Htjeli smo odgovoriti na jedno pitanje: postoji li lokalni model koji tvoj jezik prepisuje točnije od Whisper Large V3? Zato smo ove modele testirali na skupu podataka FLEURS.
FLEURS je Googleov skup podataka s čitanim govorom na 102 jezika. Iz svakog jezika uzeli smo oko 75 rečenica i pustili iste snimke, istim redoslijedom, kroz pet modela:
- Parakeet V3
- Whisper Large V3 Turbo
- SenseVoice Small
- Whisper Small
- Qwen3-ASR 1.7B
Rezultati izgledaju ovako.
Qwen3-ASR 1.7B naspram Whisper Large V3 Turbo — naše vlastito mjerenje na FLEURS-u, jedan M5 MacBook Air, čitani govor, kratke snimke.
| Qwen3-ASR 1.7B | Whisper Large V3 Turbo | |
|---|---|---|
| Podržani jezici | 30 | 101 |
| Jasne prednosti | kantonski, hindi, tajski, vijetnamski, francuski (5) | finski, mađarski, grčki i još 8 jezika (11) |
| Brzina | 8,7× brže od stvarnog vremena | 2,4× brže od stvarnog vremena |
| Vršno zauzeće memorije | 2,43 GiB | 1,87 GiB |
| Veličina preuzimanja | oko 2,5 GB | oko 1,6 GB |
Izvan jakih jezika svakog modela razlika u točnosti je mala.
Whisper Large V3 naspram Qwen3-ASR: detaljna usporedba
Svih 30 jezika, poredanih od najveće Qwenove pobjede do najvećeg poraza. U oba stupca niže znači bolje.
Naše vlastito mjerenje na FLEURS-u, jedan M5 MacBook Air, čitani govor. Za kineski, kantonski, japanski, korejski i tajski CER, za ostalo WER; zeleno označava prednost širu od uparenih intervala od 95 %.
| Jezik | Qwen3-ASR 1.7B | Whisper Large V3 Turbo |
|---|---|---|
| Kantonski | 6,00 | 37,97 |
| Hindi | 13,67 | 30,42 |
| Tajski | 5,92 | 12,95 |
| Vijetnamski | 5,07 | 9,79 |
| Perzijski | 26,98 | 30,03 |
| Arapski | 14,14 | 15,75 |
| Indonezijski | 4,97 | 6,50 |
| Francuski | 3,98 | 5,39 |
| Kineski | 5,69 | 6,88 |
| Engleski | 5,07 | 5,92 |
| Njemački | 3,51 | 4,10 |
| Japanski | 5,39 | 5,71 |
| Korejski | 3,51 | 3,70 |
| Španjolski | 3,60 | 3,76 |
| Talijanski | 2,98 | 3,05 |
| Ruski | 5,98 | 5,51 |
| Portugalski | 5,64 | 4,91 |
| Makedonski | 17,81 | 16,64 |
| Malajski | 11,60 | 10,18 |
| Nizozemski | 7,65 | 5,63 |
| Turski | 8,34 | 5,53 |
| Danski | 20,12 | 14,92 |
| Poljski | 12,78 | 5,32 |
| Rumunjski | 18,97 | 8,22 |
| Filipinski | 20,44 | 9,37 |
| Švedski | 20,04 | 8,72 |
| Češki | 23,92 | 11,15 |
| Grčki | 30,20 | 12,97 |
| Finski | 26,08 | 6,54 |
| Mađarski | 36,35 | 13,66 |
Naše vlastito upareno mjerenje na FLEURS testnom skupu, revizija 70bb2e84, oko 75 rečenica po jeziku, jedan M5 MacBook Air.
Pet jezika koje Qwen3-ASR 1.7B osvaja uvjerljivo. Stopa pogreške u postocima, Qwen naspram Turba: kantonski (6,0 naspram 38,0), hindi (13,7 naspram 30,4), tajski (5,9 naspram 13,0), vijetnamski (5,1 naspram 9,8), francuski (4,0 naspram 5,4). Kantonski i tajski broje se po znakovima, ostali po riječima. Njegova prednost leži u jezicima koji se broje po znakovima: na kineskom, kantonskom, japanskom, korejskom i tajskom imao je prosjek 5,3 % naspram 13,4 % kod Turba. Na preostalih dvadeset pet, koji se broje po riječima, prosjek mu je 14,0 % naspram 10,2 % kod Turba.
Jedanaest jezika koje Whisper Large V3 Turbo osvaja uvjerljivo. Stopa pogreške u postocima, Qwen naspram Turba, svugdje po riječima: mađarski (36,4 naspram 13,7), grčki (30,2 naspram 13,0), finski (26,1 naspram 6,5), češki (23,9 naspram 11,2), filipinski (20,4 naspram 9,4), danski (20,1 naspram 14,9), švedski (20,0 naspram 8,7), rumunjski (19,0 naspram 8,2), poljski (12,8 naspram 5,3), turski (8,3 naspram 5,5), nizozemski (7,7 naspram 5,6).
Četrnaest jezika koji su blizu ili izjednačeni. Engleski (5,1 naspram 5,9), njemački (3,5 naspram 4,1), španjolski (3,6 naspram 3,8), talijanski (3,0 naspram 3,1), ruski (6,0 naspram 5,5), portugalski (5,6 naspram 4,9); kineski (5,7 naspram 6,9), japanski (5,4 naspram 5,7) i korejski (3,5 naspram 3,7) broje se po znakovima. Zatim arapski, indonezijski, perzijski, malajski i makedonski. Svaka je razlika ovdje mala i staje unutar pojasa od 95 %, pa ovo mjerenje ne razdvaja dva modela.
Kantonski je jedini redak koji mijenja odluku: 6,00 % naspram 37,97 %. SenseVoice Small, koji smo dotad objavljivali kao odgovor za kantonski, na istim je snimkama imao 36,71 % CER. Na ovom skupu čitanog govora prag ne prelazi nijedan od njih, pa stariju preporuku od sada prati ta ograda.
Koliko je brz Qwen3-ASR 1.7B?
Svih pet enginea mjerili smo u istom postavu na jednom računalu (M5 MacBook Air), pa su barem međusobno usporedivi.
Medijan faktora stvarnog vremena po jezicima svakog enginea u istom mjerenju na FLEURS-u, jedan M5 MacBook Air, čitani govor.
| Engine | Jezici | Medijan brzine u ovom mjerenju (kratke snimke) |
|---|---|---|
| SenseVoice Small | 6 jezika | 161,0× |
| Parakeet TDT 0.6B v3 | 25 | 82,9× |
| Qwen3-ASR 1.7B | 30 navedenih | 8,7× |
| Whisper Small | 101 | 6,4× |
| Whisper Large V3 Turbo | 101 | 2,4× |
Ovo su brojke s postava na kratkim snimkama i niže su od onoga što isti engineovi postižu na dugoj snimci. Ovaj stupac koristi samo za usporedbu enginea međusobno unutar ovog jednog mjerenja.
Parakeet V3 i SenseVoice Small u istom su postavu otprilike red veličine brži od Qwen3-ASR. Na dugim datotekama umjesto kratkih snimaka Parakeet je radio 103× brže od stvarnog vremena na M4 Pro, a SenseVoice 52× i više: drugo mjerenje na drugom zvuku, ali pokazuje u istom smjeru.
Qwen3-ASR je u sredini. U ovom mjerenju na kratkim snimkama nije bio najsporiji engine, najsporiji je bio Whisper Large V3 Turbo. Ali varira po jezicima više od ostalih: od 2,7× na grčkom do 12,4× na japanskom.
Koliko Qwen3-ASR košta memorije i prostora na disku?
Vršno zauzeće memorije najveći je otisak procesa zabilježen po stavkama istog mjerenja na FLEURS-u, jedan M5 MacBook Air, čitani govor, kratke snimke.
| Engine | Veličina preuzimanja | Vršno zauzeće memorije u ovom mjerenju |
|---|---|---|
| Parakeet TDT 0.6B v3 | 465 MB | 0,09 GiB |
| Whisper Small | 600 MB | 0,87 GiB |
| SenseVoice Small | 827 MB | 0,95 GiB |
| Whisper Large V3 Turbo | oko 1,6 GB | 1,87 GiB |
| Qwen3-ASR 1.7B | oko 2,5 GB | 2,43 GiB |
Na obje osi Qwen3-ASR je najteži od petorice: oko 2,5 GB preuzimanja i 2,43 GiB vršne memorije procesa u ovom mjerenju, naspram oko 1,6 GB i 1,87 GiB za Whisper Large V3 Turbo.
Na Macu s 8 GB postoji lakši put. Parakeet V3 pokriva 25 jezika u 465 MB i 0,09 GiB, a Whisper Small 101 jezik u 600 MB i 0,87 GiB.
Kako smo mjerili: FLEURS, 30 jezika, jedan Mac
Qwen3-ASR 1.7B radio je kao MLX 8-bit build, a Whisper Large V3 Turbo kao whisper.cpp ggml build na Metalu. Podaci su testni skup Google FLEURS u reviziji 70bb2e84 (CC-BY-4.0): 83 od njegova 102 jezika, oko 75 rečenica i 15 minuta po jeziku, iste snimke istim redoslijedom za svaki model; uparena usporedba obuhvaća Qwenovih 30. WER za jezike odvojene razmacima, CER za kineski, kantonski, japanski, korejski i tajski, nikad spojeno u jedan broj; intervali pogreške su bootstrap na razini stavki s 10.000 ponovnih uzorkovanja. Jedan M5 MacBook Air, 32 GB, macOS 26.5, nijedan model nije dao prazne izlaze ni pogreške.
FLEURS je čitani govor, ne sastanak i ne diktiranje. Poredak s čitanog govora dvaput nam nije preživio susret sa stvarnim zvukom, pa ga ne ekstrapoliramo na duge snimke: ove tablice govore je li model uvjerljiv kandidat za tvoj jezik, a ne kakvu ćeš točnost dobiti. Ocjena Qwen3-ASR 1.7B na stvarnim sastancima bit će zaseban tekst.
Trebaš li koristiti Qwen3-ASR umjesto Whisper Large V3?
Jezik po jezik — ovako bismo na to odgovorili unutar Whisper Notes za Mac.
- Ako transkribiraš kantonski, hindi, tajski, vijetnamski ili francuski: uzmi Qwen3-ASR 1.7B.
- Ako transkribiraš kineski, japanski, korejski, engleski, njemački, španjolski ili talijanski: vodio je za dlaku i više od dlake nećemo tvrditi. Bilo koji od dva modela je u redu, kao i za perzijski, arapski, indonezijski, ruski, portugalski, makedonski i malajski.
- Ako transkribiraš finski, mađarski, grčki, češki, švedski, danski, poljski, rumunjski, filipinski, turski ili nizozemski: ostani na Whisper Large V3 Turbo. Svih jedanaest osvojio je uvjerljivo.
- Ako ti je stalo do brzine ili prostora na disku: nije to ovaj engine. Parakeet V3 i SenseVoice Small bili su red veličine brži uz djelić veličine preuzimanja, a Whisper Small pokriva 101 jezik u 600 MB pri 6,4×.
- Ako si na iPhoneu ili na verziji iz Mac App Storea: engine ondje još ne postoji. Na tim je kanalima SenseVoice izbor za kantonski.
Ovo je Alibabin otvoreni Qwen3-ASR, koji je Whisper Notes za Mac prenio na uređaj: otvorene težine pretvorene u Apple MLX u 8-bit, rade na GPU-u tvog Maca, bez slanja zvuka na Alibabine poslužitelje. Nije to isti model kao 0.6B koji je SenseVoice zamijenio u izravnom preuzimanju za Mac (DMG) 1.5.0.
Kako ga uključiti (izravno preuzimanje za Mac, DMG 1.6.0 i novije): Postavke → Model transkripcije → Qwen3-ASR 1.7B. Model se preuzima unutar aplikacije pri prvom korištenju i težak je oko 2,5 GB. Traži macOS 15 ili noviji na Apple siliconu, preporučeno 16 GB memorije; ostatak aplikacije radi na macOS 14. Popis jezika po engineima je na stranici podrške za jezike. Lokalni CLI i MCP poslužitelj primaju „qwen“, „qwen3“ i „qwen3-asr“.
Ako radije ne bi mijenjao, ne moraš mijenjati ništa: Parakeet V3 i dalje je zadani.
Često postavljana pitanja
Je li Qwen3-ASR točniji od Whisper Large V3 Turbo?
Ovisi o jeziku, a omjer je gotovo izjednačen. U našem vlastitom mjerenju na FLEURS-u unutar Whisper Notes za Mac, na 30 jezika koje pokrivaju oba modela, Qwen3-ASR 1.7B bio je ispred u 15, a Whisper Large V3 Turbo u 15. Qwen je uvjerljivo vodio na kantonskom (6,00 % naspram 37,97 % CER), hindiju (13,67 % naspram 30,42 % WER), tajskom, vijetnamskom i francuskom. Turbo je uvjerljivo vodio na finskom (6,54 % naspram 26,08 % WER), mađarskom, grčkom, češkom, švedskom, danskom, poljskom, rumunjskom, filipinskom, turskom i nizozemskom. Četrnaest od trideset razlika staje unutar intervala pogreške i treba ih čitati kao neriješeno. Odaberi Qwen3-ASR ako je tvoj jezik u njegovu stupcu pobjeda i koristiš izravno preuzimanje Whisper Notes za Mac (DMG); za sve ostalo i za svaki jezik izvan Qwenovih 30 odaberi Whisper Large V3 Turbo, jer Whisper pokriva svih 101 jezik.
Mogu li koristiti Qwen3-ASR na iPhoneu ili iz Mac App Storea?
Danas je u izravnom preuzimanju Whisper Notes za Mac (DMG), od verzije 1.6.0. Verzija iz Mac App Storea trebala bi novije engineove dobiti u kasnijim izdanjima, ali datum nemamo. Do tada aplikacija za iPhone i verzija iz Mac App Storea imaju tri obitelji enginea — Whisper, Parakeet V3 i SenseVoice — a svaki jezik koji Qwen prepoznaje ondje pokriva Whisper. Ako se broji po modelima, verzija iz Mac App Storea danas nudi četiri, a izravno preuzimanje pet, jer Whisper dolazi i kao Small i kao Large V3 Turbo. Ako ti treba kantonski na iPhoneu, ondje koristi SenseVoice.
Qwen3-ASR ili SenseVoice za kineski, japanski i korejski?
Po točnosti su blizu, po brzini vrlo daleko. U našem mjerenju na FLEURS-u Qwen3-ASR je imao 5,69 % CER na kineskom, 5,39 % na japanskom i 3,51 % na korejskom; SenseVoice Small na istim snimkama 7,06 %, 6,85 % i 7,82 %. SenseVoice je u tom mjerenju radio s medijanom od 161× brže od stvarnog vremena naspram 8,7× kod Qwena, preuzima 827 MB naspram oko 2,5 GB i dostupan je na iPhoneu i u obje Mac verzije. Odaberi SenseVoice, osim ako transkribiraš kantonski: ondje je Qwen3-ASR imao 6,00 % CER naspram 36,71 % kod SenseVoicea, a razlika je dovoljno velika da se isplati čekati.
Koji su sistemski zahtjevi za Qwen3-ASR 1.7B?
Mac s Apple siliconom na macOS 15 ili novijem, preporučeno 16 GB memorije, plus oko 2,5 GB prostora na disku za sam model. To je više od ostatka Whisper Notes za Mac, koji radi na macOS 14 i novijem. U našem mjerenju model je dosegnuo vrh od 2,43 GiB memorije procesa, najviše od pet enginea. Na Macu s 8 GB isti popis od 101 jezika pokriva Whisper Small u 600 MB, a 25 europskih jezika Parakeet V3 u 465 MB.
Napušta li zvuk moj Mac kad koristim Qwen3-ASR?
Ne. Alibaba Qwen3-ASR nudi i kao uslugu u oblaku, preko DashScope Real-time i FileTrans API-ja, gdje se zvuk šalje na njihove poslužitelje. Whisper Notes ih ne koristi. Otvorene težine pokreće lokalno, kao MLX 8-bit model na GPU-u tvog Maca, bez računa i bez API ključa, a transkripcija radi s isključenom mrežom. Tako radi svaka obitelj enginea u aplikaciji, na svakom kanalu.
Zašto ove brojke ne odgovaraju točnosti koju dobivam na svojim snimkama?
Zato što je FLEURS kratak, čist, čitani govor, a tvoje snimke nisu. Naše je mjerenje kalibracija na javnom skupu podataka: oko 75 rečenica po jeziku, jedan M5 MacBook Air, iste snimke za svaki model. Koristan je za pitanje je li model uvjerljiv kandidat za neki jezik, a nije predviđanje tvoje točnosti na sastanku, na bučnom zvuku, na govoru s naglaskom ni na dvosatnoj datoteci.
Isprobaj
Qwen3-ASR 1.7B je u Whisper Notes za Mac 1.6.0 i novijima, samo u izravnom preuzimanju (DMG). Postavke → Model transkripcije. Besplatna probna verzija pokriva 10.000 riječi, dovoljno da kroz njega pustiš vlastiti jezik i ne složiš se s tablicama gore.
Ako nađeš jezik gdje se naše brojke ne poklapaju s tvojim iskustvom, piši na mac@whispernotes.app. Potpune bilješke o izdanju: whispernotes.app/changelog.
Izvori za sve navedeno: naše mjerenje na testnom skupu Google FLEURS u reviziji 70bb2e84, kartica modela Qwen3-ASR 1.7B i tablica jezika po engineima na stranici podrške za jezike, koja se generira iz izvornog koda same aplikacije.
Preuzmi za macOS