SenseVoice vs. Qwen3-ASR: kumpi litteroi paremmin kiinaa, japania ja koreaa?

Tarkkuusluvut ovat omia mittauksiamme. Testasimme SenseVoice Smallin, Qwen3-ASR:n ja Whisper Large V3 Turbon samoilla FLEURS-aineiston luetuilla lauseilla, noin 30 minuuttia kieltä kohden. Mallit olivat samat, joita Whisper Notes käyttää. Nopeudet ovat ne, jotka sovellus näyttää kunkin mallin kortissa, ja ne on mitattu erillisessä testissä lyhyillä äänitteillä. Muut tiedot kuvaavat sitä, miten Mac-sovellus toimii nyt.

Kuinka paljon tarkempi Qwen3-ASR on kuin SenseVoice?

Kiinan, japanin ja korean luvut ovat merkkivirheprosentteja (CER), englannin sanavirheprosentteja (WER); pienempi on parempi. Vihreä merkitsee rivin pienintä lukua. Oma ajomme FLEURS-testiaineistolla Macilla, noin 30 minuuttia ja 139–180 luettua lausetta kieltä kohden. SenseVoicelle kieli oli valittu. Mukana on vain selkeää luettua puhetta: meluisia tiloja, kokouksia ja pitkiä äänitteitä testi ei kata.

Qwen3-ASR tekee vähemmän virheitä kuin SenseVoice jokaisessa testaamassamme kielessä. Kiinassa ja japanissa ero on noin yksi prosenttiyksikkö: kiinassa 6,49 % (Qwen3-ASR) ja 7,69 % (SenseVoice), japanissa 5,74 % ja 6,78 %. Koreassa ero on suurin: SenseVoice tunnistaa väärin yli kaksi kertaa enemmän merkkejä kuin Qwen3-ASR (7,85 % vs. 3,54 %). Englannissa Qwen3-ASR tunnistaa väärin noin joka 22. sanan ja SenseVoice noin joka 12. sanan.

Whisper Large V3 Turbo on lähellä Qwen3-ASR:ää. Se oli kolmesta tarkin japanissa ja toinen koreassa ja englannissa, mutta kiinassa se jäi hieman SenseVoicen taakse.

Kuinka paljon nopeampi SenseVoice on kuin Qwen3-ASR?

Vihreä merkitsee nopeampaa mallia. Nopeudet ovat sovelluksen mallikorteissa näkyvät luvut: pelkkä moottorin käsittelyaika ilman mallin lataamista muistiin, mitattu lyhyillä äänitteillä erillisessä arkikäytön testissä Macilla. SenseVoicen nopeus oli 115,2× kieli valittuna ja 131× automaattisella kielentunnistuksella. Qwen3-ASR:n tulos ennen pyöristystä oli 7,65×. Tunnin äänitteen ajat on laskettu näistä nopeuksista ja pyöristetty.

SenseVoice on yli 15 kertaa nopeampi. Tunnin äänitteessä se tarkoittaa noin puolta minuuttia noin kahdeksan minuutin sijaan. Jos litteroit pitkiä äänitteitä tai haluat tekstin heti, tämä ero painaa enemmän kuin prosenttiyksikön ero tarkkuudessa. Jos jaksat odottaa muutaman minuutin ja haluat vähemmän korjattavaa, nopeudella ei ole niin väliä.

Kielen valitseminen parantaa tarkkuutta hieman

Kun kieli oli valittu, SenseVoice teki kaikissa neljässä kielessä vähemmän virheitä kuin Automaattinen-asetuksella: kiinassa 7,69 % (automaattisella 7,90 %), japanissa 6,78 % (6,87 %), koreassa 7,85 % (8,09 %) ja englannissa 8,46 % (8,51 %). Erot ovat pieniä, mutta ne osoittavat kaikki samaan suuntaan. Qwen3-ASR:ää ja Whisperiä emme ajaneet automaattisella kielentunnistuksella, joten niistä meillä ei ole lukuja. Sovelluksen oma ohje on, että Parakeetia lukuun ottamatta kielen valitseminen on yleensä tarkempaa kuin automaattinen tunnistus.

Parakeet on poikkeus: Whisper Notesissa sen tarkkuus heikkeni, kun sille kerrottiin kieli, ja siksi se tunnistaa kielen aina itse (ks. Parakeet Ultra vs. Parakeet V3). Macilla asetus on Kieli, ja se löytyy Asetuksista kohdasta Litterointi.

Kuinka kauan pitkien äänitteiden litterointi kestää?

Aiemmassa testissä SenseVoice litteroi oikean äänitteen, 27 minuutin jakson kiinankielisestä haastattelupodcastista, 13,83 sekunnissa Macilla, jossa on Apple M4 Pro -siru. Whisper Large V3 Turbolta sama tiedosto vei 2 minuuttia 4 sekuntia. Qwen3-ASR ei ollut mukana siinä testissä. Testi tehtiin sovelluksen aiemmalla versiolla, mutta nopeus vastaa nykyisen mallikortin lukua: noin 117× reaaliaikainen, kortissa 115–131×.

Samasta testistä karkeasti skaalattuna tunnin kokouksen tai luennon litterointi kestäisi tuolla Macilla SenseVoicella noin puoli minuuttia ja Whisper Large V3 Turbolla noin neljä ja puoli minuuttia. Yllä olevien nopeuksien perusteella Qwen3-ASR tarvitsisi noin kahdeksan minuuttia.

Kumpikaan malli ei käsittele pitkää tiedostoa kerralla. Mac-sovelluksessa SenseVoice jakaa äänen enintään 30 sekunnin osiin taukojen kohdalta ja näyttää kunkin osan tekstin heti, kun se on valmis. Myös Qwen3-ASR käsittelee äänen enintään 30 sekunnin osissa, jotka katkaistaan rajan läheltä hiljaisimmasta kohdasta, ja sen teksti ilmestyy näkyviin sitä mukaa kuin malli kirjoittaa sitä. Kummassakin tapauksessa litterointi valmistuu osa kerrallaan, ja voit alkaa lukea ennen kuin koko tiedosto on käsitelty.

Mitä mallia voin käyttää omalla laitteellani?

Vihreä merkitsee, että malli on saatavilla, ja keltainen, ettei se ole.

iPhonella kiinan, japanin ja korean nopea valinta on SenseVoice, ja vaihtoehtona on Whisper Small.

Miksi Macille on kaksi versiota? Mac App Store -versio toimii niissä rajoissa, jotka Apple asettaa App Store -sovelluksille. Siksi muutama ominaisuus on vain verkkosivuiltamme ladattavassa Mac-sovelluksessa: Fn-äänikirjoitus, laitteella toimiva AI-avustaja ja komentorivityökalu (taustasta lisää). Puhemallit ovat molemmissa samat.

Mitä kumpikin malli vaatii Macilla

Latauskoot ja muistimerkinnät sellaisina kuin ne näkyvät verkkosivuiltamme ladattavan Mac-sovelluksen nykyisessä versiossa. Keltainen merkitsee vaatimusta, joka kannattaa tarkistaa ennen latausta. Muistin huippukäyttö on samasta arkikäytön testistä kuin yllä olevat nopeudet; GiB on noin 7 % suurempi kuin GB.

Kumpikaan malli ei ole sisäänrakennettu. Kumpikin ladataan kerran mallin kortista Asetuksissa, ja sen jälkeen se toimii offline. SenseVoice on selvästi kevyempi: latauksen koko on noin viidesosa ja muistintarve reilusti alle puolet Qwen3-ASR:n vastaavista. Macissa, jossa on alle 16 GB muistia, Qwen3-ASR:n kortti näyttää muistimerkinnän oranssina varoituksena. Vertailun vuoksi Whisper Large V3 Turbon lataus on noin 2 GB, ja sen kortin mukaan malli tarvitsee noin 2,4 GB muistia.

Kumpaa kannattaa käyttää?

• Vähiten virheitä Macilla: Qwen3-ASR 1.7B, molemmissa Mac-versioissa. Se voitti SenseVoicen testimme kaikissa neljässä kielessä. Japanissa Whisper Large V3 Turbo oli vielä hieman tarkempi, 5,30 % vs. 5,74 %.
• Nopeus, pitkät äänitteet, vähämuistinen Mac tai iPhone: SenseVoice Small. Tunnin äänite litteroituu noin puolessa minuutissa noin kahdeksan minuutin sijaan, ja malli tarvitsee vain murto-osan latauksesta ja muistista.
• Japanin tai korean tarkkuus ilman Qwen3-ASR 1.7B:tä (se vaatii macOS 15:n): Whisper Large V3 Turbo. Japanissa sen virheprosentti on 5,30 % ja SenseVoicen 6,78 %, koreassa 4,25 % ja 7,85 %. Se on kuitenkin paljon hitaampi kuin SenseVoice.
• Muut kielet: Parakeet, sisäänrakennettu malli, englannille ja 24 muulle eurooppalaiselle kielelle (ks. Parakeet Ultra vs. Parakeet V3), ja Whisper muille kielille. Qwen3-ASR 1.7B:n ja Whisperin vertailu 30 kielessä on Qwen3-ASR vs. Whisper -vertailutestissämme. Kaikkien mallien virheprosentit 42 kielessä rinnakkain löytyvät kielikohtaisesta mallivertailustamme.

Mitä muuta kannattaa tietää?

• Puhujamerkinnät, aikaleimat ja tekstitykset toimivat molemmilla. Sekä SenseVoice että Qwen3-ASR tuottavat aikaleimat, joten puhujamerkinnät ja SRT-tekstitysten vienti toimivat kummallakin mallilla samalla tavalla.
• Yksinkertaistettu tai perinteinen kiina määräytyy järjestelmän kielen mukaan. Litteroinnin jälkeen Whisper Notes muuntaa kiinankielisen tekstin Macillasi yksinkertaistetuiksi tai perinteisiksi merkeiksi järjestelmän kielen mukaan. Jos valitset kieleksi 简体中文 (yksinkertaistettu kiina) tai 繁體中文 (perinteinen kiina), valinta menee järjestelmän kielen edelle.
• Murteita ei ole testattu. Qwenin oma mallikortti luettelee 30 kieltä sekä 22 kiinan murretta ja aksenttia. Whisper Notesissa ei ole erillistä murreasetusta: valitset kiinan tai Automaattinen-asetuksen, ja malli hoitaa loput. Emme ole testanneet murteita, joten emme osaa sanoa, miten hyvin kumpikaan malli niistä selviää.
• Qwen3-ASR on beetavaiheessa. Jos se joskus pysähtyy odottamatta, Whisper Notes poistaa sen käytöstä seuraavalla käynnistyskerralla ja vaihtaa toiseen malliin, jotta sovellus aukeaa silti. Voit yrittää uudelleen valitsemalla Qwen3-ASR:n taas Asetuksista.
• Lukumme koskevat selkeää luettua puhetta. FLEURS-lauseet on luettu ääneen hiljaisessa ympäristössä. Kokoukset, meluisat tilat, kaukana olevat mikrofonit ja voimakkaat aksentit voivat muuttaa eroja kumpaan suuntaan tahansa.
• Kiinaa ja englantia sekoittavaa puhetta ei ole testattu. Emme ole mitanneet, miten mallit selviävät lauseista, joissa vaihdetaan kiinasta englantiin ja takaisin. Kokeile siis jotakin tavallista omaa äänitettäsi ennen kuin valitset mallin.

Miten vaihdan mallia?

Avaa Macilla Asetukset ja vieritä kohtaan Litterointimalli. Jokaisella mallilla on kortti, jossa näkyvät sen nopeus, mihin se sopii parhaiten, kuinka monta kieltä se kattaa, kuinka paljon muistia se tarvitsee ja latauksen koko. Lataa malli napsauttamalla sen korttia tai kortin latausnuolta. Kun malli on asennettu, vaihda siihen napsauttamalla korttia. Kunkin kortin kielilinkki (Tuetut kielet tai Qwen3-ASR 1.7B:n kortissa 30 tuettua kieltä) luettelee kaikki kielet ja niille mittaamamme virheprosentin.

Asetukset → Litterointimalli verkkosivuiltamme ladattavassa Mac-sovelluksessa

Valitse sitten Kieli kohdassa Litterointi sen sijaan, että jättäisit asetukseksi Automaattinen.

Mikä SenseVoice on?

FunAudioLLM-artikkelista: SenseVoice-Smallissa on 234 miljoonaa parametria, ja se käsittelee 10 sekuntia ääntä 70 millisekunnissa. Whisper-Large-V3:ssa on 1 550 miljoonaa parametria, ja siltä kuluu 1 281 millisekuntia. Molemmat on mitattu datakeskuksen grafiikkaprosessorilla, ei Macilla.

Qwen3-ASR on Alibaban Qwen-tiimin malli, ja sen lisenssi on Apache 2.0. Whisper Notesissa se toimii Macin grafiikkaprosessorilla MLX:n avulla 8-bittisenä. Sen tulokset Whisperiin verrattuna 30 kielessä ovat Qwen3-ASR-vertailutestissämme.

Usein kysytyt kysymykset

Kokeile

SenseVoice on Whisper Notesissa sekä iPhonella että Macilla, ja Qwen3-ASR (Beta) on Macilla. Alla olevista painikkeista saat iPhone-sovelluksen App Storesta tai Mac-sovelluksen verkkosivuiltamme. Kysyttävää? Lähetä sähköpostia osoitteeseen support@whispernotes.app.

Lataa iOS:lle Lataa macOS:lle