SenseVoice vs Qwen3-ASR: ¿cuál es mejor para chino, japonés y coreano?

Las cifras de precisión son nuestras. Probamos SenseVoice Small, Qwen3-ASR y Whisper Large V3 Turbo con las mismas frases leídas de FLEURS, unos 30 minutos por idioma, con los modelos que incluye Whisper Notes. Las velocidades son las que muestra la app en la tarjeta de cada modelo y vienen de otra prueba con clips cortos. Todo lo demás describe cómo funciona hoy la app para Mac.

¿Qué tan preciso es Qwen3-ASR comparado con SenseVoice?

Tasa de error por carácter (CER) en chino, japonés y coreano, y tasa de error por palabra (WER) en inglés; mientras más baja, mejor. En verde, la más baja de cada fila. Medición propia con el conjunto de prueba de FLEURS, unos 30 minutos y de 139 a 180 frases leídas por idioma, en una Mac. SenseVoice, con el idioma seleccionado. Solo voz leída y limpia: no incluye salas con ruido, reuniones ni grabaciones largas.

Qwen3-ASR comete menos errores que SenseVoice en todos los idiomas que probamos. En chino y en japonés la diferencia es de alrededor de un punto: 6.49% (Qwen3-ASR) contra 7.69% (SenseVoice) en chino, y 5.74% contra 6.78% en japonés. La mayor diferencia está en coreano: SenseVoice se equivoca en más del doble de caracteres, 7.85% contra 3.54%. En inglés, Qwen3-ASR falla más o menos una de cada 22 palabras y SenseVoice una de cada 12.

Whisper Large V3 Turbo queda cerca de Qwen3-ASR. Fue el más preciso de los tres en japonés y el segundo en coreano y en inglés, pero en chino quedó un poco detrás de SenseVoice.

¿Qué tan rápido es SenseVoice comparado con Qwen3-ASR?

En verde, el modelo más rápido. Son las velocidades que aparecen en las tarjetas de modelo de la app: solo el tiempo de procesamiento del motor, sin contar la carga del modelo, medido con clips cortos en otra prueba de uso diario en una Mac. SenseVoice dio 115.2× con el idioma seleccionado y 131× con la detección automática; Qwen3-ASR dio 7.65× antes de redondear. Los tiempos para una hora se calcularon a partir de estas velocidades y están redondeados.

SenseVoice es más de 15 veces más rápido. En una grabación de una hora, es la diferencia entre medio minuto y unos ocho minutos. Si transcribes grabaciones largas o quieres el texto de inmediato, esa diferencia pesa más que un punto de precisión. Si puedes esperar unos minutos y prefieres corregir menos, no importa tanto.

Selecciona el idioma para ganar un poco de precisión

Con el idioma seleccionado, SenseVoice cometió menos errores que en Automático en los cuatro idiomas: 7.69% contra 7.90% en chino, 6.78% contra 6.87% en japonés, 7.85% contra 8.09% en coreano y 8.46% contra 8.51% en inglés. Las diferencias son pequeñas, pero todas van en la misma dirección. No probamos Qwen3-ASR ni Whisper en Automático, así que no tenemos cifras para ellos; la propia app recomienda elegir un idioma, salvo con Parakeet, porque suele ser más preciso que Automático.

Parakeet es la excepción: en Whisper Notes, indicarle el idioma lo hacía menos preciso, y por eso siempre detecta el idioma por su cuenta (lo explicamos en Parakeet Ultra contra Parakeet V3). En Mac, el ajuste es Idioma, en la sección Transcripción de Ajustes.

¿Cuánto tardan las grabaciones largas?

En una prueba anterior con una grabación real, en un equipo con Apple M4 Pro, SenseVoice transcribió un episodio de 27 minutos de un podcast de entrevistas en chino en 13.83 segundos. Whisper Large V3 Turbo tardó 2 minutos y 4 segundos con el mismo archivo. Qwen3-ASR no formó parte de esa prueba, que se hizo con una versión anterior de la app. La velocidad, unos 117× tiempo real, coincide con los 115–131× de la tarjeta de modelo actual.

Si extrapolamos esa prueba a grandes rasgos, una reunión o una clase de una hora le tomaría a SenseVoice alrededor de medio minuto y a Whisper Large V3 Turbo unos cuatro minutos y medio en esa Mac. Según las velocidades de arriba, Qwen3-ASR necesitaría unos ocho minutos.

Ninguno de los dos modelos procesa un archivo largo de una sola vez. En la app para Mac, SenseVoice divide el audio en fragmentos de hasta 30 segundos, cortados en las pausas, y muestra el texto de cada fragmento en cuanto lo termina. Qwen3-ASR también trabaja en fragmentos de hasta 30 segundos, cortados en el momento más silencioso cerca de cada límite, y su texto aparece conforme lo va escribiendo. En los dos casos la transcripción se va llenando fragmento por fragmento, y puedes empezar a leer antes de que termine todo el archivo.

¿Cuál puedo usar en mi dispositivo?

Verde significa disponible; ámbar, no disponible.

En iPhone, SenseVoice es la opción rápida para chino, japonés y coreano, y Whisper Small es la alternativa.

¿Por qué hay dos versiones para Mac? La versión de la Mac App Store funciona dentro de los límites que Apple pone a las apps del App Store, así que algunas funciones solo están en la app para Mac de nuestro sitio web: el dictado con la tecla Fn, el asistente de IA local y la herramienta de línea de comandos (aquí el contexto). Las dos tienen los mismos modelos de voz.

Qué necesita cada uno en una Mac

Tamaños de descarga y etiquetas de memoria tal como aparecen en la versión actual de la app para Mac de nuestro sitio web. En ámbar, un requisito que conviene revisar antes de descargar. La memoria máxima viene de la misma prueba de uso diario que las velocidades de arriba; un GiB es aproximadamente un 7% más que un GB.

Ninguno de los dos modelos viene integrado. Cada uno se descarga una sola vez, desde su tarjeta en Ajustes, y a partir de ahí funciona sin conexión. SenseVoice es, por mucho, el más ligero de los dos: más o menos una quinta parte de la descarga y bastante menos de la mitad de la memoria de Qwen3-ASR. En una Mac con menos de 16 GB de memoria, la tarjeta de Qwen3-ASR muestra su nota de memoria en naranja como advertencia. Como referencia, Whisper Large V3 Turbo es una descarga de unos 2 GB y su tarjeta indica unos 2.4 GB de memoria.

¿Cuál deberías usar?

• Menos errores, en Mac: Qwen3-ASR 1.7B, en las dos versiones para Mac. Superó a SenseVoice en los cuatro idiomas de nuestra prueba. En japonés, Whisper Large V3 Turbo fue todavía un poco más preciso, 5.30% contra 5.74%.
• Velocidad, grabaciones largas, una Mac con poca memoria, o iPhone: SenseVoice Small. Transcribe una hora de audio en alrededor de medio minuto, en lugar de unos ocho, y necesita una fracción de la descarga y de la memoria.
• Precisión en japonés o coreano sin Qwen3-ASR 1.7B (necesita macOS 15): Whisper Large V3 Turbo, con 5.30% contra el 6.78% de SenseVoice en japonés y 4.25% contra 7.85% en coreano. Es mucho más lento que SenseVoice.
• Otros idiomas: Parakeet, el modelo integrado, para inglés y otros 24 idiomas europeos (consulta Parakeet Ultra contra Parakeet V3), y Whisper para el resto. La comparación de Qwen3-ASR 1.7B con Whisper en 30 idiomas está en nuestra prueba de Qwen3-ASR contra Whisper. Las tasas de error de los seis modelos en 42 idiomas, lado a lado, están en nuestra comparación de modelos de voz.

¿Qué más conviene saber?

• Las etiquetas de hablante, las marcas de tiempo y los subtítulos funcionan con los dos. SenseVoice y Qwen3-ASR generan marcas de tiempo, así que las etiquetas de hablante y la exportación de subtítulos SRT funcionan igual con cualquiera de los dos modelos.
• El chino simplificado o tradicional sigue el idioma del sistema. Después de transcribir, Whisper Notes convierte el texto en chino a caracteres simplificados o tradicionales en tu Mac, según el idioma del sistema. Si seleccionas el idioma 简体中文 (chino simplificado) o 繁體中文 (chino tradicional), lo que cuenta es esa elección.
• Los dialectos no están probados. La ficha del modelo de Qwen indica 30 idiomas más 22 dialectos y acentos del chino. Whisper Notes no tiene un ajuste aparte para dialectos: eliges chino o Automático, y el modelo se encarga del resto. No hemos probado dialectos, así que no podemos decir qué tan bien los maneja cada modelo.
• Qwen3-ASR está en Beta. Si alguna vez se cierra de forma inesperada, Whisper Notes lo desactiva en el siguiente inicio y cambia a otro modelo, para que la app pueda seguir abriéndose. Puedes volver a elegir Qwen3-ASR en Ajustes para intentarlo de nuevo.
• Nuestras cifras son de voz leída y limpia. Las frases de FLEURS se leen en voz alta en un lugar silencioso. Las reuniones, las salas con ruido, los micrófonos lejanos y los acentos marcados pueden cambiar las diferencias en un sentido o en otro.
• No hemos probado la mezcla de chino e inglés. No hemos medido cómo maneja cada modelo las frases que alternan entre chino e inglés, así que prueba con una grabación típica tuya antes de quedarte con uno.

¿Cómo cambio de modelo?

En Mac, abre Ajustes y desplázate hasta Modelo de transcripción. Cada modelo tiene una tarjeta con su velocidad, para qué funciona mejor, cuántos idiomas cubre, cuánta memoria necesita y cuánto pesa la descarga. Para descargar un modelo, haz clic en su tarjeta o en su flecha de descarga; cuando esté instalado, haz clic en la tarjeta para cambiar a él. El enlace de idiomas de cada tarjeta (Idiomas compatibles, o 30 idiomas compatibles en la tarjeta de Qwen3-ASR 1.7B) muestra todos los idiomas con nuestra tasa de error para cada uno.

Ajustes → Modelo de transcripción en la app para Mac de nuestro sitio web

Después, en Idioma (sección Transcripción), elige tu idioma en lugar de dejarlo en Automático.

¿Qué es SenseVoice?

Del artículo de FunAudioLLM: SenseVoice-Small tiene 234 millones de parámetros y procesa 10 segundos de audio en 70 ms; Whisper-Large-V3 tiene 1,550 millones y tarda 1,281 ms. Ambos en una GPU de centro de datos, no en una Mac.

Qwen3-ASR es del equipo Qwen de Alibaba y se publica con licencia Apache 2.0. En Whisper Notes se ejecuta en la GPU de la Mac mediante MLX, a 8 bits. Sus resultados contra Whisper en 30 idiomas están en nuestra prueba de Qwen3-ASR.

Preguntas frecuentes

Pruébalo

SenseVoice está en Whisper Notes para iPhone y Mac, y Qwen3-ASR (Beta), solo en Mac. Con los botones de abajo puedes obtener la app para iPhone en el App Store o la app para Mac en nuestro sitio web. ¿Tienes preguntas? Escríbenos a support@whispernotes.app.

Descargar para iOS Descargar para macOS