SenseVoice vs Qwen3-ASR: Was ist besser für Chinesisch, Japanisch, Koreanisch?

Die Genauigkeitswerte haben wir selbst gemessen. Wir haben SenseVoice Small, Qwen3-ASR und Whisper Large V3 Turbo mit denselben vorgelesenen Sätzen aus FLEURS getestet, etwa 30 Minuten pro Sprache, und zwar mit den Modellen, die Whisper Notes mitliefert. Die Geschwindigkeiten sind die Werte, die die App auf der Karte jedes Modells anzeigt. Sie stammen aus einem separaten Test mit kurzen Clips. Alles andere beschreibt, wie die Mac-App heute funktioniert.

Wie viel genauer ist Qwen3-ASR als SenseVoice?

Zeichenfehlerrate (CER) für Chinesisch, Japanisch und Koreanisch, Wortfehlerrate (WER) für Englisch; niedriger ist besser. Grün markiert den niedrigsten Wert jeder Zeile. Eigener Durchlauf mit dem FLEURS-Testset auf einem Mac, etwa 30 Minuten und 139 bis 180 vorgelesene Sätze pro Sprache. SenseVoice mit eingestellter Sprache. Nur saubere, vorgelesene Sprache: Laute Räume, Meetings und lange Aufnahmen sind nicht abgedeckt.

Qwen3-ASR macht in jeder getesteten Sprache weniger Fehler als SenseVoice. Bei Chinesisch und Japanisch liegt der Abstand bei etwa einem Prozentpunkt: 6,49 % (Qwen3-ASR) gegen 7,69 % (SenseVoice) bei Chinesisch und 5,74 % gegen 6,78 % bei Japanisch. Am größten ist der Abstand bei Koreanisch: SenseVoice erkennt mehr als doppelt so viele Zeichen falsch, 7,85 % gegen 3,54 %. Im Englischen erkennt Qwen3-ASR etwa eines von 22 Wörtern falsch, SenseVoice etwa eines von 12.

Whisper Large V3 Turbo kommt nah an Qwen3-ASR heran. Bei Japanisch war es das genaueste der drei Modelle, bei Koreanisch und Englisch das zweitbeste. Bei Chinesisch lag es knapp hinter SenseVoice.

Wie viel schneller ist SenseVoice als Qwen3-ASR?

Grün markiert das schnellere Modell. Das sind die Geschwindigkeiten, die auf den Modellkarten in der App stehen: nur die Verarbeitungszeit des Modells, ohne das Laden, gemessen mit kurzen Clips in einem separaten Alltagstest auf einem Mac. SenseVoice kam mit eingestellter Sprache auf 115,2× und mit automatischer Erkennung auf 131×. Qwen3-ASR lag vor dem Runden bei 7,65×. Die Zeiten für eine Stunde sind aus diesen Geschwindigkeiten berechnet und gerundet.

SenseVoice ist mehr als 15-mal so schnell. Bei einer einstündigen Aufnahme sind das etwa eine halbe Minute gegenüber etwa acht Minuten. Wenn du lange Aufnahmen transkribierst oder den Text sofort brauchst, zählt dieser Unterschied mehr als ein Prozentpunkt Genauigkeit. Wenn du ein paar Minuten warten kannst und lieber weniger korrigierst, zählt er nicht.

Sprache festlegen für etwas mehr Genauigkeit

Mit eingestellter Sprache machte SenseVoice in allen vier Sprachen weniger Fehler als mit „Automatisch“: 7,69 % gegen 7,90 % bei Chinesisch, 6,78 % gegen 6,87 % bei Japanisch, 7,85 % gegen 8,09 % bei Koreanisch und 8,46 % gegen 8,51 % bei Englisch. Die Abstände sind klein, zeigen aber alle in dieselbe Richtung. Qwen3-ASR und Whisper haben wir nicht mit „Automatisch“ getestet, daher gibt es für sie keine Zahlen. Die App selbst rät: Außer bei Parakeet ist eine fest gewählte Sprache meist genauer als „Automatisch“.

Parakeet ist die Ausnahme: In Whisper Notes wurde es ungenauer, wenn wir ihm die Sprache vorgaben. Deshalb erkennt es die Sprache immer selbst (siehe Parakeet Ultra vs. Parakeet V3). Auf dem Mac findest du die Einstellung Sprache in den Einstellungen unter Transkription.

Wie lange dauern lange Aufnahmen?

In einem früheren Test mit einer echten Aufnahme transkribierte SenseVoice auf einem Apple M4 Pro eine 27-minütige Folge eines chinesischen Interview-Podcasts in 13,83 Sekunden. Whisper Large V3 Turbo brauchte für dieselbe Datei 2 Minuten 4 Sekunden. Qwen3-ASR war bei diesem Test nicht dabei. Dieser Test lief mit einer früheren Version der App; die Geschwindigkeit, etwa 117× Echtzeit, passt zu den 115–131× auf der heutigen Modellkarte.

Grob hochgerechnet aus diesem Test bräuchte SenseVoice auf diesem Mac für ein einstündiges Meeting oder eine Vorlesung etwa eine halbe Minute, Whisper Large V3 Turbo etwa viereinhalb Minuten. Nach den Geschwindigkeiten oben bräuchte Qwen3-ASR ungefähr acht Minuten.

Keines der beiden Modelle verarbeitet eine lange Datei in einem Stück. In der Mac-App teilt SenseVoice das Audio an Pausen in Abschnitte von höchstens 30 Sekunden und zeigt den Text jedes Abschnitts an, sobald er fertig ist. Auch Qwen3-ASR arbeitet in Abschnitten von höchstens 30 Sekunden. Es schneidet jeweils an der leisesten Stelle kurz vor der Grenze, und sein Text erscheint, während er entsteht. In beiden Fällen füllt sich das Transkript Abschnitt für Abschnitt, und du kannst schon lesen, bevor die ganze Datei fertig ist.

Welches Modell kann ich auf meinem Gerät nutzen?

Grün heißt verfügbar, Gelb heißt nicht verfügbar.

Auf dem iPhone ist SenseVoice die schnelle Wahl für Chinesisch, Japanisch und Koreanisch. Die Alternative ist Whisper Small.

Warum gibt es zwei Mac-Versionen? Die Version aus dem Mac App Store läuft innerhalb der Grenzen, die Apple für App-Store-Apps setzt. Deshalb gibt es ein paar Funktionen nur in der Mac-App von unserer Website: das Diktieren per Fn-Taste, den KI-Assistenten auf dem Gerät und das Kommandozeilen-Tool (die Hintergründe). Die Spracherkennungsmodelle sind in beiden Versionen dieselben.

Was die beiden Modelle auf dem Mac brauchen

Downloadgrößen und Speicherangaben wie in der aktuellen Mac-App von unserer Website. Gelb markiert eine Voraussetzung, die du vor dem Download prüfen solltest. Der Spitzenwert des Arbeitsspeichers stammt aus demselben Alltagstest wie die Geschwindigkeiten oben; ein GiB ist etwa 7 % mehr als ein GB.

Keines der beiden Modelle ist vorinstalliert. Jedes wird einmal über seine Karte in den Einstellungen heruntergeladen und funktioniert danach offline. SenseVoice ist mit großem Abstand das leichtere: etwa ein Fünftel des Downloads von Qwen3-ASR und deutlich weniger als die Hälfte des Arbeitsspeichers. Auf einem Mac mit weniger als 16 GB Arbeitsspeicher zeigt die Karte von Qwen3-ASR den Speicherhinweis als Warnung in Orange an. Zum Vergleich: Whisper Large V3 Turbo ist etwa 2 GB groß, und seine Karte nennt etwa 2,4 GB Arbeitsspeicher.

Welches Modell solltest du nehmen?

• Möglichst wenige Fehler auf dem Mac: Qwen3-ASR 1.7B, in beiden Mac-Versionen. Es war in allen vier Sprachen unseres Tests besser als SenseVoice. Bei Japanisch war Whisper Large V3 Turbo noch etwas genauer, 5,30 % gegen 5,74 %.
• Tempo, lange Aufnahmen, ein Mac mit wenig Arbeitsspeicher oder das iPhone: SenseVoice Small. Eine Stunde Audio dauert etwa eine halbe Minute statt etwa acht, und Download sowie Arbeitsspeicherbedarf liegen bei einem Bruchteil von Qwen3-ASR 1.7B.
• Genauigkeit bei Japanisch oder Koreanisch ohne Qwen3-ASR 1.7B (es braucht macOS 15): Whisper Large V3 Turbo, bei Japanisch 5,30 % gegen 6,78 % für SenseVoice, bei Koreanisch 4,25 % gegen 7,85 %. Es ist deutlich langsamer als SenseVoice.
• Andere Sprachen: Parakeet, das integrierte Modell, für Englisch und 24 weitere europäische Sprachen (siehe Parakeet Ultra vs. Parakeet V3), und Whisper für den Rest. Wie Qwen3-ASR 1.7B in 30 Sprachen gegen Whisper abschneidet, steht in unserem Vergleich Qwen3-ASR vs. Whisper. Die Fehlerraten aller sechs Modelle für 42 Sprachen stehen in unserem Vergleich der Spracherkennungsmodelle nebeneinander.

Was solltest du sonst noch wissen?

• Sprechererkennung, Zeitstempel und Untertitel funktionieren mit beiden. SenseVoice und Qwen3-ASR liefern beide Zeitstempel. Sprechererkennung und SRT-Untertitelexport funktionieren daher mit beiden Modellen gleich.
• Vereinfachtes oder traditionelles Chinesisch richtet sich nach deiner Systemsprache. Nach der Transkription wandelt Whisper Notes chinesischen Text auf deinem Mac in vereinfachte oder traditionelle Schriftzeichen um, passend zu deiner Systemsprache. Wenn du die Sprache auf 简体中文 (vereinfachtes Chinesisch) oder 繁體中文 (traditionelles Chinesisch) stellst, gilt stattdessen diese Wahl.
• Dialekte sind nicht getestet. Die offizielle Modellkarte von Qwen nennt 30 Sprachen sowie 22 chinesische Dialekte und Akzente. Whisper Notes hat keine eigene Dialekt-Einstellung: Du wählst Chinesisch oder „Automatisch“, den Rest übernimmt das Modell. Wir haben Dialekte nicht getestet und können daher nicht sagen, wie gut die beiden Modelle damit umgehen.
• Qwen3-ASR ist eine Beta. Falls es einmal unerwartet abbricht, schaltet Whisper Notes es beim nächsten Start ab und wechselt zu einem anderen Modell, damit die App trotzdem startet. Du kannst Qwen3-ASR in den Einstellungen wieder auswählen, um es erneut zu versuchen.
• Unsere Zahlen gelten für saubere, vorgelesene Sprache. Die FLEURS-Sätze wurden in ruhiger Umgebung vorgelesen. Meetings, laute Räume, weit entfernte Mikrofone und starke Akzente können die Abstände in beide Richtungen verschieben.
• Gemischtes Chinesisch und Englisch ist nicht getestet. Wir haben nicht gemessen, wie die Modelle mit Sätzen umgehen, die zwischen Chinesisch und Englisch wechseln. Probier deshalb eine typische Aufnahme von dir aus, bevor du dich festlegst.

Wie wechsle ich das Modell?

Öffne auf dem Mac die Einstellungen und scrolle zu Transkriptionsmodell. Jedes Modell hat dort eine Karte mit seiner Geschwindigkeit, seinen Stärken, der Zahl der unterstützten Sprachen, dem Bedarf an Arbeitsspeicher und der Downloadgröße. Um ein Modell herunterzuladen, klickst du auf seine Karte oder auf den Download-Pfeil darauf. Sobald es installiert ist, wechselst du mit einem Klick auf die Karte zu diesem Modell. Der Sprachen-Link auf jeder Karte (Unterstützte Sprachen, auf der Karte von Qwen3-ASR 1.7B 30 unterstützte Sprachen) listet jede Sprache mit der Fehlerrate auf, die wir dafür gemessen haben.

Einstellungen → Transkriptionsmodell in der Mac-App von unserer Website

Stell danach unter Transkription die Sprache ein, statt sie auf „Automatisch“ zu lassen.

Was ist SenseVoice?

Aus dem FunAudioLLM-Paper: SenseVoice-Small hat 234 Millionen Parameter und verarbeitet 10 Sekunden Audio in 70 ms. Whisper-Large-V3 hat 1.550 Millionen und braucht 1.281 ms. Beides auf einer Rechenzentrums-GPU, nicht auf einem Mac.

Qwen3-ASR stammt vom Qwen-Team von Alibaba und steht unter der Apache-2.0-Lizenz. In Whisper Notes läuft es in 8-Bit-Quantisierung über MLX auf der GPU des Macs. Wie es in 30 Sprachen gegen Whisper abschneidet, steht in unserem Qwen3-ASR-Benchmark.

Häufige Fragen

Ausprobieren

SenseVoice gibt es in Whisper Notes für iPhone und Mac, Qwen3-ASR (Beta) auf dem Mac. Über die Buttons unten bekommst du die iPhone-App aus dem App Store oder die Mac-App von unserer Website. Fragen? Schreib uns an support@whispernotes.app.

Für iOS herunterladen Für macOS herunterladen