TL;DR
| Parakeet V3 | Whisper összehasonlításként | |
|---|---|---|
| Sebesség | 10× vs. Turbo; ~23× vs. V3 | Turbo / Large V3 a viszonyítási alap |
| Támogatott nyelvek | 25 | 100+ |
| Angol hibaarány (WER) | 6,32% | Turbo 7,83%; V3 7,44% |
| Átl. hibaarány, 25 nyelv (WER) | 12,0% | 12,6% |
| Hallucinációk | Tesztjeinkben csendnél gyakorlatilag nincs | Csendnél előfordulhat |
| Mire a legjobb | Angol & európai nyelvek | Ázsiai, arab, 100+ |
* Sebesség: ugyanaz a 35 perces hanganyag Apple Siliconon. Angol WER: Hugging Face Open ASR Leaderboard. 25 nyelv átlaga: FLEURS benchmark. A csendnél mutatott viselkedés saját termékmegfigyelésünk, nem nullahiba-garancia.
Az 1.3.2-es verziótól kezdve (Direct Download / DMG) a Whisper Notes for Mac alapértelmezett beszédmotorja az NVIDIA Parakeet TDT 0.6B. Angol nyelven 10x gyorsabb, mint a Whisper Large V3 Turbo, és pontosabb is. Ha más nyelvekre van szüksége, a Whisper-modellek továbbra is elérhetők.
Miért váltottunk alapértelmezett modellt
A Whisper nagyszerű, de általános célú modellnek tervezték. Több mint 100 nyelvet kezel, fordít, időbélyegeket generál — igazi svájci bicska. Ennek ára a sebesség. Angol diktáláshoz, ahol csupán az a cél, hogy a szavak gyorsan megjelenjenek a képernyőn, ez túlzás.
Volt valami, ami mindig zavart: amikor az Fn-billentyűs, rendszerszintű diktálást használtam a Whisperrel, egy nagyjából 1 perces megszólalás végén 3–5 másodpercet kellett várni, mire megjelent az átirat. Ez a szünet megtöri a lendületet. Az ember elhallgat, vár, és a kurzort bámulja — ez megöli a hangalapú gépelés varázsát.
A Parakeet ezt teljesen megváltoztatta. Olyan gyors, hogy az átirat abban a pillanatban megjelenik, amint Ön abbahagyja a beszédet. Kimondja a szavakat, és azok egyszerűen ott vannak. Aki egyszer megtapasztalta ezt az érzést — ezt a zökkenőmentes, várakozás nélküli folyamatot —, annak nagyon nehéz visszatérnie a Whisperhez.
Milyen gyors a Parakeet V3?
A számok önmagukért beszélnek. Íme egy valós összehasonlítás egy 35 perces hangfájllal, ugyanazon a Macen:
| Modell | 35 perces hanganyag |
|---|---|
| Whisper Large V3 Turbo | 3 perc |
| Parakeet TDT 0.6B v3 | 18 másodperc |
Ez 10x gyorsabb. És mivel a modell kisebb (600M vs. 800M paraméter), kevesebb memóriát és kevesebb energiát is fogyaszt.
Mitől ilyen gyors a Parakeet v3
A Whisper úgy hallgatja a hanganyagot, ahogy az ember hangosan felolvas egy könyvet — szóról szóra, képkockáról képkockára, sosem ugrik előre. Még csend alatt is dolgozik, és találgatja, mi következik. Ez alapos, de lassú.
A Parakeet gyökeresen más megközelítést alkalmaz. A feldolgozás előtt 8x-osára tömöríti a hangjelet, így a modell csak azt látja, ami számít. Ezután ahelyett, hogy minden egyes képkockán végigrágná magát, nemcsak azt jósolja meg, melyik szó hangzott el, hanem azt is, meddig tart az a szó — és előreugrik. Csend? Teljesen kihagyja. Egy hosszú magánhangzó? Egyetlen predikció tucatnyi helyett.
Az eredmény egy olyan modell, amely úgy dolgozza fel a beszédet, ahogy az emberi agy — a szavakra összpontosít, a szüneteket figyelmen kívül hagyja. Ezért 10x gyorsabb kevesebb paraméterrel és nagyobb pontossággal.
Benchmarkok: Parakeet v3 vs Whisper
A Parakeet v3 a FLEURS, CoVoST és MLS benchmarkokon eléri vagy felülmúlja a nála 2-4x nagyobb modelleket
A Hugging Face Open ASR Leaderboardon a Parakeet v3 mindössze 600M paraméterrel vezeti a listát — ez kevesebb, mint a Whisper Large V3 1,55B paraméterének fele:
| Modell | Paraméterek | Átl. WER | Sebesség (RTFx) |
|---|---|---|---|
| Parakeet TDT 0.6B v3 | 0,6B | 6,32% | 3333x |
| Canary 1B v2 | 1,0B | 7,15% | 749x |
| Whisper Large V3 | 1,55B | 7,44% | 146x |
| Whisper Large V3 Turbo | 0,8B | 7,83% | 350x |
Alacsonyabb WER = kevesebb hiba. Magasabb RTFx = nagyobb sebesség. A Parakeet mindkettőben nyer. 600M paraméterével egyben a lista legkisebb modellje is — ami azt jelenti, hogy kiválóan fut Apple Siliconon, minimális memória- és energiafogyasztással.
Többnyelvű WER: mind a 25 nyelv
A fenti ranglista csak az angolt fedi le. Íme a teljes kép — így teljesít a Whisper Notesban elérhető három modell mind a 25 nyelven, amelyet a Parakeet támogat, a FLEURS benchmarkon mérve. Alacsonyabb WER = kevesebb átírási hiba. A Large V3 és a Parakeet közül a jobb értéket soronként kiemeljük:
| Nyelv | Whisper Small | Whisper Large V3 | Parakeet V3 |
|---|---|---|---|
| Bolgár | 37,3 | 12,9 | 12,6 |
| Horvát | 33,4 | 11,1 | 12,5 |
| Cseh | 37,6 | 11,3 | 11,0 |
| Dán | 32,8 | 12,6 | 18,4 |
| Holland | 16,4 | 5,6 | 7,5 |
| Angol | 6,1 | 4,3 | 4,9 |
| Észt | 51,3 | 19,1 | 17,7 |
| Finn | 24,0 | 7,7 | 13,2 |
| Francia | 15,0 | 6,3 | 5,2 |
| Német | 10,2 | 4,3 | 5,0 |
| Görög | 30,8 | 27,0 | 20,7 |
| Magyar | 38,9 | 14,1 | 15,7 |
| Olasz | 9,8 | 2,3 | 3,0 |
| Lett | 53,2 | 18,3 | 22,8 |
| Litván | 65,6 | 22,3 | 20,4 |
| Máltai | 92,2 | 68,9 | 20,5 |
| Lengyel | 14,7 | 4,7 | 7,3 |
| Portugál | 7,3 | 3,7 | 4,8 |
| Román | 29,8 | 8,2 | 12,4 |
| Orosz | 11,4 | 4,2 | 5,5 |
| Szlovák | 33,3 | 8,4 | 8,8 |
| Szlovén | 49,3 | 19,9 | 24,0 |
| Spanyol | 5,6 | 3,1 | 3,5 |
| Svéd | 20,8 | 7,9 | 15,1 |
| Ukrán | 19,3 | 6,5 | 6,8 |
| Átlag | 29,8 | 12,6 | 12,0 |
WER (%) a FLEURS benchmarkon. A Whisper Small adatai: Radford et al.; a Large V3 és a Parakeet V3 adatai: az NVIDIA Canary-1B-v2 tanulmánya.
A legtöbb nyelven a Whisper Large V3 jár kicsivel előrébb, de a Parakeet V3 átlagban szorosan felzárkózik (12,0% vs. 12,6%), a görögben, a franciában, az észtben és a máltaiban vezet, a Whisper Small átlagos hibaarányát pedig körülbelül 60%-kal csökkenti. A gyakorlati előny a kombináció: Large V3-szintű többnyelvű pontosság nagyjából 23x-os sebesség mellett, kisebb futásidejű erőforrásigény, és diktálási tesztjeinkben jóval megbízhatóbb csendkezelés.
Miért hallucinál kevesebbet csend közben
Ha használta már a Whispert diktálásra, valószínűleg látta, hogy csend közben hallucinál — mondatokat ismételget, szavakat talál ki, vagy a semmiből azt írja: „Subtitles by Amara.org". Ez azért történik, mert a Whisper autoregresszív dekódere mindig szöveget akar előállítani, akkor is, ha nincs mit átírni.
A Parakeet transzducer-architektúrája képes üres kimenetet adni ahelyett, hogy szövegtokent erőltetne ki. A rendszerszintű diktálással végzett tesztjeinkben ettől sokkal kisebb eséllyel tölti ki a szüneteket ismételt vagy oda nem illő szöveggel, mint a Whisper. De ez is csak beszédmodell, ezért a pontos állítás a „kisebb eséllyel", nem a „soha".
Milyen nyelveket támogat a Parakeet
A Parakeet v3 25 nyelvet támogat: bolgár, horvát, cseh, dán, holland, angol, észt, finn, francia, német, görög, magyar, olasz, lett, litván, máltai, lengyel, portugál, román, orosz, szlovák, szlovén, spanyol, svéd és ukrán.
Ez lefedi Európa nagy részét, de a kínai, a japán, a koreai, az arab és a hindi nincs köztük. Kínaihoz, japánhoz, koreaihoz és kantonihoz válassza a SenseVoice-ot; arabhoz, hindihez és a Parakeet készletén kívüli többi nyelvhez használja a Whisper Large V3 Turbót.
Modellválasztó: Parakeet V3 (alapértelmezett), SenseVoice Small, Whisper Small és Whisper Large V3 Turbo — mindegyik helyben fut
Modellválasztó a Whisper Notesban
A modellek közötti váltáshoz nyissa meg a Beállításokat:
- Parakeet V3 (alapértelmezett) — A leggyorsabb; angolhoz és európai nyelvekhez a legjobb
- SenseVoice Small — A leggyorsabb kínaihoz, japánhoz, koreaihoz és kantonihoz
- Whisper Small — Könnyűsúlyú, 100+ nyelv
- Whisper Large V3 Turbo — Széles, 100+ nyelves lefedettség
Minden modell 100%-ban helyben fut a Macen. Nincs internet, nincs felhő, egyetlen adat sem hagyja el a készüléket.
Mi a helyzet a Parakeet V2-vel?
Ha korábban a V2-t használta, felmerülhet a kérdés, hogyan viszonyul egymáshoz a kettő. A V2 kizárólag angol nyelvű modell volt — és angol pontossága valójában valamivel jobb is a V3-énál (6,05% vs. 6,32% WER). A V3 ezt az apró különbséget 25 nyelv támogatására cseréli. Mindkettő lényegesen pontosabb a Whispernél.
| Parakeet V2 | Parakeet V3 | Whisper Large V3 | |
|---|---|---|---|
| Angol WER | 6,05% | 6,32% | 7,44% |
| Nyelvek | Csak angol | 25 | 100+ |
Röviden: ha csak angolra van szüksége, a V2 és a V3 egyaránt kiváló. A Whisper Notesban a V3 az alapértelmezett, mert a többnyelvű támogatás a legtöbb felhasználónak fontos — az angol pontosságbeli különbség pedig elhanyagolható.
Mi a helyzet a WhisperKittel?
A WhisperKit az Argmax nyílt forráskódú Swift-keretrendszere Whisper-modellek futtatásához Apple-eszközökön. Fejlesztői eszközkészlet, nem végfelhasználói alkalmazás — és Whispert futtat, nem Parakeetet (amely az NVIDIA modellcsaládja). Ha WhisperKit-stílusú, eszközön futó átírást szeretne anélkül, hogy saját maga Swiftben programozna, a Whisper Notes ugyanezt az elképzelést kész alkalmazásként kínálja: Parakeet V3, Whisper Large V3 Turbo és SenseVoice, mindegyik helyben fut Macen és iPhone-on.
Az összes helyi lehetőséget hasonlítaná össze? Minden eszközön futó beszédfelismerő modellt — a Whisper-változatokat, a Parakeet V3-at, a SenseVoice-ot és a Voxtralt — egymás mellett hasonlítunk össze a Whisper-modellek összehasonlító oldalán. Még csak most ismerkedik a Whisperrel? Kezdje a Whisper átírási útmutatóval — mi ez a modell, hogyan futtatható, és mennyibe kerül.
Gyakran ismételt kérdések
Jobb a Parakeet V3, mint a Whisper?
Angolhoz és európai nyelvekhez gyakran igen. 35 perces tesztünkben a Parakeet 10x gyorsabb volt a Whisper Turbónál, az Open ASR Leaderboard pedig 6,32%-os angol WER-t mér a Parakeetnél, szemben a Turbo 7,83%-ával. A Whisper viszont továbbra is jóval több nyelvet fed le: 100+ nyelvet a Parakeet 25 nyelvével szemben.
Milyen nyelveket támogat a Parakeet V3?
A Parakeet V3 25 nyelvet támogat: bolgár, horvát, cseh, dán, holland, angol, észt, finn, francia, német, görög, magyar, olasz, lett, litván, máltai, lengyel, portugál, román, orosz, szlovák, szlovén, spanyol, svéd és ukrán.
Futtatható a Parakeet V3 Macen?
Igen. A Whisper Notes for Mac alapértelmezett motorja a Parakeet V3. 100%-ban helyben fut Apple Siliconon — nincs internet, nincs felhő, egyetlen adat sem hagyja el a készüléket. Töltse le az ingyenesen kipróbálható DMG-t, és próbálja ki.
Hallucinál a Parakeet V3 úgy, mint a Whisper?
Csendteszteinkben sokkal ritkábban, de a „soha" egyetlen beszédmodellről sem jelenthető ki. A Parakeet a szünetek alatt üres kimenetet is adhat, míg a Whisper autoregresszív dekódere hajlamosabb ismételt mondatokra vagy oda nem illő szövegre, amikor a bemenet csendes.
Parakeet V2 vs V3 — melyiket érdemes használni?
A Parakeet V2 csak angolul tud, valamivel jobb angol pontossággal (6,05% vs. 6,32% WER). A V3 ezt az apró különbséget 25 európai nyelvre cseréli, és ez az alapértelmezett a Whisper Notesban. Hacsak nem kizárólag angolt ír át, és nem az utolsó tizedszázalék a tét, használja a V3-at.
Támogatja a Parakeet V3 a japánt, a kínait vagy a koreait?
Nem — a 25 támogatott nyelve mind európai. Kínaihoz, japánhoz, koreaihoz és kantonihoz a Whisper Notes tartalmazza a SenseVoice-ot (CJK nyelveken 52x gyorsabb a Whispernél) és a Whisper-modelleket. Mindegyik offline fut Macen és iPhone-on is.
Mekkora a Parakeet V3?
600 millió paraméter — egy 465 MB-os letöltés, amely Mac-alkalmazásunkban átírás közben nagyjából 800 MB memóriát használ. A Whisper Large V3 Turbo körülbelül 1,6 GB-os letöltés, és ugyanabban az alkalmazásban nagyjából 1,6 GB memóriát használ.
Próbálja ki
A Parakeet v3 már elérhető a Mac-verzióban — csak töltse le a legújabb DMG-t. Frissítés: a Parakeet mostantól a legújabb iOS-verzióban is elérhető.
Kérdése vagy visszajelzése van? Írjon nekünk: support@whispernotes.app.
Letöltés iOS-re