SenseVoice vs Qwen3-ASR: quin és millor per a xinès, japonès i coreà?

Les xifres de precisió són nostres. Vam passar SenseVoice Small, Qwen3-ASR i Whisper Large V3 Turbo per les mateixes frases llegides de FLEURS, uns 30 minuts per llengua, amb els models que inclou Whisper Notes. Les velocitats són les que l’app mostra a la targeta de cada model i surten d’una prova a part amb clips curts. La resta descriu com funciona avui l’app per a Mac.

Quant més precís és Qwen3-ASR que SenseVoice?

Taxa d’error per caràcter en xinès, japonès i coreà, i taxa d’error per paraula en anglès; com més baixa, millor. El verd marca el valor més baix de cada fila. Prova pròpia amb el conjunt de test de FLEURS, uns 30 minuts i de 139 a 180 frases llegides per llengua, en un Mac. SenseVoice, amb la llengua fixada. Només parla llegida i neta: no inclou sales sorolloses, reunions ni gravacions llargues.

Qwen3-ASR s’equivoca menys que SenseVoice en totes les llengües que vam provar. En xinès i en japonès la diferència és d’un punt, aproximadament: 6,49% (Qwen3-ASR) contra 7,69% (SenseVoice) en xinès, i 5,74% contra 6,78% en japonès. El coreà és on hi ha més diferència: SenseVoice falla més del doble de caràcters, 7,85% contra 3,54%. En anglès, Qwen3-ASR s’equivoca en una paraula de cada 22, aproximadament, i SenseVoice en una de cada 12.

Whisper Large V3 Turbo queda a prop de Qwen3-ASR. Va ser el més precís dels tres en japonès i el segon en coreà i en anglès, però en xinès va quedar una mica per darrere de SenseVoice.

Quant més ràpid és SenseVoice que Qwen3-ASR?

El verd marca el model més ràpid. Són les velocitats que mostren les targetes dels models a l’app: només el temps de processament del motor, sense comptar la càrrega del model, mesurat amb clips curts en una prova d’ús quotidià a part, en un Mac. SenseVoice va anar a 115,2× amb la llengua fixada i a 131× amb detecció automàtica; Qwen3-ASR va donar 7,65× abans d’arrodonir. Els temps per a una hora surten d’aquestes velocitats i estan arrodonits.

SenseVoice és més de 15 vegades més ràpid. En una gravació d’una hora, això són uns trenta segons contra uns vuit minuts. Si transcrius gravacions llargues o vols el text de seguida, aquesta diferència pesa més que un punt de precisió. Si pots esperar uns minuts i vols corregir menys, la diferència importa menys.

Fixa la llengua per guanyar una mica de precisió

Amb la llengua fixada, SenseVoice es va equivocar menys que amb Auto (detecció automàtica) en les quatre llengües: 7,69% contra 7,90% en xinès, 6,78% contra 6,87% en japonès, 7,85% contra 8,09% en coreà i 8,46% contra 8,51% en anglès. Les diferències són petites, però totes van en el mateix sentit. No vam provar Qwen3-ASR ni Whisper amb Auto, així que no en tenim xifres; l’app mateixa aconsella que, excepte amb Parakeet, triar una llengua sol donar més precisió que Auto.

Parakeet és l’excepció: a Whisper Notes, indicar-li la llengua el feia menys precís, i per això sempre detecta la llengua pel seu compte (consulta Parakeet Ultra vs Parakeet V3). Al Mac, l’opció és Language (llengua), dins de Transcription (transcripció), a Settings (configuració).

Quant triguen les gravacions llargues?

En una prova anterior amb una gravació real, en un Apple M4 Pro, SenseVoice va transcriure en 13,83 segons un episodi de 27 minuts d’un pòdcast d’entrevistes en xinès. Whisper Large V3 Turbo va trigar 2 minuts i 4 segons amb el mateix fitxer. Qwen3-ASR no formava part d’aquella prova, que es va fer amb una versió anterior de l’app; la velocitat, uns 117× el temps real, coincideix amb els 115–131× de la targeta del model actual.

Extrapolant aquella prova, a grans trets, una reunió o una classe d’una hora trigaria uns trenta segons amb SenseVoice i uns quatre minuts i mig amb Whisper Large V3 Turbo en aquell Mac. Segons les velocitats d’abans, Qwen3-ASR necessitaria uns vuit minuts.

Cap dels dos models llegeix un fitxer llarg d’una tirada. A l’app per a Mac, SenseVoice divideix l’àudio en trossos de fins a 30 segons, tallats a les pauses, i mostra el text de cada tros tan bon punt l’acaba. Qwen3-ASR també treballa en trossos de fins a 30 segons, tallats al moment més silenciós a prop de cada límit, i el text va apareixent a mesura que es genera. En tots dos casos la transcripció s’omple tros a tros, i pots començar a llegir abans que s’acabi tot el fitxer.

Quin puc fer servir al meu dispositiu?

El verd vol dir disponible; l’ambre, no disponible.

A l’iPhone, SenseVoice és l’opció ràpida per al xinès, el japonès i el coreà, i Whisper Small n’és l’alternativa.

Per què hi ha dues versions per a Mac? La versió de la Mac App Store funciona dins dels límits que Apple posa a les apps de l’App Store, de manera que algunes funcions només són a l’app per a Mac del nostre web: el dictat amb la tecla Fn, l’assistent d’IA local i l’eina de línia d’ordres (els antecedents). Totes dues tenen els mateixos models de reconeixement de veu.

Què necessita cadascun en un Mac

Mides de descàrrega i indicacions de memòria tal com apareixen a la versió actual de l’app per a Mac del nostre web. L’ambre marca un requisit que cal comprovar abans de baixar el model. El pic de memòria surt de la mateixa prova d’ús quotidià que les velocitats d’abans; un GiB és un 7% més que un GB, aproximadament.

Cap dels dos models ve integrat. Cadascun es baixa una sola vegada des de la seva targeta a Settings i després funciona sense connexió. SenseVoice és, amb molta diferència, el més lleuger: la descàrrega és aproximadament una cinquena part de la de Qwen3-ASR, i necessita bastant menys de la meitat de memòria. En un Mac amb menys de 16 GB de memòria, la targeta de Qwen3-ASR mostra la nota de memòria en taronja, com a avís. Com a referència, Whisper Large V3 Turbo és una descàrrega d’uns 2 GB, i la seva targeta indica uns 2,4 GB de memòria.

Quin et convé fer servir?

• Menys errors, al Mac: Qwen3-ASR 1.7B, a les dues versions per a Mac. Va superar SenseVoice en les quatre llengües de la nostra prova. En japonès, Whisper Large V3 Turbo va ser encara una mica més precís: 5,30% contra 5,74%.
• Velocitat, gravacions llargues, un Mac amb poca memòria, o l’iPhone: SenseVoice Small. Una hora d’àudio li porta uns trenta segons en lloc d’uns vuit minuts, i necessita una fracció de la descàrrega i de la memòria.
• Precisió en japonès o coreà sense Qwen3-ASR 1.7B (necessita macOS 15): Whisper Large V3 Turbo, amb un 5,30% contra el 6,78% de SenseVoice en japonès i un 4,25% contra el 7,85% en coreà. És molt més lent que SenseVoice.
• Altres llengües: Parakeet, el model integrat, per a l’anglès i 24 llengües europees més (consulta Parakeet Ultra vs Parakeet V3), i Whisper per a la resta. La comparació de Qwen3-ASR 1.7B amb Whisper en 30 llengües és a la nostra prova de Qwen3-ASR vs Whisper. La taxa d’error de cada model en la teva llengua, en 42 llengües, és a la nostra comparativa de models per llengua.

Què més cal saber?

• Les etiquetes de parlant, les marques de temps i els subtítols funcionen amb tots dos. SenseVoice i Qwen3-ASR donen marques de temps, així que les etiquetes de parlant i l’exportació de subtítols SRT funcionen igual amb qualsevol dels dos.
• El xinès simplificat o tradicional depèn de la llengua del sistema. Després de transcriure, Whisper Notes converteix el text xinès a caràcters simplificats o tradicionals al teu Mac, segons la llengua del sistema. Si fixes la llengua a 简体中文 (xinès simplificat) o 繁體中文 (xinès tradicional), mana aquesta opció.
• Els dialectes no s’han provat. La fitxa del model de Qwen enumera 30 llengües i 22 dialectes i accents xinesos. Whisper Notes no té cap opció a part per als dialectes: tries xinès o Auto, i el model s’encarrega de la resta. No hem provat els dialectes, així que no podem dir com se’n surt cap dels dos models.
• Qwen3-ASR està en fase Beta. Si mai s’atura de manera inesperada, Whisper Notes el desactiva en tornar a arrencar i passa a un altre model, perquè l’app s’obri igualment. Pots tornar a triar Qwen3-ASR a Settings per provar-ho de nou.
• Les nostres xifres són de parla llegida i neta. Les frases de FLEURS es llegeixen en veu alta en un entorn silenciós. Les reunions, les sales sorolloses, els micròfons llunyans i els accents marcats poden canviar les diferències en qualsevol sentit.
• El xinès barrejat amb anglès no s’ha provat. No hem mesurat com es comporta cada model amb frases que alternen xinès i anglès, així que prova una gravació típica teva abans de decidir-te.

Com es canvia de model?

Al Mac, obre Settings i desplaça’t fins a Transcription Model (model de transcripció). Cada model té una targeta amb la velocitat, per a què va millor, quantes llengües cobreix, quanta memòria necessita i quant ocupa la descàrrega. Per baixar un model, fes clic a la seva targeta o a la fletxa de descàrrega que hi ha; un cop instal·lat, fes clic a la targeta per canviar-hi. L’enllaç de llengües de cada targeta (Supported Languages, llengües admeses, o 30 supported languages, 30 llengües admeses, a la targeta de Qwen3-ASR 1.7B) mostra totes les llengües amb la nostra taxa d’error per a cadascuna.

Settings → Transcription Model a l’app per a Mac del nostre web

Després, fixa la llengua a Language, dins de Transcription, en lloc de deixar-la en Auto.

Què és SenseVoice?

De l’article de FunAudioLLM: SenseVoice-Small té 234 milions de paràmetres i processa 10 segons d’àudio en 70 ms; Whisper-Large-V3 en té 1.550 milions i hi triga 1.281 ms. Tots dos en una GPU de centre de dades, no en un Mac.

Qwen3-ASR és obra de l’equip Qwen d’Alibaba i té llicència Apache 2.0. A Whisper Notes funciona a la GPU del Mac mitjançant MLX, en 8 bits. La comparació amb Whisper en 30 llengües és a la nostra prova de Qwen3-ASR.

Preguntes freqüents

Prova-ho

SenseVoice és a Whisper Notes per a iPhone i per a Mac, i Qwen3-ASR (Beta), només al Mac. Amb els botons de sota pots baixar l’app per a iPhone des de l’App Store o l’app per a Mac del nostre web. Tens dubtes? Escriu a support@whispernotes.app.

Descarregar per a iOS Descarregar per a macOS