SenseVoice vs Qwen3-ASR: který je lepší pro čínštinu, japonštinu a korejštinu?

Čísla přesnosti jsou naše vlastní. SenseVoice Small, Qwen3-ASR a Whisper Large V3 Turbo jsme spustili na stejných čtených větách z FLEURS, zhruba 30 minut zvuku na jazyk, ve stejných verzích, jaké používá Whisper Notes. Rychlosti jsou ty, které aplikace ukazuje na kartě každého modelu; pocházejí ze samostatného testu na krátkých nahrávkách. Všechno ostatní vychází z toho, jak aplikace pro Mac funguje dnes.

O kolik je Qwen3-ASR přesnější než SenseVoice?

Pro čínštinu, japonštinu a korejštinu chybovost znaků, pro angličtinu chybovost slov; nižší je lepší. Zeleně je nejnižší hodnota v každém řádku. Vlastní měření na testovací sadě FLEURS, zhruba 30 minut a 139 až 180 čtených vět na jazyk, na Macu. SenseVoice s nastaveným jazykem. Jen čistá čtená řeč: hlučné místnosti, schůzky a dlouhé nahrávky test nepokrývá.

Qwen3-ASR dělá méně chyb než SenseVoice ve všech jazycích, které jsme testovali. V čínštině a japonštině je rozdíl zhruba jeden procentní bod: v čínštině 6,49 % (Qwen3-ASR) proti 7,69 % (SenseVoice), v japonštině 5,74 % proti 6,78 %. Největší rozdíl je v korejštině: SenseVoice tam přepíše špatně víc než dvakrát tolik znaků, 7,85 % proti 3,54 %. V angličtině přepíše Qwen3-ASR špatně zhruba jedno slovo z 22, SenseVoice zhruba jedno z 12.

Whisper Large V3 Turbo má ke Qwen3-ASR blízko. V japonštině byl ze všech tří nejpřesnější, v korejštině a angličtině druhý, v čínštině ale mírně zaostal za SenseVoice.

O kolik je SenseVoice rychlejší než Qwen3-ASR?

Zeleně je rychlejší model. Jde o rychlosti z karet modelů v aplikaci: čistý čas zpracování bez načítání modelu, změřený na krátkých nahrávkách v samostatném testu běžného používání na Macu. SenseVoice dosáhl 115,2× s nastaveným jazykem a 131× s automatickým rozpoznáním jazyka; u Qwen3-ASR vyšlo před zaokrouhlením 7,65×. Časy pro jednu hodinu jsou z těchto rychlostí dopočítané a zaokrouhlené.

SenseVoice je víc než 15krát rychlejší. U hodinové nahrávky to znamená zhruba půl minuty proti asi osmi minutám. Pokud přepisujete dlouhé nahrávky nebo chcete text hned, je tenhle rozdíl důležitější než procentní bod přesnosti. Pokud můžete pár minut počkat a chcete méně opravovat, tak ne.

Zvolený jazyk přesnost trochu zlepší

S nastaveným jazykem dělal SenseVoice ve všech čtyřech jazycích méně chyb než s volbou Automaticky: v čínštině 7,69 % proti 7,90 %, v japonštině 6,78 % proti 6,87 %, v korejštině 7,85 % proti 8,09 % a v angličtině 8,46 % proti 8,51 %. Rozdíly jsou malé, ale všechny ukazují stejným směrem. Qwen3-ASR ani Whisper jsme s volbou Automaticky nespouštěli, takže pro ně čísla nemáme; aplikace sama uvádí, že kromě Parakeetu je zvolený jazyk obvykle přesnější než Automaticky.

Výjimkou je Parakeet: ve Whisper Notes byl se zadaným jazykem méně přesný, a proto jazyk vždy rozpoznává sám (viz Parakeet Ultra vs Parakeet V3). Na Macu je to volba Jazyk v Nastavení, v části Přepis.

Jak dlouho trvá přepis dlouhých nahrávek?

V dřívějším testu se skutečnou nahrávkou na Apple M4 Pro přepsal SenseVoice 27minutový díl čínského rozhovorového podcastu za 13,83 sekundy. Whisper Large V3 Turbo potřeboval na stejný soubor 2 minuty 4 sekundy. Qwen3-ASR v tomto testu nebyl. Test proběhl na starší verzi aplikace; přepis byl zhruba 117× rychlejší než v reálném čase, což odpovídá 115–131× na dnešní kartě modelu.

Když to z tohoto testu zhruba přepočítáme, SenseVoice by na tomto Macu přepsal hodinovou schůzku nebo přednášku zhruba za půl minuty a Whisper Large V3 Turbo zhruba za čtyři a půl minuty. Podle rychlostí výše by Qwen3-ASR potřeboval zhruba osm minut.

Ani jeden model nečte dlouhý soubor najednou. SenseVoice v aplikaci pro Mac rozdělí zvuk v pauzách na úseky dlouhé nejvýš 30 sekund a text každého úseku ukáže, jakmile je hotový. Qwen3-ASR také pracuje po úsecích do 30 sekund; dělí je v nejtišším místě poblíž každé hranice a text se objevuje průběžně, jak ho model píše. V obou případech se přepis doplňuje úsek po úseku a číst můžete dřív, než je hotový celý soubor.

Který model můžu použít na svém zařízení?

Zelená znamená dostupné, oranžová nedostupné.

Na iPhonu je SenseVoice rychlou volbou pro čínštinu, japonštinu a korejštinu a alternativou je Whisper Small.

Proč dvě verze pro Mac? Verze z Mac App Store funguje v mezích, které Apple stanovuje aplikacím z App Store, takže několik funkcí má jen aplikace pro Mac z našeho webu: hlasové psaní klávesou Fn, lokálního AI asistenta a nástroj příkazové řádky (souvislosti). Modely řeči mají obě verze stejné.

Co který model potřebuje na Macu

Velikosti ke stažení a údaje o paměti tak, jak je ukazuje aktuální aplikace pro Mac z našeho webu. Oranžově je označen požadavek, který je dobré ověřit před stažením. Špičková paměť pochází ze stejného testu běžného používání jako rychlosti výše; GiB je zhruba o 7 % víc než GB.

Ani jeden model není vestavěný. Každý se jednou stáhne ze své karty v Nastavení a pak funguje offline. SenseVoice je z obou mnohem lehčí: ke stažení má zhruba pětinu velikosti Qwen3-ASR a paměti potřebuje výrazně méně než polovinu. Na Macu s méně než 16 GB paměti zobrazí karta Qwen3-ASR údaj o paměti oranžově jako varování. Pro srovnání: Whisper Large V3 Turbo má ke stažení asi 2 GB a jeho karta uvádí asi 2,4 GB paměti.

Který z nich použít?

• Nejméně chyb na Macu: Qwen3-ASR 1.7B, v obou verzích pro Mac. V našem testu porazil SenseVoice ve všech čtyřech jazycích. V japonštině byl Whisper Large V3 Turbo ještě o něco přesnější, 5,30 % proti 5,74 %.
• Rychlost, dlouhé nahrávky, Mac s menší pamětí nebo iPhone: SenseVoice Small. Hodina zvuku zabere asi půl minuty místo asi osmi a stačí mu zlomek velikosti ke stažení i paměti.
• Přesnost v japonštině nebo korejštině bez Qwen3-ASR 1.7B (ten vyžaduje macOS 15): Whisper Large V3 Turbo, v japonštině 5,30 % proti 6,78 % u SenseVoice a v korejštině 4,25 % proti 7,85 %. Je ale mnohem pomalejší než SenseVoice.
• Ostatní jazyky: Parakeet, vestavěný model, pro angličtinu a 24 dalších evropských jazyků (viz Parakeet Ultra vs Parakeet V3), a Whisper pro všechny ostatní. Srovnání Qwen3-ASR 1.7B s Whisperem ve 30 jazycích najdete v našem benchmarku Qwen3-ASR vs Whisper. Chybovost každého modelu ve 42 jazycích ukazuje souhrnná tabulka modelů Whisper Notes.

Co dalšího je dobré vědět?

• Označení mluvčích, časové značky a titulky fungují s oběma. SenseVoice i Qwen3-ASR vracejí časové značky, takže označení mluvčích i export titulků SRT fungují s oběma modely stejně.
• Zjednodušená, nebo tradiční čínština se řídí jazykem systému. Po přepisu Whisper Notes převede čínský text přímo na Macu na zjednodušené nebo tradiční znaky podle jazyka systému. Pokud nastavíte jazyk na 简体中文 (zjednodušená čínština) nebo 繁體中文 (tradiční čínština), rozhoduje místo toho tahle volba.
• Dialekty jsme netestovali. Qwen na vlastní kartě modelu uvádí 30 jazyků a 22 čínských dialektů a přízvuků. Whisper Notes nemá samostatné nastavení dialektu: zvolíte čínštinu nebo Automaticky a zbytek obstará model. Dialekty jsme netestovali, takže nemůžeme říct, jak si s nimi který model poradí.
• Qwen3-ASR je ve verzi Beta. Pokud by se někdy nečekaně ukončil, Whisper Notes ho při dalším spuštění vypne a přepne na jiný model, takže se aplikace i tak otevře. Pokud to chcete zkusit znovu, stačí Qwen3-ASR v Nastavení znovu zvolit.
• Naše čísla platí pro čistou čtenou řeč. Věty z FLEURS jsou předčítané v tichu. Schůzky, hlučné místnosti, vzdálené mikrofony a silné přízvuky můžou rozdíly posunout oběma směry.
• Smíšenou čínštinu a angličtinu jsme netestovali. Neměřili jsme, jak si který model poradí s větami, které přecházejí mezi čínštinou a angličtinou, takže si před volbou vyzkoušejte některou ze svých typických nahrávek.

Jak přepnout model?

Na Macu otevřete Nastavení a sjeďte k části Model přepisu. Na kartě každého modelu najdete rychlost, k čemu se nejlépe hodí, počet jazyků, potřebnou paměť a velikost ke stažení. Model stáhnete kliknutím na jeho kartu nebo na šipku stahování na ní; když je nainstalovaný, kliknutím na kartu na něj přepnete. Odkaz na jazyky na každé kartě (Podporované jazyky, na kartě Qwen3-ASR 1.7B 30 podporovaných jazyků) vypíše všechny jazyky i s naší chybovostí pro každý z nich.

Nastavení → Model přepisu v aplikaci pro Mac z našeho webu

Pak v části Přepis změňte Jazyk z Automaticky na svůj jazyk.

Co je SenseVoice?

Z článku FunAudioLLM: SenseVoice-Small má 234 milionů parametrů a 10 sekund zvuku zpracuje za 70 ms; Whisper-Large-V3 má 1 550 milionů a potřebuje 1 281 ms. Obojí měřeno na GPU v datovém centru, ne na Macu.

Qwen3-ASR pochází od týmu Qwen ze skupiny Alibaba a vychází pod licencí Apache 2.0. Ve Whisper Notes běží na GPU Macu přes MLX, kvantizovaný na 8 bitů. Jeho výsledky proti Whisperu ve 30 jazycích najdete v našem benchmarku Qwen3-ASR.

Často kladené otázky

Vyzkoušejte to

SenseVoice je ve Whisper Notes na iPhonu i Macu, Qwen3-ASR (Beta) jen na Macu. Tlačítky níže získáte aplikaci pro iPhone z App Store nebo aplikaci pro Mac z našeho webu. Máte dotaz? Napište na support@whispernotes.app.

Stáhnout pro iOS Stáhnout pro macOS