equip.
Així doncs, pots prescindir dels models descarregats?
Sis motors, els mateixos fragments i un Mac. Les deu llengües següents són de les més utilitzades, en un ordre fix que no té res a veure amb les puntuacions.
| Llengua | Apple Speech | Qwen3-ASR | Whisper Large | Whisper Small | Parakeet | SenseVoice |
|---|---|---|---|---|---|---|
| Anglès | 8,80 | 4,49 | 5,49 | 7,04 | 6,89 | 8,46 |
| Alemany | 6,26 | 2,85 | 4,05 | 8,67 | 6,26 | — |
| Neerlandès | — | 7,36 | 5,69 | 16,75 | 8,58 | — |
| Rus | — | 5,65 | 5,13 | 11,37 | 7,12 | — |
| Polonès | — | 12,59 | 5,45 | 15,81 | 8,30 | — |
| Japonès | 6,36 | 5,74 | 5,30 | 11,37 | — | 6,78 |
| Coreà | 4,31 | 3,54 | 4,25 | 7,30 | — | 7,85 |
| Francès | 7,61 | 4,57 | 5,97 | 13,24 | 5,83 | — |
| Xinès | 7,97 | 6,49 | 7,97 | 20,50 | — | 7,69 |
| Espanyol (Llatinoamèrica) | 5,41 | 3,38 | 3,62 | 6,22 | 4,86 | — |
Deu de les llengües més utilitzades, un motor per columna. Cada cel·la indica la taxa d’error del motor; com més baixa, millor. El verd assenyala la més baixa de la fila i el blanc la segona. CER per al japonès, el coreà i el xinès; WER per a la resta, sense combinar-los mai en una sola xifra. La nostra pròpia prova amb FLEURS, feta per l’equip de Whisper Notes, en un M5 MacBook Air i parla llegida.
Noms abreujats: Qwen3-ASR = Qwen3-ASR 1.7B, Whisper Large = Whisper Large V3 Turbo, Parakeet = Parakeet V3, SenseVoice = SenseVoice Small. Un guió indica que el motor no té cap model per a aquella llengua.
Qwen3-ASR 1.7B obté la taxa d’error més baixa en sis de les deu llengües, Whisper Large V3 Turbo en les altres quatre i Apple Speech en cap. On més s’acosta és en coreà, a 0,77 punts del líder de la fila, seguit del japonès amb 1,06 i el xinès amb 1,48, on empata amb Whisper Large V3 Turbo en 7,97. On més se n’allunya és en anglès, amb 8,80 (Apple Speech) contra 4,49 (Qwen3-ASR 1.7B), i no hi ha resultats d’Apple Speech per al neerlandès, el polonès ni el rus.
Contra Whisper Small, Apple Speech va ser més precís en vuit de les deu llengües que tots dos van mesurar correctament. Les dues en què va perdre són l’anglès, amb 8,80 (Apple Speech) contra 7,04 (Whisper Small), i el portuguès brasiler, amb 9,35 contra 8,61.
Una prova comparativa publicada al juliol va mesurar Apple Speech contra Whisper Small en anglès i va situar Apple per davant. Importa quin Whisper s’inclou en la comparació, i també els fragments. Aquella prova va utilitzar LibriSpeech, amb narradors d’audiollibres llegint en veu alta; la nostra utilitza FLEURS, amb molts parlants diferents llegint frases de la Viquipèdia. La nostra prova mostra la diferència en anglès, però no permet saber què la causa.
Contra Whisper Large V3 Turbo s’inverteix l’ordre. Apple Speech queda per darrere en vuit d’aquelles deu llengües, empata en xinès amb 7,97 i només lidera en cantonès, amb 8,69 (Apple Speech) contra 36,75 (Whisper Large V3 Turbo); consulta la fila del cantonès més avall. Les notes de la versió de Turbo d’OpenAI inclouen el cantonès entre les llengües en què el model empitjora més, així que 36,75 és una feblesa coneguda de Whisper, no una peculiaritat de la nostra prova.
En coreà, Apple Speech s’equivoca en aproximadament un caràcter de cada 23. El model més precís d’aquesta prova, Qwen3-ASR 1.7B, s’equivoca en aproximadament un de cada 28: 4,31 (Apple Speech) contra 3,54 (Qwen3-ASR 1.7B).
Parakeet V3 requereix una descàrrega de 465 MB i és més precís en totes les llengües europees que tots dos cobreixen: 6,89 (Parakeet V3) contra 8,80 (Apple Speech) en anglès; 5,83 contra 7,61 en francès; 4,86 contra 5,41 en espanyol; 3,43 contra 4,39 en italià; i 6,49 contra 9,35 en portuguès brasiler. En alemany empaten en 6,26. No admet japonès, coreà, xinès ni cantonès, on Apple Speech és l’únic dels dos que existeix.
Entre les sis files que lidera Qwen3-ASR 1.7B hi ha l’anglès, l’alemany, el francès i l’espanyol.
SenseVoice Small és el motor més ràpid d’aquesta prova, a 162,3× el temps real, i en xinès i anglès està al mateix nivell que Apple Speech: 7,69 (SenseVoice Small) contra 7,97 (Apple Speech) i 8,46 contra 8,80. En coreà queda molt per darrere, amb 7,85 (SenseVoice Small) contra 4,31 (Apple Speech).
Mida i velocitat
| Motor | Velocitat | Pic de memòria | Descàrrega |
|---|---|---|---|
| SenseVoice Small | 162,3× el temps real | 0,95 GiB | 827 MB |
| Parakeet V3 | 75,6× el temps real | 0,09 GiB | 465 MB |
| Apple Speech | 30,8× el temps real | no indicat | <5 MB |
| Qwen3-ASR 1.7B | 11,1× el temps real | 2,43 GiB | uns 2,5 GB |
| Whisper Small | 7,9× el temps real | 0,87 GiB | 600 MB |
| Whisper Large V3 Turbo | 3,0× el temps real | 1,87 GiB | uns 1,6 GB |
La velocitat és la mediana de cada motor en les tretze llengües que aquest article mesura correctament, comptant només aquelles que va executar: el rendiment de processament d’elements aïllats, una dada de diagnòstic i no la latència del producte. El pic de memòria és el màxim del grup de processos en aquesta prova. Apple Speech descodifica dins d’un servei de macOS que no pertany a l’app que el crida, de manera que cap xifra tindria allà el mateix significat que per als altres cinc.
Apple Speech va funcionar a 30,8× el temps real, per darrere de Parakeet V3 amb 75,6× i SenseVoice Small amb 162,3×. El seu paquet de llengua el descarrega macOS una sola vegada i el comparteixen totes les apps, així que no s’assigna res en el procés propi de l’app. El servei que fa la descodificació continua utilitzant memòria, però no la podem atribuir amb exactitud, així que no indiquem cap xifra en comptes de mostrar un zero.
Whisper Large V3 Turbo és el motor més lent d’aquesta prova, a 3,0× el temps real, i obté la taxa d’error més baixa en quatre de les deu files, amb uns 1,6 GB al disc. Qwen3-ASR 1.7B guanya les altres sis, amb uns 2,5 GB al disc i un pic de 2,43 GiB. Whisper Small és la comparació justa per a un motor integrat, amb 600 MB.
Per a quines llengües és una bona opció Apple Speech?
Llengua per llengua:
- Anglès: no és una bona opció. Apple Speech va obtenir 8,80; Qwen3-ASR 1.7B (4,49) o Whisper Large V3 Turbo (5,49) és clarament més precís.
- Alemany: no és una bona opció. Apple Speech va obtenir 6,26; Qwen3-ASR 1.7B (2,85) o Whisper Large V3 Turbo (4,05) és clarament més precís.
- Neerlandès, rus i polonès: Apple Speech no té cap model per a aquestes tres llengües. Whisper Large V3 Turbo va ser el més precís en cadascuna, amb 5,69, 5,13 i 5,45.
- Japonès: es pot utilitzar. Apple Speech va obtenir 6,36, per darrere de Whisper Large V3 Turbo, amb 5,30.
- Coreà: es pot utilitzar. Apple Speech va obtenir 4,31, per darrere de Qwen3-ASR 1.7B, amb 3,54.
- Francès: no és una bona opció. Apple Speech va obtenir 7,61; Qwen3-ASR 1.7B (4,57) o Parakeet V3 (5,83) és clarament més precís.
- Xinès: es pot utilitzar. Apple Speech va obtenir 7,97, igual que Whisper Large V3 Turbo; el més precís va ser Qwen3-ASR 1.7B, amb 6,49.
- Espanyol: no és una bona opció. Apple Speech va obtenir 5,41; Qwen3-ASR 1.7B (3,38) o Whisper Large V3 Turbo (3,62) és clarament més precís.
Els models descarregats encara guanyen en precisió: totes les files de la taula principal estan liderades per Qwen3-ASR 1.7B o Whisper Large V3 Turbo. Apple Speech és una opció real per al coreà, el japonès i el xinès; Parakeet V3 és el més indicat per a les llengües europees.
A Whisper Notes per a Mac, Parakeet V3 continua sent el model predeterminat. A l’app per a Mac que baixes del nostre web, Apple Speech està disponible com a model opcional en macOS 26 o posterior, i l’app només ofereix una llengua quan macOS indica que el teu Mac l’admet.
Apple Speech és el nom abreujat que aquest article dona al SpeechTranscriber d’Apple, l’API al dispositiu que qualsevol app per a Mac pot utilitzar en macOS 26 o posterior. És un motor del sistema, no pas un model que descarreguis: Whisper Notes per a Mac el pot fer servir a la versió que es baixa del nostre web, amb el paquet de llengua que proporciona macOS. Els models que descarrega la mateixa app continuen sent Whisper, Parakeet V3, SenseVoice i Qwen3-ASR en aquesta versió, i Whisper, Parakeet V3 i SenseVoice a l’iPhone i a la versió de la Mac App Store. La taula per motor és la nostra llista de les llengües que admeten Whisper, Parakeet V3 i SenseVoice.
Més enllà de les deu llengües
| Llengua | Apple Speech | Qwen3-ASR | Whisper Large | Whisper Small | Parakeet | SenseVoice |
|---|---|---|---|---|---|---|
| Italià | 4,39 | 2,58 | 2,58 | 7,64 | 3,43 | — |
| Cantonès | 8,69 | 6,44 | 36,75 | 119,01 | — | 37,23 |
| Portuguès (Brasil) | 9,35 | 5,17 | 5,44 | 8,61 | 6,49 | — |
| Hindi | 101,50 | 13,19 | 29,64 | 61,26 | — | — |
Quatre llengües més de la mateixa prova. Les mateixes columnes, colors i abreviatures d’abans; CER per al cantonès i WER per a la resta.
El resultat d’Apple Speech en hindi no s’inclou en la classificació d’aquella fila pel motiu que s’explica a continuació. Una taxa d’error pot superar el 100% perquè les insercions també compten en el numerador.
L’italià, amb 4,39 (Apple Speech), queda per darrere de l’empat en 2,58 entre Qwen3-ASR 1.7B i Whisper Large V3 Turbo. El cantonès és la llengua en què Apple Speech va quedar per davant de Whisper Large V3 Turbo, amb 8,69 (Apple Speech) contra 36,75 (Whisper Large V3 Turbo), i Qwen3-ASR 1.7B va ser el primer amb 6,44. El portuguès brasiler obté 9,35 (Apple Speech), una de les dues files en què Whisper Small, amb 8,61, queda per davant.
L’hindi dona un resultat d’un altre tipus. Apple Speech va escriure l’hindi amb lletres angleses en lloc de fer-ho amb el sistema d’escriptura propi de l’hindi, de manera que gairebé totes les paraules compten com a incorrectes i la taxa supera el 100%. El telugu, l’urdu, el panjabi, el bengalí, el nepalès, el malayalam, el marathi, el kannada, el gujarati i el tamil van donar el mateix tipus de resultat, tots per sobre del 100%, així que no s’inclouen a la taula.
Com funciona SpeechAnalyzer
SpeechAnalyzer substitueix l’API de reconeixement de veu que Apple ofereix des d’iOS 10, en totes les plataformes d’Apple excepte watchOS. Una app crea un SpeechAnalyzer, li assigna mòduls i li proporciona àudio com una seqüència asíncrona que ella mateixa alimenta; SpeechTranscriber és el mòdul que converteix la veu en text. Els resultats tornen com una segona seqüència, normalment en una altra tasca, i cada memòria intermèdia i cada resultat porten una marca de temps referida a la línia temporal de l’àudio.
Una sessió, tres tasques: l’àudio entra com una AsyncSequence, SpeechAnalyzer i SpeechTranscriber l’analitzen i els resultats tornen en una segona AsyncSequence que pot llegir la interfície. Font: Apple, sessió 277 de la WWDC25.
Els resultats arriben dues vegades. Tot el que es troba dins del que Apple anomena interval volàtil encara es pot substituir per un resultat millor; el que queda fora és definitiu. Així és com una app pot mostrar una transcripció aproximada mentre encara parles i corregir-la després. Apple declara cinc objectius de disseny per al model SpeechTranscriber: àudio llarg, parla conversacional, parlants llunyans, baixa latència i privacitat, és a dir, execució al dispositiu. Notes, Notes de Veu, Diari i els resums de trucades s’hi basen.
Els cinc objectius de disseny declarats per Apple per al model SpeechTranscriber. Font: Apple, sessió 277 de la WWDC25.
Els models no formen part de cap app. Es descarreguen dels servidors d’Apple mitjançant AssetInventory, el sistema els emmagatzema i actualitza, i es comparteixen entre apps. No afegeixen res a la mida de descàrrega d’una app, i la descodificació té lloc fora del procés que fa la crida. Quan SpeechTranscriber no disposa d’un model per a una llengua o un dispositiu, DictationTranscriber pren el relleu amb els mateixos models que el dictat del sistema.
Mètode i limitacions
Cinc dels sis motors d’aquestes taules són models que descarrega Whisper Notes. Cada motor va transcriure els mateixos fragments, en el mateix ordre i d’un en un, en un M5 MacBook Air (32 GB, macOS 27.0). L’àudio prové del conjunt de test de Google FLEURS, revisió 70bb2e84, amb unes 150 frases i 30 minuts per llengua. Un hash fix dels identificadors d’elements del mateix conjunt de dades ordena els elements, i agafem la seqüència més curta d’elements complets que supera els trenta minuts; cap resultat dels models va intervenir en aquesta elecció. Cada cel·la es va reconstruir a partir del seu propi registre i es va tornar a comprovar: les 285 van passar. Les puntuacions són la taxa d’error per paraula quan les paraules se separen amb espais, i la taxa d’error per caràcter per al japonès, el coreà, el xinès i el cantonès, sense combinar-les mai en una sola xifra.
Pots contrastar les columnes de Whisper amb les xifres publicades per OpenAI. En les dotze llengües per a les quals OpenAI publica un resultat de FLEURS per a Whisper Large V3 Turbo, les nostres xifres difereixen una mitjana de 0,7 punts de les seves i deu de les dotze queden dins de l’interval del 95% de la nostra prova; en les onze llengües fora de les files de l’Àsia del Sud, les nostres xifres de Whisper Small difereixen una mitjana d’1,0 punts de la taula per llengua de l’article sobre Whisper. La columna d’Apple Speech prové dels mateixos fragments, el mateix sistema de puntuació i el mateix normalitzador.
FLEURS conté parla llegida i neta. Res del que apareix aquí indica com es comporten aquests motors en una sala sorollosa o durant una reunió de dues hores, i no vam mesurar quina distància els separa en aquestes condicions. Tot es va executar en un sol equip. Amb unes 150 frases per llengua, dos motors separats per menys d’aproximadament un punt estan empatats; les taules ja marquen així els empats exactes, com en italià, on Qwen3-ASR 1.7B i Whisper Large V3 Turbo van obtenir tots dos 2,58.
Preguntes freqüents
Apple Speech o Whisper Small: quin és més precís?
Apple Speech, en vuit de les deu llengües que tots dos van mesurar correctament. Perd en anglès, amb 8,80 (Apple Speech) contra 7,04 (Whisper Small), i en portuguès brasiler, amb 9,35 contra 8,61. On treu més avantatge és en xinès, amb 7,97 (Apple Speech) contra 20,50 (Whisper Small); en francès, 7,61 contra 13,24; en japonès, 6,36 contra 11,37; i en cantonès, 8,69 contra 119,01. Whisper Small requereix una descàrrega de 600 MB i va anar a 7,9× el temps real, contra 30,8× d’Apple Speech.
Apple Speech o Parakeet V3: quin és més precís?
Parakeet V3, en totes les llengües europees que tots dos cobreixen: 6,89 (Parakeet V3) contra 8,80 (Apple Speech) en anglès; 5,83 contra 7,61 en francès; 4,86 contra 5,41 en espanyol; 3,43 contra 4,39 en italià; i 6,49 contra 9,35 en portuguès brasiler. En alemany empaten en 6,26. Parakeet V3 no admet japonès, coreà, xinès ni cantonès, on Apple Speech és l’únic dels dos que existeix. Parakeet V3 requereix una descàrrega de 465 MB i va anar a 75,6× el temps real, i Apple Speech a 30,8×.
Apple Speech o Whisper Large V3 Turbo: quin és més precís?
Whisper Large V3 Turbo, en vuit de les deu llengües que tots dos van mesurar correctament: anglès 5,49 (Whisper Large V3 Turbo) contra 8,80 (Apple Speech); alemany 4,05 contra 6,26; japonès 5,30 contra 6,36; coreà 4,25 contra 4,31; francès 5,97 contra 7,61; espanyol 3,62 contra 5,41; italià 2,58 contra 4,39; i portuguès brasiler 5,44 contra 9,35. En xinès empaten en 7,97; Apple Speech només lidera en cantonès, amb 8,69 (Apple Speech) contra 36,75 (Whisper Large V3 Turbo). Turbo també cobreix el neerlandès, el rus i el polonès, amb 5,69, 5,13 i 5,45. Ocupa al voltant d’1,6 GB i és el motor més lent d’aquesta prova, a 3,0× el temps real.
Quines llengües admet Apple Speech?
A la nostra prova, Apple Speech va retornar resultats en 21 de 83 configuracions: anglès, alemany, francès, espanyol, italià, portuguès (Brasil), japonès, coreà, xinès, cantonès i onze llengües de l’Àsia del Sud —hindi, telugu, urdu, panjabi, bengalí, nepalès, malayalam, marathi, kannada, gujarati i tamil—, en què va respondre amb lletres angleses i no amb el seu propi sistema d’escriptura. No hi ha neerlandès, polonès ni rus; macOS decideix la llista a cada màquina. On més s’acosta als líders de la fila és en coreà, japonès i xinès, a 0,77, 1,06 i 1,48 punts, i on més se n’allunya és en anglès, amb 8,80 (Apple Speech) contra 4,49 (Qwen3-ASR 1.7B); en les deu llengües que tots dos van mesurar queda per davant de l’antic dictat. Whisper a Whisper Notes cobreix tota la llista de llengües de l’app en tots els canals.
Què és SpeechAnalyzer i és el mateix que Dictat d’Apple?
SpeechAnalyzer és l’API que Apple va presentar a la WWDC 2025 i va publicar amb macOS 26 i iOS 26. SpeechTranscriber és el motor de transcripció que conté, l’Apple Speech d’aquest article; Dictat és l’antic motor de compatibilitat. Vam provar tots dos, i Apple Speech va ser més precís en les deu llengües que tots dos van mesurar correctament. Dictat cobreix més llengües, 33 configuracions contra 21, inclosos el neerlandès, el polonès i el rus amb un WER del 17,34%, 13,50% i 13,13% (Dictat), contra el 5,69%, 5,45% i 5,13% (Whisper Large V3 Turbo).
L’àudio surt del meu Mac quan utilitzo Apple Speech?
Apple documenta SpeechTranscriber com a reconeixement de veu al dispositiu: macOS descarrega una vegada els recursos de llengua i el reconeixement s’executa en local. Vam mesurar la precisió i la velocitat, no el comportament de la xarxa, de manera que descrivim aquesta part tal com ho fa Apple. Els motors que descarrega Whisper Notes —Whisper, Parakeet V3, SenseVoice i Qwen3-ASR— s’executen a la GPU o el Neural Engine del teu Mac, sense compte ni API key, i la transcripció funciona sense connexió en tots els canals. Apple Speech està disponible a l’app per a Mac del nostre web, en macOS 26 o posterior: un motor del sistema al teu propi Mac, amb el paquet de llengua que descarrega macOS.
Per què aquestes xifres no coincideixen amb la precisió que obtinc a les meves gravacions?
Perquè FLEURS conté parla llegida, curta i neta, i les teves gravacions no. La nostra prova és un calibratge amb un conjunt de dades públic: unes 150 frases i 30 minuts per llengua, un M5 MacBook Air i els mateixos fragments per a cada motor. Indica si un motor és una opció raonable per a la teva llengua, no el que obtindràs en una reunió, amb àudio sorollós o en un fitxer de dues hores.
Prova-ho
Els cinc models descarregables d’aquest article —Whisper Small, Whisper Large V3 Turbo, Parakeet V3, SenseVoice Small i Qwen3-ASR 1.7B— són a l’app Whisper Notes per a Mac que baixes del nostre web, a Configuració i, després, Model de transcripció. En macOS 26 o posterior, Apple Speech apareix a la mateixa llista; si ja tens l’app, actualitza-la a la darrera versió.
Si les nostres xifres no coincideixen amb la teva experiència en una llengua, escriu a mac@whispernotes.app. Notes completes de la versió: whispernotes.app/changelog.
Fonts: la nostra prova amb el conjunt de test de Google FLEURS, revisió 70bb2e84; la documentació d’Apple sobre SpeechAnalyzer, i la prova anterior de Qwen3-ASR en trenta llengües que la va precedir.
Descarrega per a macOS