SenseVoice vs Qwen3-ASR: melyik jobb kínaihoz, japánhoz és koreaihoz?

A pontossági számok a sajátjaink. A SenseVoice Smallt, a Qwen3-ASR-t és a Whisper Large V3 Turbót ugyanazokon a felolvasott FLEURS-mondatokon futtattuk, nyelvenként körülbelül 30 percnyi hanganyagon, pontosan azokkal a modellekkel, amelyeket a Whisper Notes használ. A sebességek az alkalmazás modellkártyáiról valók, és egy külön, rövid klipeken végzett mérésből származnak. Minden más a Mac-alkalmazás jelenlegi működésén alapul.

Mennyivel pontosabb a Qwen3-ASR a SenseVoice-nál?

Kínainál, japánnál és koreainál karakterhibaarány (CER), angolnál szóhibaarány (WER); az alacsonyabb a jobb. A zöld az adott sor legalacsonyabb értékét jelöli. Saját mérésünk a FLEURS tesztkészletén, egy Macen, nyelvenként körülbelül 30 perc és 139–180 felolvasott mondat. A SenseVoice-nál a nyelv be volt állítva. Csak tiszta, felolvasott beszéd: zajos helyiségekre, megbeszélésekre és hosszú felvételekre a mérés nem terjed ki.

A Qwen3-ASR minden tesztelt nyelven kevesebbet hibázott, mint a SenseVoice. A kínainál és a japánnál nagyjából egy százalékpont a különbség: a kínainál 6,49% (Qwen3-ASR) a 7,69%-kal (SenseVoice) szemben, a japánnál 5,74% a 6,78%-kal szemben. A koreainál a legnagyobb a különbség: a SenseVoice több mint kétszer annyi karaktert ír el, 7,85% a 3,54%-kal szemben. Angolul a Qwen3-ASR nagyjából minden 22. szót téveszti el, a SenseVoice nagyjából minden 12.-et.

A Whisper Large V3 Turbo nem marad el sokkal a Qwen3-ASR mögött. A japánnál a három közül ez volt a legpontosabb, a koreainál és az angolnál a második, a kínainál viszont kicsivel a SenseVoice mögött maradt.

Mennyivel gyorsabb a SenseVoice a Qwen3-ASR-nél?

A zöld a gyorsabb modellt jelöli. Ezek az alkalmazás modellkártyáin látható sebességek: csak a motor feldolgozási ideje, a modell betöltése nélkül, rövid klipeken mérve, egy külön, a mindennapi használatot modellező teszten, egy Macen. A SenseVoice beállított nyelvvel 115,2×, automatikus nyelvfelismeréssel 131× sebességgel futott; a Qwen3-ASR mért értéke kerekítés előtt 7,65× volt. Az egyórás időket ezekből a sebességekből számoltuk ki, kerekítve.

A SenseVoice több mint 15-ször gyorsabb. Egy egyórás felvételnél ez nagyjából fél perc a nagyjából nyolc perccel szemben. Ha hosszú felvételeket ír át, vagy azonnal szüksége van a szövegre, ez a különbség többet számít egy százalékpontnyi pontosságnál. Ha ráér néhány percet várni, és kevesebbet szeretne javítani, akkor nem.

A nyelv beállításával kicsit pontosabb az átírás

Beállított nyelvvel a SenseVoice mind a négy nyelven kevesebbet hibázott, mint Automatikus módban: a kínainál 7,69% a 7,90%-kal szemben, a japánnál 6,78% a 6,87%-kal, a koreainál 7,85% a 8,09%-kal, az angolnál pedig 8,46% a 8,51%-kal szemben. A különbségek kicsik, de mind ugyanabba az irányba mutatnak. A Qwen3-ASR-t és a Whispert nem futtattuk Automatikus módban, így rájuk nincsenek számaink. Maga az alkalmazás is azt tanácsolja, hogy a Parakeet kivételével érdemes kiválasztani a nyelvet, mert az általában pontosabb az Automatikusnál.

A Parakeet a kivétel: a Whisper Notesban pontatlanabb lett, ha megadtuk neki a nyelvet, ezért mindig maga ismeri fel, milyen nyelvű a hang (lásd: Parakeet Ultra vs. Parakeet V3). Macen ez a beállítás a Beállítások Átírás részében található, Nyelv néven.

Mennyi ideig tart egy hosszú felvétel átírása?

Egy korábbi, valódi felvétellel végzett teszten, egy Apple M4 Pro chipes gépen a SenseVoice 13,83 másodperc alatt írta át egy kínai interjúpodcast 27 perces epizódját. A Whisper Large V3 Turbónak ugyanehhez a fájlhoz 2 perc 4 másodperc kellett. A Qwen3-ASR nem szerepelt abban a tesztben. Ez a teszt az alkalmazás egy korábbi verziójával készült; a nagyjából 117× valós idő sebesség összhangban van a mai modellkártyán látható 115–131×-es értékkel.

Durva becsléssel egy órára vetítve egy egyórás megbeszélés vagy előadás átírása azon a Macen a SenseVoice-szal körülbelül fél percig, a Whisper Large V3 Turbóval körülbelül négy és fél percig tartana. A fenti sebességek alapján a Qwen3-ASR-nek nagyjából nyolc percre lenne szüksége.

Egyik modell sem dolgozza fel egyben a hosszú fájlt. A Mac-alkalmazásban a SenseVoice a szüneteknél legfeljebb 30 másodperces részekre vágja a hangot, és minden rész szövegét megjeleníti, amint elkészült. A Qwen3-ASR szintén legfeljebb 30 másodperces részekkel dolgozik, amelyeket mindig a határ közelében lévő legcsendesebb pontnál vág el, a szöveg pedig már átírás közben megjelenik. Az átirat így mindkét esetben részenként áll össze, és már azelőtt elkezdheti olvasni, hogy az egész fájl elkészülne.

Melyiket használhatom a saját eszközömön?

A zöld azt jelenti, hogy elérhető, a borostyánsárga azt, hogy nem.

iPhone-on kínaihoz, japánhoz és koreaihoz a SenseVoice a gyors választás, alternatívaként pedig ott a Whisper Small.

Miért van két Mac-verzió? A Mac App Store-verziónak az Apple által az App Store-alkalmazásokra szabott korlátokon belül kell működnie, ezért néhány funkció csak a weboldalunkról letölthető Mac-alkalmazásban érhető el: az Fn billentyűs hangalapú gépelés, az eszközön futó AI-asszisztens és a parancssori eszköz (a háttérről itt olvashat). A beszédfelismerő modellek mindkét verzióban ugyanazok.

Az egyes modellek igényei a Macen

A letöltési méretek és a memóriaadatok a weboldalunkról letölthető Mac-alkalmazás jelenlegi verziójából származnak. A borostyánsárga a letöltés előtt ellenőrizendő követelményt jelöli. A csúcsmemória ugyanabból a mindennapi használatot modellező tesztből származik, mint a fenti sebességek; a GiB körülbelül 7%-kal több, mint a GB.

Egyik modell sincs beépítve: mindkettőt egyszer kell letölteni a Beállításokban, a saját kártyájáról, utána offline működnek. A SenseVoice messze a könnyebb: a letöltése nagyjából ötöde a Qwen3-ASR-ének, a memóriaigénye pedig jóval kevesebb a felénél. Ha a Macben 16 GB-nál kevesebb memória van, a Qwen3-ASR kártyája figyelmeztetésként narancssárgával jelzi a memóriaigényét. Összehasonlításként: a Whisper Large V3 Turbo letöltése körülbelül 2 GB, a kártyáján pedig körülbelül 2,4 GB memóriaigény szerepel.

Melyiket érdemes használni?

• A legkevesebb hiba, Macen: Qwen3-ASR 1.7B, mindkét Mac-verzióban. Tesztünk mind a négy nyelvén jobb volt a SenseVoice-nál. A japánnál a Whisper Large V3 Turbo még nála is valamivel pontosabb volt, 5,30% az 5,74%-kal szemben.
• Sebesség, hosszú felvételek, kevesebb memóriájú Mac, illetve iPhone: SenseVoice Small. Egy óra hanganyag nagyjából nyolc perc helyett nagyjából fél perc alatt készül el, és csak töredéknyi letöltést és memóriát igényel.
• Japán vagy koreai pontosság Qwen3-ASR 1.7B nélkül (ahhoz macOS 15 kell): Whisper Large V3 Turbo. A japánnál 5,30% a SenseVoice 6,78%-ával szemben, a koreainál 4,25% a 7,85%-kal szemben. A SenseVoice-nál jóval lassabb.
• Más nyelvek: angolhoz és 24 további európai nyelvhez a beépített Parakeet (lásd: Parakeet Ultra vs. Parakeet V3), a többihez a Whisper. A Qwen3-ASR 1.7B és a Whisper 30 nyelven végzett összevetése a Qwen3-ASR vs. Whisper mérésünkben olvasható. Az összes modell hibaarányát az Ön nyelvén, egymás mellett a 42 nyelvet felölelő modell-összehasonlításunkban találja.

Mit érdemes még tudni?

• A beszélőcímkék, az időbélyegek és a feliratok mindkettővel működnek. A SenseVoice és a Qwen3-ASR is ad időbélyegeket, így a beszélőcímkék és az SRT-feliratexport bármelyik modellel ugyanúgy használható.
• Az egyszerűsített vagy hagyományos kínai írás a rendszernyelvet követi. Átírás után a Whisper Notes a Macen a rendszernyelv szerint alakítja egyszerűsített vagy hagyományos írásjegyekre a kínai szöveget. Ha a nyelvet 简体中文 (egyszerűsített kínai) vagy 繁體中文 (hagyományos kínai) értékre állítja, akkor ez a választás dönt.
• A nyelvjárásokat nem teszteltük. A Qwen saját modellkártyája 30 nyelvet, valamint 22 kínai nyelvjárást és akcentust sorol fel. A Whisper Notesban nincs külön nyelvjárás-beállítás: a kínait vagy az Automatikus módot választja, a többit a modell intézi. Nyelvjárásokat nem teszteltünk, ezért nem tudjuk megmondani, melyik modell mennyire boldogul velük.
• A Qwen3-ASR még bétaverzió. Ha váratlanul leállna, a Whisper Notes a következő indításkor kikapcsolja, és másik modellre vált, így az alkalmazás akkor is elindul. Újrapróbáláshoz válassza ki ismét a Qwen3-ASR-t a Beállításokban.
• A számaink tiszta, felolvasott beszédre vonatkoznak. A FLEURS mondatait csendes körülmények között olvasták fel. Megbeszéléseken, zajos helyiségekben, távoli mikrofonnal vagy erős akcentussal a különbségek bármelyik irányba változhatnak.
• A vegyes kínai–angol beszédet nem teszteltük. Nem mértük, hogyan boldogulnak a modellek a kínai és az angol között váltogató mondatokkal, ezért mielőtt döntene, próbálja ki egy saját, jellemző felvételén.

Hogyan válthatok modellt?

Macen nyissa meg a Beállításokat, és görgessen az Átírási modell részhez. Minden modellnek saját kártyája van, amely mutatja a sebességét, azt, hogy mire a legjobb, hány nyelvet fed le, mennyi memóriát igényel és mekkora a letöltési mérete. Modell letöltéséhez kattintson a kártyájára vagy a rajta lévő letöltési nyílra; telepítés után a kártyára kattintva válthat rá. A kártyákon lévő nyelvlink (Támogatott nyelvek, a Qwen3-ASR 1.7B kártyáján 30 támogatott nyelv) minden nyelvet felsorol, mindegyiknél a mért hibaarányunkkal.

Beállítások → Átírási modell a weboldalunkról letölthető Mac-alkalmazásban

Ezután az Átírás részben állítsa be a Nyelv értékét, ahelyett, hogy Automatikus módban hagyná.

Mi az a SenseVoice?

A FunAudioLLM-tanulmányból: a SenseVoice-Small 234 millió paraméteres, és 10 másodperc hangot 70 ms alatt dolgoz fel; a Whisper-Large-V3 1550 millió paraméteres, és 1281 ms-ot igényel. Mindkét mérés adatközponti GPU-n készült, nem Macen.

A Qwen3-ASR az Alibaba Qwen csapatától származik, Apache 2.0 licenccel. A Whisper Notesban 8 bites pontossággal fut a Mac GPU-ján, MLX-en keresztül. A Whisperrel szemben 30 nyelven elért eredményei a Qwen3-ASR-mérésünkben olvashatók.

Gyakran ismételt kérdések

Próbálja ki

A SenseVoice az iPhone-os és a Mac-es Whisper Notesban is megtalálható, a Qwen3-ASR (Béta) pedig csak Macen. Az alábbi gombokkal letöltheti az iPhone-alkalmazást az App Store-ból, vagy a Mac-alkalmazást a weboldalunkról. Kérdése van? Írjon nekünk: support@whispernotes.app.

Letöltés iOS-re Letöltés macOS-re