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

Las cifras de precisión son nuestras. Pasamos SenseVoice Small, Qwen3-ASR y Whisper Large V3 Turbo por 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 salen de otra prueba con clips cortos. Todo lo demás describe cómo funciona hoy la app para Mac.

¿Cuánto más preciso es Qwen3-ASR que SenseVoice?

Tasa de error por carácter (CER) en chino, japonés y coreano, y tasa de error por palabra (WER) en inglés; cuanto más baja, mejor. En verde, la más baja de cada fila. Prueba propia con el conjunto de test de FLEURS, unos 30 minutos y entre 139 y 180 frases leídas por idioma, en un Mac. SenseVoice, con el idioma fijado. Solo voz leída y limpia: no cubre 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 ronda un punto: 6,49 % (Qwen3-ASR) frente a 7,69 % (SenseVoice) en chino, y 5,74 % frente a 6,78 % en japonés. La mayor diferencia está en coreano: SenseVoice se equivoca en más del doble de caracteres, 7,85 % frente a 3,54 %. En inglés, Qwen3-ASR falla aproximadamente 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 por detrás de SenseVoice.

¿Cuánto más rápido es SenseVoice que 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 proceso del motor, sin contar la carga del modelo, medido con clips cortos en otra prueba de uso diario en un Mac. SenseVoice dio 115,2× con el idioma fijado y 131× con la detección automática; Qwen3-ASR dio 7,65× antes de redondear. Los tiempos para una hora se calculan a partir de estas velocidades y están redondeados.

SenseVoice es más de 15 veces más rápido. En una grabación de una hora, eso es medio minuto frente a unos ocho minutos. Si transcribes grabaciones largas o quieres el texto al momento, esa diferencia pesa más que un punto de precisión. Si puedes esperar unos minutos y prefieres corregir menos, no es tan importante.

Fija el idioma para ganar algo de precisión

Con el idioma fijado, SenseVoice cometió menos errores que en Automático en los cuatro idiomas: 7,69 % frente a 7,90 % en chino, 6,78 % frente a 6,87 % en japonés, 7,85 % frente a 8,09 % en coreano y 8,46 % frente a 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 volvía menos preciso, y por eso siempre detecta el idioma por su cuenta (lo explicamos en Parakeet Ultra frente a Parakeet V3). En Mac, el ajuste es Idioma, en el apartado Transcripción de Ajustes.

¿Cuánto tardan las grabaciones largas?

En una prueba anterior con una grabación real, en un Apple M4 Pro, SenseVoice transcribió un episodio de 27 minutos de un pódcast 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. Esa prueba 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.

Extrapolando grosso modo esa prueba, una reunión o una clase de una hora le llevaría a SenseVoice cerca de medio minuto y a Whisper Large V3 Turbo unos cuatro minutos y medio en ese 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 tramos de hasta 30 segundos, cortados en las pausas, y muestra el texto de cada tramo en cuanto lo termina. Qwen3-ASR también trabaja en tramos de hasta 30 segundos, cortados en el momento más silencioso cerca de cada límite, y su texto aparece a medida que lo escribe. En ambos casos la transcripción se va completando tramo a tramo, 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 fija para las apps de la App Store, así que algunas funciones solo están en la app para Mac de nuestra 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 un Mac

Tamaños de descarga y etiquetas de memoria tal como aparecen en la versión actual de la app para Mac de nuestra web. En ámbar, un requisito que conviene comprobar antes de descargar. La memoria máxima sale 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 vez, desde su tarjeta en Ajustes, y a partir de ahí funciona sin conexión. SenseVoice es, con diferencia, el más ligero de los dos: aproximadamente una quinta parte de la descarga y bastante menos de la mitad de la memoria de Qwen3-ASR. En un Mac con menos de 16 GB de memoria, la tarjeta de Qwen3-ASR muestra su nota de memoria en naranja como aviso. 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 % frente a 5,74 %.
• Velocidad, grabaciones largas, un Mac con poca memoria, o iPhone: SenseVoice Small. Una hora de audio tarda cerca 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 % frente al 6,78 % de SenseVoice en japonés y 4,25 % frente a 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 frente a 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 frente a Whisper. Las tasas de error de los seis modelos en 42 idiomas, lado a lado, están en nuestra comparativa 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 ellos.
• 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 fijas el idioma en 简体中文 (chino simplificado) o 繁體中文 (chino tradicional), prevalece 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 tal 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 siga abriéndose. Puedes volver a elegir Qwen3-ASR en Ajustes para reintentarlo.
• Nuestras cifras son de voz leída y limpia. Las frases de FLEURS se leen en voz alta en un entorno silencioso. Las reuniones, las salas con ruido, los micrófonos lejanos y los acentos marcados pueden cambiar las diferencias en un sentido u 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 habitual tuya antes de quedarte con uno.

¿Cómo se cambia de modelo?

En Mac, abre Ajustes y baja hasta Modelo de transcripción. Cada modelo tiene una tarjeta con su velocidad, para qué es mejor, cuántos idiomas cubre, cuánta memoria necesita y cuánto ocupa la descarga. Para descargar un modelo, haz clic en su tarjeta o en la 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 nuestra web

Después, en Transcripción, fija el 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 1550 millones y tarda 1281 ms. Ambos en una GPU de centro de datos, no en un Mac.

Qwen3-ASR es obra del equipo Qwen de Alibaba y se publica con licencia Apache 2.0. En Whisper Notes se ejecuta en la GPU del Mac mediante MLX, con cuantización de 8 bits. Sus resultados frente a 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 conseguir la app para iPhone en la App Store o la app para Mac en nuestra web. ¿Tienes preguntas? Escríbenos a support@whispernotes.app.

Descargar para iOS Descargar para macOS