SenseVoice vs Qwen3-ASR: koji je bolji za kineski, japanski i korejski?

Brojke o točnosti dobili smo vlastitim mjerenjem. SenseVoice Small, Qwen3-ASR i Whisper Large V3 Turbo pokrenuli smo na istim naglas pročitanim rečenicama iz skupa FLEURS, oko 30 minuta po jeziku, s modelima koje koristi Whisper Notes. Brzine su one koje aplikacija prikazuje na kartici svakog modela, iz zasebnog testa na kratkim isječcima. Sve ostalo u tekstu opisuje kako Mac aplikacija radi danas.

Koliko je Qwen3-ASR točniji od SenseVoicea?

Stopa pogreške znakova (CER) za kineski, japanski i korejski, stopa pogreške riječi (WER) za engleski; niže je bolje. Zelenom je označena najniža vrijednost u svakom retku. Naše vlastito mjerenje na testnom skupu FLEURS, na Macu: oko 30 minuta i 139 do 180 pročitanih rečenica po jeziku. SenseVoice je radio s postavljenim jezikom. Samo čist čitani govor: bučne prostorije, sastanci i duge snimke nisu obuhvaćeni.

Qwen3-ASR griješi manje od SenseVoicea u svim jezicima koje smo testirali. Na kineskom i japanskom razlika je oko jednog postotnog boda: na kineskom 6,49 % (Qwen3-ASR) prema 7,69 % (SenseVoice), a na japanskom 5,74 % prema 6,78 %. Najveća je razlika na korejskom: stopa pogreške SenseVoicea više je nego dvostruko veća, 7,85 % prema 3,54 %. Na engleskom Qwen3-ASR pogriješi otprilike jednu riječ od 22, a SenseVoice otprilike jednu od 12.

Whisper Large V3 Turbo po točnosti je blizak modelu Qwen3-ASR. Na japanskom je bio najtočniji od sva tri modela, na korejskom i engleskom drugi, a na kineskom je malo zaostao za SenseVoiceom.

Koliko je SenseVoice brži od modela Qwen3-ASR?

Zelenom je označen brži model. Ovo su brzine prikazane na karticama modela u aplikaciji: samo vrijeme koje model troši na obradu, bez učitavanja modela, izmjereno na kratkim isječcima u zasebnom testu svakodnevne upotrebe na Macu. SenseVoice je s postavljenim jezikom radio brzinom 115,2×, a s automatskim prepoznavanjem jezika 131×; Qwen3-ASR je prije zaokruživanja imao 7,65×. Vremena za jedan sat izračunata su iz tih brzina i zaokružena.

SenseVoice je više od 15 puta brži. Za snimku od sat vremena to je oko pola minute prema oko osam minuta. Ako transkribirate duge snimke ili tekst želite odmah, ta je razlika važnija od jednog postotnog boda točnosti. Ako možete pričekati nekoliko minuta i želite manje ispravljanja, nije.

Postavite jezik za malo veću točnost

S postavljenim jezikom SenseVoice je u sva četiri jezika griješio manje nego s opcijom Auto (automatsko prepoznavanje): na kineskom 7,69 % prema 7,90 %, na japanskom 6,78 % prema 6,87 %, na korejskom 7,85 % prema 8,09 % i na engleskom 8,46 % prema 8,51 %. Razlike su male, ali sve idu u istom smjeru. Qwen3-ASR i Whisper nismo pokretali s opcijom Auto, pa za njih nemamo brojke. Sama aplikacija savjetuje da je, osim kod Parakeeta, odabir jezika obično točniji od opcije Auto.

Parakeet je iznimka: u Whisper Notes mu je zadani jezik smanjivao točnost, pa jezik uvijek prepoznaje sam (vidi Parakeet Ultra naspram Parakeet V3). Na Macu je to postavka Language (jezik) u odjeljku Transcription (transkripcija) u Settings (postavke).

Koliko traje obrada dugih snimki?

U ranijem testu sa stvarnom snimkom, na čipu Apple M4 Pro, SenseVoice je 27-minutnu epizodu kineskog podcasta s intervjuima transkribirao za 13,83 sekunde. Whisper Large V3 Turbo za istu je datoteku trebao 2 minute i 4 sekunde. Qwen3-ASR nije bio dio tog testa. Taj je test napravljen na ranijoj verziji aplikacije; brzina od oko 117× stvarnog vremena odgovara brzini od 115–131× koju danas prikazuje kartica modela.

Ako taj test grubo preračunamo, SenseVoice bi na tom Macu sastanak ili predavanje od sat vremena obradio za oko pola minute, a Whisper Large V3 Turbo za oko četiri i pol minute. Prema gornjim brzinama, Qwen3-ASR bi trebao otprilike osam minuta.

Nijedan model ne čita dugu datoteku odjednom. U Mac aplikaciji SenseVoice dijeli zvuk na dijelove do 30 sekundi, rezane na stankama, i prikazuje tekst svakog dijela čim je gotov. Qwen3-ASR također radi u dijelovima do 30 sekundi, rezanima na najtišem mjestu blizu svake granice, a njegov se tekst pojavljuje dok nastaje. U oba slučaja transkript se popunjava dio po dio i možete ga početi čitati prije nego što je cijela datoteka gotova.

Koji model mogu koristiti na svom uređaju?

Zelena boja znači da je model dostupan, jantarna da nije.

Na iPhoneu je SenseVoice brz izbor za kineski, japanski i korejski, a Whisper Small je alternativa.

Zašto dvije verzije za Mac? Verzija iz Mac App Storea radi unutar ograničenja koja Apple postavlja aplikacijama u App Storeu, pa neke značajke postoje samo u Mac aplikaciji s naše web-stranice: glasovno tipkanje tipkom Fn, lokalni AI asistent i alat naredbenog retka (više o tome). Modeli za prepoznavanje govora u obje su verzije isti.

Što koji model traži od Maca

Veličine preuzimanja i oznake memorije kakve prikazuje trenutna Mac aplikacija s naše web-stranice. Jantarnom je označen uvjet koji treba provjeriti prije preuzimanja. Vršna memorija potječe iz istog testa svakodnevne upotrebe kao i gornje brzine; GiB je oko 7 % veći od GB.

Nijedan od ta dva modela nije ugrađen. Svaki se preuzima jednom, sa svoje kartice u Settings, i nakon toga radi offline. SenseVoice je znatno lakši: preuzimanje mu je otprilike petina, a memorija dobro ispod polovice onoga što traži Qwen3-ASR. Na Macu s manje od 16 GB memorije kartica modela Qwen3-ASR prikazuje napomenu o memoriji narančastom bojom, kao upozorenje. Za usporedbu, Whisper Large V3 Turbo preuzima oko 2 GB, a na njegovoj kartici piše oko 2,4 GB memorije.

Koji model odabrati?

• Najmanje pogrešaka, na Macu: Qwen3-ASR 1.7B, u obje verzije za Mac. U našem je testu bio bolji od SenseVoicea u sva četiri jezika. Na japanskom je Whisper Large V3 Turbo bio još malo točniji, 5,30 % prema 5,74 %.
• Brzina, duge snimke, Mac s manje memorije ili iPhone: SenseVoice Small. Sat zvuka obradi za oko pola minute umjesto za oko osam, a preuzimanje i memorija tek su mu mali dio onoga što traži Qwen3-ASR.
• Točnost na japanskom ili korejskom bez modela Qwen3-ASR 1.7B (on traži macOS 15): Whisper Large V3 Turbo, na japanskom 5,30 % prema 6,78 % kod SenseVoicea, a na korejskom 4,25 % prema 7,85 %. Znatno je sporiji od SenseVoicea.
• Ostali jezici: Parakeet, ugrađeni model, za engleski i 24 druga europska jezika (vidi Parakeet Ultra naspram Parakeet V3), a Whisper za sve ostale. Usporedba modela Qwen3-ASR 1.7B i Whispera na 30 jezika nalazi se u našem testu Qwen3-ASR naspram Whispera. Sve modele jedan uz drugi, sa stopom pogreške za vaš jezik, naći ćete u usporedbi modela na 42 jezika.

Što još trebate znati?

• Oznake govornika, vremenske oznake i titlovi rade s oba modela. I SenseVoice i Qwen3-ASR daju vremenske oznake, pa oznake govornika i izvoz titlova u SRT rade jednako s bilo kojim od njih.
• Pojednostavljeni ili tradicionalni kineski ovisi o jeziku sustava. Nakon transkripcije Whisper Notes na vašem Macu pretvara kineski tekst u pojednostavljene ili tradicionalne znakove, prema jeziku sustava. Ako jezik postavite na 简体中文 (pojednostavljeni kineski) ili 繁體中文 (tradicionalni kineski), odlučuje taj odabir.
• Dijalekti nisu testirani. Službena kartica modela tima Qwen navodi 30 jezika i 22 kineska dijalekta i naglaska. Whisper Notes nema zasebnu postavku za dijalekt: birate kineski ili Auto, a ostalo radi model. Dijalekte nismo testirali, pa ne možemo reći koliko ih dobro koji model prepoznaje.
• Qwen3-ASR je još u beta fazi. Ako se ikad neočekivano zaustavi, Whisper Notes ga pri sljedećem pokretanju isključi i prebaci se na drugi model, tako da se aplikacija i dalje otvara. Qwen3-ASR možete ponovno odabrati u Settings i pokušati opet.
• Naše brojke vrijede za čist čitani govor. Rečenice iz skupa FLEURS čitaju se naglas u tihim uvjetima. Sastanci, bučne prostorije, udaljeni mikrofoni i jaki naglasci mogu promijeniti razlike u bilo kojem smjeru.
• Govor koji miješa kineski i engleski nije testiran. Nismo mjerili kako se modeli snalaze s rečenicama koje prelaze s kineskog na engleski i obratno, pa prije odluke isprobajte neku svoju tipičnu snimku.

Kako promijeniti model?

Na Macu otvorite Settings i pomaknite se do odjeljka Transcription Model (model za transkripciju). Svaki model ima karticu na kojoj piše njegova brzina, za što je najbolji, koliko jezika pokriva, koliko memorije treba i kolika mu je veličina preuzimanja. Za preuzimanje modela kliknite njegovu karticu ili strelicu za preuzimanje na njoj; kad je instaliran, kliknite karticu da se prebacite na njega. Poveznica na jezike na svakoj kartici (Supported Languages, tj. podržani jezici, ili 30 supported languages na kartici Qwen3-ASR 1.7B) navodi svaki jezik s našom stopom pogreške za njega.

Settings → Transcription Model u Mac aplikaciji s naše web-stranice

Zatim u odjeljku Transcription postavite Language umjesto da ga ostavite na Auto.

Što je SenseVoice?

Iz rada FunAudioLLM: SenseVoice-Small ima 234 milijuna parametara i 10 sekundi zvuka obradi za 70 ms; Whisper-Large-V3 ima 1550 milijuna parametara i treba mu 1281 ms. Oba su mjerenja na GPU-u u podatkovnom centru, ne na Macu.

Qwen3-ASR dolazi od Alibabina tima Qwen, pod licencom Apache 2.0. U Whisper Notes radi na GPU-u Maca putem MLX-a, u 8-bitnoj preciznosti. Njegove rezultate u odnosu na Whisper na 30 jezika donosi naš test modela Qwen3-ASR.

Često postavljana pitanja

Isprobajte

SenseVoice je dostupan u Whisper Notes na iPhoneu i Macu, a Qwen3-ASR (Beta) samo na Macu. Gumbima ispod preuzmite aplikaciju za iPhone iz App Storea ili Mac aplikaciju s naše web-stranice. Imate pitanja? Pišite na support@whispernotes.app.

Preuzmi za iOS Preuzmi za macOS