Whisper के अलावा Whisper Notes में दो मॉडल हैं जो चीनी, जापानी और कोरियाई में अच्छा काम करते हैं: SenseVoice Small और Qwen3-ASR 1.7B (आगे सिर्फ़ Qwen3-ASR)। दोनों आपके डिवाइस पर ऑफ़लाइन चलते हैं। SenseVoice तेज़ है; Qwen3-ASR कम गलतियाँ करता है। तो सवाल यह है: चीनी, जापानी और कोरियाई के लिए आपको कौन-सा इस्तेमाल करना चाहिए?
सटीकता के आँकड़े हमारे अपने हैं। हमने SenseVoice Small, Qwen3-ASR और Whisper Large V3 Turbo को FLEURS के उन्हीं पढ़े गए वाक्यों पर चलाया, हर भाषा के लिए क़रीब 30 मिनट, उन्हीं मॉडलों के साथ जो Whisper Notes में आते हैं। स्पीड के आँकड़े वही हैं जो ऐप हर मॉडल के कार्ड पर दिखाता है; ये छोटे क्लिप पर किए गए एक अलग टेस्ट से हैं। बाक़ी सब कुछ इस पर आधारित है कि Mac ऐप आज कैसे काम करता है।
Qwen3-ASR, SenseVoice से कितना ज़्यादा सटीक है?
| भाषा | Qwen3-ASR 1.7B | SenseVoice Small | Whisper Large V3 Turbo |
|---|---|---|---|
| चीनी | 6.49% | 7.69% | 7.97% |
| जापानी | 5.74% | 6.78% | 5.30% |
| कोरियाई | 3.54% | 7.85% | 4.25% |
| अंग्रेज़ी | 4.49% | 8.46% | 5.49% |
चीनी, जापानी और कोरियाई के लिए अक्षर त्रुटि दर (CER), अंग्रेज़ी के लिए शब्द त्रुटि दर (WER); जितना कम, उतना बेहतर। हरा रंग हर पंक्ति का सबसे कम मान दिखाता है। FLEURS टेस्ट सेट पर एक Mac पर हमारा अपना रन, हर भाषा के लिए क़रीब 30 मिनट और 139 से 180 पढ़े गए वाक्य। SenseVoice में भाषा सेट की गई थी। सिर्फ़ साफ़ पढ़ी गई स्पीच: शोर वाले कमरे, मीटिंग और लंबी रिकॉर्डिंग इसमें शामिल नहीं हैं।
हमने जितनी भाषाएँ टेस्ट कीं, उन सबमें Qwen3-ASR ने SenseVoice से कम गलतियाँ कीं। चीनी और जापानी में फ़र्क़ क़रीब एक पॉइंट का है: चीनी में 6.49% (Qwen3-ASR) बनाम 7.69% (SenseVoice), और जापानी में 5.74% बनाम 6.78%। सबसे बड़ा फ़र्क़ कोरियाई में है: SenseVoice दोगुने से ज़्यादा अक्षर गलत लिखता है, 7.85% बनाम 3.54%। अंग्रेज़ी में Qwen3-ASR क़रीब 22 में से एक शब्द गलत लिखता है और SenseVoice क़रीब 12 में से एक।
Whisper Large V3 Turbo, Qwen3-ASR के क़रीब है। जापानी में यह तीनों में सबसे सटीक रहा और कोरियाई व अंग्रेज़ी में दूसरे नंबर पर, लेकिन चीनी में SenseVoice से थोड़ा पीछे रहा।
SenseVoice, Qwen3-ASR से कितना तेज़ है?
| मॉडल | स्पीड (× रियल-टाइम) | एक घंटे का ऑडियो, लगभग |
|---|---|---|
| SenseVoice Small | 115.2–131× | क़रीब 30 सेकंड |
| Qwen3-ASR 1.7B | 7.6× | क़रीब 8 मिनट |
हरा रंग तेज़ मॉडल दिखाता है। ये वही स्पीड हैं जो ऐप में मॉडल कार्ड पर दिखती हैं: सिर्फ़ इंजन का प्रोसेसिंग टाइम, मॉडल लोड होने का समय इसमें नहीं है, और इन्हें Mac पर रोज़मर्रा के इस्तेमाल वाले एक अलग टेस्ट में छोटे क्लिप पर मापा गया। भाषा सेट करने पर SenseVoice 115.2× पर चला और अपने-आप भाषा पहचानने पर 131× पर; राउंड करने से पहले Qwen3-ASR की मापी गई स्पीड 7.65× थी। एक घंटे के समय इन्हीं स्पीड से निकालकर राउंड किए गए हैं।
SenseVoice 15 गुना से ज़्यादा तेज़ है। एक घंटे की रिकॉर्डिंग पर इसका मतलब है क़रीब आधा मिनट बनाम क़रीब आठ मिनट। अगर आप लंबी रिकॉर्डिंग ट्रांसक्राइब करते हैं, या आपको टेक्स्ट तुरंत चाहिए, तो यह फ़र्क़ सटीकता के एक पॉइंट से ज़्यादा मायने रखता है। पर अगर आप कुछ मिनट इंतज़ार कर सकते हैं और बाद में कम सुधार करना चाहते हैं, तो यह फ़र्क़ उतना मायने नहीं रखता।
थोड़ी ज़्यादा सटीकता के लिए भाषा सेट करें
भाषा सेट करने पर SenseVoice ने चारों भाषाओं में ऑटो के मुक़ाबले कम गलतियाँ कीं: चीनी में 7.69% बनाम 7.90%, जापानी में 6.78% बनाम 6.87%, कोरियाई में 7.85% बनाम 8.09% और अंग्रेज़ी में 8.46% बनाम 8.51%। फ़र्क़ छोटे हैं, पर सब एक ही दिशा में हैं। हमने Qwen3-ASR या Whisper को ऑटो पर नहीं चलाया, इसलिए उनके आँकड़े हमारे पास नहीं हैं; ऐप की अपनी सलाह यह है कि Parakeet को छोड़कर, भाषा चुनना आम तौर पर ऑटो से ज़्यादा सटीक होता है।
Parakeet इसका अपवाद है: Whisper Notes में उसे भाषा बताने पर वह कम सटीक हो गया, इसीलिए वह हमेशा भाषा ख़ुद पहचानता है (देखें Parakeet Ultra बनाम Parakeet V3)। Mac पर यह सेटिंग, सेटिंग्स में ट्रांसक्रिप्शन के नीचे भाषा नाम से मिलती है।
लंबी रिकॉर्डिंग में कितना समय लगता है?
असली रिकॉर्डिंग वाले हमारे एक पुराने टेस्ट में, एक Apple M4 Pro पर, SenseVoice ने एक चीनी इंटरव्यू पॉडकास्ट का 27 मिनट का एपिसोड 13.83 सेकंड में ट्रांसक्राइब किया। उसी फ़ाइल पर Whisper Large V3 Turbo को 2 मिनट 4 सेकंड लगे। Qwen3-ASR उस टेस्ट में शामिल नहीं था। वह टेस्ट ऐप के पुराने वर्शन पर हुआ था; स्पीड लगभग 117× रियल-टाइम रही, जो आज के मॉडल कार्ड के 115–131× से मेल खाती है।
उसी टेस्ट से मोटा अंदाज़ा लगाएँ, तो उस Mac पर एक घंटे की मीटिंग या लेक्चर में SenseVoice को क़रीब आधा मिनट और Whisper Large V3 Turbo को क़रीब साढ़े चार मिनट लगेंगे। ऊपर दी गई स्पीड के हिसाब से Qwen3-ASR को लगभग आठ मिनट लगेंगे।
दोनों में से कोई भी मॉडल लंबी फ़ाइल को एक बार में नहीं पढ़ता। Mac ऐप में SenseVoice ऑडियो को ज़्यादा से ज़्यादा 30 सेकंड के हिस्सों में बाँटता है, जो ठहराव पर काटे जाते हैं, और हर हिस्सा पूरा होते ही उसका टेक्स्ट दिखा देता है। Qwen3-ASR भी ज़्यादा से ज़्यादा 30 सेकंड के हिस्सों में काम करता है, जो हर सीमा के पास सबसे शांत पल पर काटे जाते हैं, और उसका टेक्स्ट लिखे जाते समय ही दिखने लगता है। दोनों ही तरह ट्रांसक्रिप्ट हिस्सा-दर-हिस्सा भरता जाता है, और पूरी फ़ाइल ख़त्म होने से पहले ही आप पढ़ना शुरू कर सकते हैं।
मैं अपने डिवाइस पर कौन-सा इस्तेमाल कर सकता हूँ?
| मॉडल | iPhone | Mac App Store वर्शन | हमारी वेबसाइट वाला Mac ऐप |
|---|---|---|---|
| SenseVoice Small | हाँ | हाँ | हाँ |
| Qwen3-ASR 1.7B | नहीं | हाँ (बीटा) | हाँ (बीटा) |
| Whisper Large V3 Turbo | नहीं | हाँ | हाँ |
| Whisper Small | हाँ | हाँ | हाँ |
हरा मतलब उपलब्ध, पीला मतलब उपलब्ध नहीं।
iPhone पर चीनी, जापानी और कोरियाई के लिए SenseVoice तेज़ विकल्प है, और Whisper Small दूसरा विकल्प।
Mac के दो वर्शन क्यों? Mac App Store वर्शन उन सीमाओं के भीतर काम करता है जो Apple ने App Store ऐप्स के लिए तय की हैं, इसलिए कुछ फ़ीचर सिर्फ़ हमारी वेबसाइट वाले Mac ऐप में हैं: Fn वॉइस टाइपिंग, ऑन-डिवाइस AI असिस्टेंट और कमांड-लाइन टूल (पूरी पृष्ठभूमि)। स्पीच मॉडल दोनों में एक जैसे हैं।
Mac पर हर मॉडल की ज़रूरतें
| SenseVoice Small | Qwen3-ASR 1.7B | |
|---|---|---|
| डाउनलोड | क़रीब 450 MB | क़रीब 2.5 GB |
| मेमोरी, मॉडल कार्ड पर | क़रीब 700 MB | क़रीब 2.6 GB |
| पीक मेमोरी, हमारे टेस्ट में | 0.95 GiB | 2.43 GiB |
| Mac | Apple सिलिकॉन | Apple सिलिकॉन, macOS 15 या उसके बाद |
| अनुशंसित मेमोरी | कोई न्यूनतम सीमा नहीं बताई गई | 16 GB अनुशंसित |
डाउनलोड साइज़ और मेमोरी लेबल वैसे ही हैं जैसे हमारी वेबसाइट वाले मौजूदा Mac ऐप में दिखते हैं। पीला रंग उस शर्त को दिखाता है जिसे डाउनलोड से पहले जाँच लें। पीक मेमोरी उसी रोज़मर्रा वाले टेस्ट से है जिससे ऊपर की स्पीड ली गई हैं; GiB, GB से क़रीब 7% बड़ा होता है।
दोनों में से कोई भी मॉडल ऐप के साथ पहले से नहीं आता। हर मॉडल सेटिंग्स में अपने कार्ड से एक बार डाउनलोड होता है और फिर ऑफ़लाइन काम करता है। दोनों में SenseVoice काफ़ी हल्का है: Qwen3-ASR के मुक़ाबले इसका डाउनलोड क़रीब पाँचवाँ हिस्सा है और मेमोरी आधी से भी काफ़ी कम। 16 GB से कम मेमोरी वाले Mac पर Qwen3-ASR का कार्ड चेतावनी के तौर पर मेमोरी वाला नोट नारंगी रंग में दिखाता है। तुलना के लिए, Whisper Large V3 Turbo क़रीब 2 GB का डाउनलोड है, और उसका कार्ड क़रीब 2.4 GB मेमोरी बताता है।
आपको कौन-सा इस्तेमाल करना चाहिए?
- Mac पर सबसे कम गलतियाँ: Qwen3-ASR 1.7B, जो दोनों Mac वर्शन में है। हमारे टेस्ट की चारों भाषाओं में यह SenseVoice से आगे रहा। जापानी में Whisper Large V3 Turbo इससे भी थोड़ा ज़्यादा सटीक था, 5.30% बनाम 5.74%।
- स्पीड, लंबी रिकॉर्डिंग, कम मेमोरी वाला Mac, या iPhone: SenseVoice Small। एक घंटे का ऑडियो क़रीब आठ मिनट की जगह क़रीब आधे मिनट में हो जाता है, और इसका डाउनलोड और मेमोरी, दोनों बहुत कम हैं।
- Qwen3-ASR 1.7B के बिना (उसे macOS 15 चाहिए) जापानी या कोरियाई में ज़्यादा सटीकता: Whisper Large V3 Turbo। जापानी में 5.30% बनाम SenseVoice के 6.78%, और कोरियाई में 4.25% बनाम 7.85%। यह SenseVoice से काफ़ी धीमा है।
- दूसरी भाषाएँ: अंग्रेज़ी और 24 दूसरी यूरोपीय भाषाओं के लिए बिल्ट-इन मॉडल Parakeet (देखें Parakeet Ultra बनाम Parakeet V3), और बाक़ी भाषाओं के लिए Whisper। 30 भाषाओं में Qwen3-ASR 1.7B और Whisper की तुलना हमारे Qwen3-ASR बनाम Whisper बेंचमार्क में है। 42 भाषाओं में सभी छह मॉडलों की त्रुटि दर एक साथ भाषा-वार मॉडल तुलना में है।
और क्या जानना ज़रूरी है?
- स्पीकर लेबल, टाइमस्टैम्प और सबटाइटल दोनों के साथ काम करते हैं। SenseVoice और Qwen3-ASR दोनों टाइमस्टैम्प देते हैं, इसलिए स्पीकर लेबल और SRT सबटाइटल एक्सपोर्ट किसी भी मॉडल के साथ एक जैसे काम करते हैं।
- सरलीकृत या पारंपरिक चीनी आपकी सिस्टम भाषा से तय होती है। ट्रांसक्रिप्शन के बाद Whisper Notes आपके Mac पर ही चीनी टेक्स्ट को आपकी सिस्टम भाषा के हिसाब से सरलीकृत या पारंपरिक अक्षरों में बदल देता है। अगर आप भाषा को 简体中文 (सरलीकृत चीनी) या 繁體中文 (पारंपरिक चीनी) पर सेट करते हैं, तो सिस्टम भाषा के बजाय आपकी यही पसंद लागू होती है।
- बोलियाँ टेस्ट नहीं की गईं। Qwen का अपना मॉडल कार्ड 30 भाषाएँ और चीनी की 22 बोलियाँ व लहजे गिनाता है। Whisper Notes में बोली के लिए अलग सेटिंग नहीं है: आप चीनी या ऑटो चुनते हैं, और बाक़ी मॉडल संभालता है। हमने बोलियाँ टेस्ट नहीं कीं, इसलिए हम नहीं कह सकते कि दोनों में से कोई भी मॉडल उन्हें कितनी अच्छी तरह संभालता है।
- Qwen3-ASR बीटा में है। अगर यह कभी अचानक रुक जाए, तो अगली बार ऐप खुलने पर Whisper Notes इसे बंद करके दूसरे मॉडल पर स्विच कर देता है, ताकि ऐप फिर भी खुल जाए। दोबारा आज़माने के लिए आप सेटिंग्स में फिर से Qwen3-ASR चुन सकते हैं।
- हमारे आँकड़े साफ़ पढ़ी गई स्पीच के हैं। FLEURS के वाक्य शांत माहौल में पढ़कर बोले गए हैं। मीटिंग, शोर वाले कमरे, दूर रखे माइक्रोफ़ोन और भारी लहजे इन अंतरों को घटा भी सकते हैं और बढ़ा भी।
- चीनी और अंग्रेज़ी का मिला-जुला इस्तेमाल टेस्ट नहीं किया गया। जिन वाक्यों में चीनी और अंग्रेज़ी बीच-बीच में बदलती हैं, उन्हें दोनों मॉडल कैसे संभालते हैं, यह हमने नहीं मापा। इसलिए कोई एक मॉडल चुनने से पहले अपनी किसी आम रिकॉर्डिंग पर आज़माकर देख लें।
मॉडल कैसे बदलें?
Mac पर सेटिंग्स खोलें और ट्रांसक्रिप्शन मॉडल तक स्क्रॉल करें। हर मॉडल का एक कार्ड है, जिस पर उसकी स्पीड, वह किस काम के लिए सबसे अच्छा है, कितनी भाषाएँ कवर करता है, उसे कितनी मेमोरी चाहिए और उसका डाउनलोड साइज़ लिखा है। मॉडल डाउनलोड करने के लिए उसके कार्ड पर या कार्ड पर बने डाउनलोड तीर पर क्लिक करें; इंस्टॉल होने के बाद उस मॉडल पर स्विच करने के लिए कार्ड पर क्लिक करें। हर कार्ड पर भाषाओं वाला लिंक (समर्थित भाषाएँ, या Qwen3-ASR 1.7B कार्ड पर 30 समर्थित भाषाएँ) हर भाषा के साथ उस पर हमारी मापी गई त्रुटि दर दिखाता है।
हमारी वेबसाइट वाले Mac ऐप में सेटिंग्स → ट्रांसक्रिप्शन मॉडल
इसके बाद भाषा को ऑटो पर छोड़ने के बजाय ट्रांसक्रिप्शन के नीचे भाषा सेट करें।
SenseVoice क्या है?
| निर्माता | FunAudioLLM, Tongyi Lab, Alibaba Group |
| रिलीज़ | जुलाई 2024, FunAudioLLM पेपर के साथ |
| साइज़ | 234 मिलियन पैरामीटर; हमारी वेबसाइट वाले Mac ऐप में क़रीब 450 MB का डाउनलोड |
| भाषाएँ | चीनी, कैंटोनीज़, अंग्रेज़ी, जापानी और कोरियाई |
| डिज़ाइन | नॉन-ऑटोरिग्रेसिव: यह ऑडियो के पूरे हिस्से का टेक्स्ट एक ही क़दम में लिखता है, एक-एक टुकड़ा करके नहीं |
| लाइसेंस | FunASR Model Open Source License Agreement |
| कहाँ चलता है | आपके डिवाइस पर, ऑफ़लाइन; Mac पर Apple के MLX के ज़रिए GPU पर |
| Whisper Notes में | iPhone, Mac App Store वर्शन और हमारी वेबसाइट वाला Mac ऐप |
FunAudioLLM पेपर से: SenseVoice-Small में 234 मिलियन पैरामीटर हैं और यह 10 सेकंड का ऑडियो 70 ms में प्रोसेस करता है; Whisper-Large-V3 में 1,550 मिलियन हैं और इसे 1,281 ms लगते हैं। दोनों आँकड़े डेटा सेंटर के GPU पर हैं, Mac पर नहीं।
Qwen3-ASR, Alibaba की Qwen टीम का मॉडल है और Apache 2.0 लाइसेंस के तहत आता है। Whisper Notes में यह MLX के ज़रिए Mac के GPU पर 8-bit में चलता है। 30 भाषाओं में Whisper के मुक़ाबले इसके नतीजे हमारे Qwen3-ASR बेंचमार्क में हैं।
अक्सर पूछे जाने वाले सवाल
चीनी, जापानी और कोरियाई के लिए SenseVoice बेहतर है या Qwen3-ASR?
सबसे कम गलतियों के लिए Qwen3-ASR 1.7B: हमारे FLEURS टेस्ट में इसका CER चीनी पर 6.49%, जापानी पर 5.74% और कोरियाई पर 3.54% रहा, जबकि SenseVoice Small का 7.69%, 6.78% और 7.85%। स्पीड के लिए SenseVoice: यह 115.2–131× रियल-टाइम पर चलता है, जबकि Qwen3-ASR 7.6× पर। Qwen3-ASR (बीटा) Mac पर है, Mac App Store वर्शन और हमारी वेबसाइट वाले Mac ऐप, दोनों में; SenseVoice iPhone पर भी है।
क्या SenseVoice, Whisper से बेहतर है?
यह कहीं ज़्यादा तेज़ है, और चीनी में लगभग बराबर। हमारे FLEURS टेस्ट में SenseVoice Small चीनी में Whisper Large V3 Turbo से थोड़ा ज़्यादा सटीक रहा (7.69% बनाम 7.97%), और जापानी (6.78% बनाम 5.30%), कोरियाई (7.85% बनाम 4.25%) और अंग्रेज़ी (8.46% बनाम 5.49%) में कम सटीक। एक Apple M4 Pro पर इसने 27 मिनट का चीनी पॉडकास्ट 13.83 सेकंड में ट्रांसक्राइब किया, जबकि Whisper Large V3 Turbo को 2 मिनट 4 सेकंड लगे।
क्या SenseVoice या Qwen3-ASR पारंपरिक चीनी लिख सकते हैं?
हाँ। ट्रांसक्रिप्शन के बाद Whisper Notes आपके Mac पर टेक्स्ट को सरलीकृत या पारंपरिक चीनी में बदल देता है, आपकी सिस्टम भाषा के हिसाब से, या भाषा सेटिंग में आपने जो चीनी चुनी है उसके हिसाब से। SenseVoice और Qwen3-ASR 1.7B, दोनों के साथ यह एक ही तरह काम करता है।
क्या SenseVoice iPhone पर चलता है?
हाँ। iPhone वाले Whisper Notes में Parakeet और Whisper Small के साथ SenseVoice भी है, और यह फ़ोन पर ही ऑफ़लाइन चीनी, जापानी, कोरियाई, कैंटोनीज़ और अंग्रेज़ी ट्रांसक्राइब करता है। Qwen3-ASR 1.7B iPhone पर उपलब्ध नहीं है।
आज़माकर देखें
SenseVoice, iPhone और Mac दोनों के Whisper Notes में है, और Qwen3-ASR (बीटा) सिर्फ़ Mac पर। नीचे दिए बटन से iPhone ऐप App Store से लें, या Mac ऐप हमारी वेबसाइट से। कोई सवाल हो तो support@whispernotes.app पर ईमेल करें।
iOS के लिए डाउनलोड करें