Pada 22 September 2026, Moondream merilis Parakeet Ultra, hasil pelatihan lanjutan dari NVIDIA Parakeet TDT 0.6B v3. Arsitekturnya sama, dan jumlah parameternya juga sama, 600 juta. Menurut kartu model Moondream, rata-rata tingkat kesalahan kata FLEURS-nya pada 25 bahasa turun dari 11,62% menjadi 9,55%, atau sekitar 17,8% lebih sedikit kesalahan. Yang ingin kami ketahui: dalam penggunaan nyata, seberapa jauh Parakeet Ultra lebih akurat daripada Parakeet V3, bahasa demi bahasa?
Sebelumnya kami telah mengukur Parakeet V3, Whisper, Qwen3-ASR, dan SenseVoice pada sekumpulan kalimat FLEURS yang tetap, dalam pengujian Apple SpeechAnalyzer vs Whisper kami; pengujian Qwen3-ASR vs Whisper kami memakai kumpulan yang sama untuk 30 bahasa. Kali ini kami menjalankan Parakeet Ultra pada kumpulan itu. Angka-angkanya adalah hasil pengukuran kami sendiri di Whisper Notes pada satu Mac, dan kami melaporkannya apa adanya.
Seberapa jauh Parakeet Ultra lebih akurat?
Kami menjalankan kedua model pada set uji FLEURS: 25 bahasa yang didukung Parakeet, 3.976 kalimat yang dibacakan, 12,55 jam audio. Setiap kalimat ditranskripsikan persis seperti cara Whisper Notes menjalankan model ini dalam pemakaian sebenarnya.
| Bahasa | Parakeet V3 | Parakeet Ultra |
|---|---|---|
| Inggris | 6,89% | 5,89% |
| Jerman | 4,69% | 3,72% |
| Belanda | 7,59% | 6,91% |
| Spanyol (Amerika Latin) | 4,73% | 3,77% |
| Prancis | 5,66% | 4,95% |
| Polandia | 8,02% | 6,34% |
| Rusia | 6,99% | 5,72% |
| Ukraina | 6,59% | 5,11% |
| Finlandia | 13,72% | 10,03% |
| Italia | 3,33% | 2,48% |
| Portugis (Brasil) | 6,37% | 5,69% |
| Swedia | 16,18% | 13,12% |
| Ceko | 13,70% | 10,85% |
| Lituania | 24,50% | 18,00% |
| Latvia | 30,25% | 20,70% |
| Yunani | 36,10% | 20,96% |
| Estonia | 20,12% | 15,40% |
| Slovakia | 11,84% | 8,58% |
| Rumania | 13,74% | 9,54% |
| Denmark | 19,22% | 15,68% |
| Hungaria | 18,78% | 13,63% |
| Bulgaria | 14,05% | 12,28% |
| Kroasia | 13,37% | 12,49% |
| Slovenia | 23,82% | 18,49% |
| Malta | 24,46% | 19,19% |
| Semua 25 bahasa | 13,99% | 10,63% |
Tingkat kesalahan kata, makin rendah makin baik. Hijau: Parakeet Ultra lebih akurat dengan selisih di luar interval 95%. Kroasia: tidak ada perbedaan yang jelas. Pengukuran kami sendiri di Whisper Notes pada Mac dengan Apple M5.
Jika ke-25 bahasa digabungkan, tingkat kesalahan kata turun dari 13,99% menjadi 10,63%, sekitar 24% lebih sedikit kesalahan: dari kira-kira satu kata salah dari setiap tujuh kata menjadi satu dari setiap sembilan. Parakeet Ultra lebih akurat pada 24 bahasa dan tidak kalah akurat pada satu bahasa pun.
Bahasa mana yang paling banyak meningkat?
Tingkat kesalahan kata per bahasa, Parakeet V3 berwarna abu-abu dan Parakeet Ultra berwarna hijau, diurutkan menurut penurunan dalam poin persentase. Sumber: pengukuran kami sendiri di Whisper Notes, set uji FLEURS.
Peningkatan terbesar terjadi pada bahasa tempat Parakeet V3 paling lemah: bahasa Latvia turun dari 30,25% menjadi 20,70%, Lituania dari 24,50% menjadi 18,00%, Slovenia dari 23,82% menjadi 18,49%, dan Malta dari 24,46% menjadi 19,19%. Di Whisper Notes, bahasa Yunani turun paling banyak, dari 36,10% menjadi 20,96%, dan tetap yang tertinggi di antara ke-25 bahasa. Bahasa yang banyak penuturnya berangkat dari angka yang lebih rendah dan meningkat lebih sedikit: antara 0,68 dan 1,27 poin untuk bahasa Inggris, Jerman, Spanyol, Prancis, Italia, Portugis, Belanda, dan Rusia, dan masing-masing tetap berada di luar rentang galat.
Apakah Parakeet Ultra lebih lambat?
| Parakeet V3 | Parakeet Ultra | |
|---|---|---|
| Kecepatan pemrosesan | 74,5× realtime | 74,0× realtime |
| Pemuatan model, median | 0,10 dtk | 0,10 dtk |
200 klip FLEURS, delapan klip pertama di setiap bahasa, 37,2 menit audio. Setiap klip dijalankan pada kedua model secara berurutan, dengan urutan yang bergantian. Hanya waktu pemrosesan mesin, tanpa memulai proses atau memuat model; bukan latensi menyeluruh di aplikasi. Mac dengan Apple M5, macOS 27.0.
Kami tidak menemukan perbedaan yang terukur. Parakeet Ultra berjalan pada 74,0× realtime dan Parakeet V3 pada 74,5×, rasio kecepatan 0,99 dengan interval 95% dari 0,94 hingga 1,06. Dengan kecepatan itu, satu jam audio selesai dalam sekitar 49 detik pada kedua model di Mac ini.
Kedua model memiliki arsitektur dan jumlah parameter yang sama dan hanya berbeda pada bobotnya, jadi kecepatan yang sama memang sudah diperkirakan. Parakeet Ultra lebih akurat dengan kecepatan yang sama.
Apakah keunggulannya bertahan di tengah kebisingan latar?
FLEURS berisi ucapan yang bersih, jadi kami memeriksa kebisingan dalam pengujian terpisah. Kami mencampurkan kebisingan latar dari korpus MUSAN ke dalam kalimat yang dibacakan dari LibriSpeech serta dari FLEURS bahasa Jerman dan Spanyol, pada rasio sinyal terhadap derau 10, 5, dan 0 dB: sembilan kondisi, 1.320 kalimat, dijalankan di Mac dengan model Core ML yang sama dengan yang dipakai Whisper Notes.
| Kondisi | Parakeet V3 | Parakeet Ultra | Perubahan |
|---|---|---|---|
| LibriSpeech test-other, 10 dB | 4,72% | 3,87% | −18% |
| LibriSpeech test-other, 5 dB | 5,71% | 4,86% | −15% |
| LibriSpeech test-other, 0 dB | 9,91% | 8,75% | −12% |
| FLEURS Jerman, 10 dB | 9,80% | 8,04% | −18% |
| FLEURS Jerman, 5 dB | 13,86% | 10,55% | −24% |
| FLEURS Jerman, 0 dB | 24,21% | 17,88% | −26% |
| FLEURS Spanyol, 10 dB | 11,17% | 5,46% | −51% |
| FLEURS Spanyol, 5 dB | 11,90% | 5,77% | −51% |
| FLEURS Spanyol, 0 dB | 13,43% | 6,96% | −48% |
| Rata-rata sembilan kondisi | 11,63% | 8,02% | −31% |
Pengujian kebisingan terpisah, bukan pengujian FLEURS di atas: tingkat kesalahan kata dalam persen, 200 kalimat LibriSpeech atau 120 kalimat FLEURS per kondisi. Tingkat kesalahannya tidak dapat dibandingkan dengan tabel FLEURS; hanya perubahan relatifnya yang berlaku.
Jika dirata-ratakan atas sembilan kondisi, Parakeet Ultra membuat sekitar 31% lebih sedikit kesalahan daripada Parakeet V3, dan lebih akurat pada kesembilan kondisi dengan selisih yang melampaui rentang galat. Pada bahasa Jerman, peningkatannya makin besar seiring makin kerasnya kebisingan, dan pada bahasa Spanyol kesalahannya berkurang sekitar separuh di setiap tingkat.
Menentukan bahasa justru membuat Parakeet lebih buruk
Banyak pengguna Whisper Notes bertanya mengapa Parakeet tidak punya pengaturan bahasa. Parakeet bisa diberi tahu bahasa apa yang akan didengarnya, tetapi di Whisper Notes hal itu justru membuatnya kurang akurat, pada kedua versi. Kami mengukurnya dengan menjalankan setiap kalimat dua kali, sekali dengan deteksi bahasa otomatis dan sekali dengan bahasa yang ditentukan.
| Bahasa | Ultra, ditentukan | Ultra, deteksi otomatis | V3, ditentukan | V3, deteksi otomatis |
|---|---|---|---|---|
| Jerman | 5,19 | 3,72 | 6,26 | 4,69 |
| Belanda | 7,89 | 6,91 | 8,58 | 7,59 |
| Slovenia | 20,32 | 18,49 | 25,51 | 23,82 |
| Yunani | 34,00 | 20,96 | 36,49 | 36,10 |
| Semua 25 bahasa | 11,59 | 10,63 | 14,30 | 13,99 |
Tingkat kesalahan kata dalam persen. Hijau menandai nilai yang lebih rendah dalam pasangan setiap model. Untuk Parakeet Ultra, setiap selisih yang ditampilkan berada di luar interval 95%, dan 18 dari 25 bahasa lebih akurat dengan deteksi otomatis, tidak ada yang kurang akurat; untuk Parakeet V3 kami tidak menghitung interval.
Dugaan kami, menentukan bahasa tidak membuat Parakeet mendengar lebih baik. Itu hanya menghapus kata-kata dari transkrip yang tidak tampak seperti bahasa tersebut, dan nama serta kata serapan sering ikut terhapus secara keliru. Karena itu, Parakeet di Whisper Notes selalu mendeteksi bahasa sendiri; Whisper, SenseVoice, dan Qwen3-ASR memungkinkan Anda memilihnya, dan pada SenseVoice, memilih bahasa memberi tingkat kesalahan yang sedikit lebih rendah.
Untuk bahasa apa Parakeet Ultra cocok?
- Bahasa Latvia, Lituania, Slovenia, Malta, Hungaria, Estonia, dan Yunani meningkat paling banyak, antara 4,72 dan 15,14 poin.
- Bahasa Inggris, Jerman, Spanyol, Prancis, Italia, Portugis, dan Belanda sudah memiliki tingkat kesalahan yang rendah dan meningkat antara 0,68 dan 1,01 poin. Bahasa Kroasia tidak menunjukkan perbedaan yang jelas.
- Bahasa Ukraina, Ceko, Estonia, Hungaria, Lituania, dan Slovakia: dalam pengujian FLEURS kami, Parakeet Ultra kini memiliki tingkat kesalahan yang lebih rendah daripada Whisper Large V3 Turbo.
- Bahasa di luar ke-25 bahasa itu, seperti Mandarin, Jepang, Korea, Arab, dan Hindi: gunakan SenseVoice Small untuk Mandarin, Kanton, Jepang, dan Korea, dan Whisper untuk bahasa lain dalam daftar bahasa kami, yaitu Whisper Large V3 Turbo di Mac dan Whisper Small di iPhone.
Apa itu Parakeet Ultra?
| Pembuat | Moondream |
| Model dasar | NVIDIA Parakeet TDT 0.6B v3 |
| Dirilis | 22 September 2026 |
| Ukuran | 0,6 miliar parameter, arsitektur dan tokenizer sama dengan model dasar; sekitar 600 MB di dalam aplikasi Mac |
| Bahasa | 25 bahasa Eropa yang sama dengan Parakeet V3 |
| Data pelatihan | Tidak dipublikasikan |
| Lisensi | CC BY 4.0; halaman model: moondream/parakeet-ultra |
| Berjalan di | Perangkat Anda, offline, pada Apple Neural Engine, sebagai konversi Core ML dari Fluid Inference |
| Di Whisper Notes | Terpasang, tanpa unduhan terpisah: aplikasi Mac yang diunduh dari situs web kami sejak versi 1.6.4, aplikasi iPhone sejak versi 1.8.9. Di Pengaturan, model ini bernama “Parakeet” di Mac dan “Parakeet V3” di iPhone. |
Kami membandingkan bobot hasil konversi dengan rilis Moondream tensor demi tensor; keduanya cocok dalam batas presisi konversi. Moondream, NVIDIA, dan Fluid Inference tidak memberikan dukungan resmi kepada Whisper Notes.
Cara kami mengujinya
Semua angka diukur secara menyeluruh di Whisper Notes, jadi menjalankan model mentah di tempat lain bisa memberi hasil yang berbeda. Kami memakai set uji Google FLEURS: 25 bahasa, 3.976 kalimat, dengan kalimat dan cara penilaian yang sama seperti pengujian kami sebelumnya. Tingkat kesalahan kata dihitung gabungan atas semua kata dalam satu bahasa, interval 95% berasal dari pengambilan sampel ulang kalimat, dan semuanya dijalankan di Mac dengan Apple M5. Jika bahasa ditentukan, kesimpulannya tetap sama (14,30% menjadi 11,59%), dan pada sampel FLEURS terpisah kami mengukur penurunan 17,8% yang sama dengan yang dilaporkan kartu model Moondream.
FLEURS berisi ucapan bersih yang dibacakan dalam klip di bawah 30 detik, jadi rapat, audio jarak jauh, aksen kuat, dan rekaman panjang tidak tercakup; iPhone memakai model yang sama dan tidak diuji secara terpisah.
Pertanyaan yang Sering Diajukan
Parakeet Ultra vs Parakeet V3: mana yang lebih akurat?
Parakeet Ultra. Pada 25 bahasa FLEURS di Whisper Notes, tingkat kesalahan katanya 10,63% (Parakeet Ultra) dibandingkan 13,99% (Parakeet V3), sekitar 24% lebih sedikit kesalahan; lebih akurat pada 24 bahasa dan tidak kalah akurat pada satu bahasa pun. Peningkatan terbesar ada pada bahasa Yunani, 36,10% menjadi 20,96%, dan Latvia, 30,25% menjadi 20,70%.
Apakah Parakeet Ultra lebih lambat daripada Parakeet V3?
Tidak. Pada Mac dengan Apple M5, model ini berjalan pada 74,0× realtime, dibandingkan 74,5× untuk Parakeet V3, rasio kecepatan 0,99 dengan interval 95% dari 0,94 hingga 1,06. Artinya sekitar 49 detik untuk satu jam audio pada kedua model.
Bahasa apa saja yang didukung Parakeet Ultra?
Sama dengan Parakeet V3, yaitu 25 bahasa Eropa: Bulgaria, Kroasia, Ceko, Denmark, Belanda, Inggris, Estonia, Finlandia, Prancis, Jerman, Yunani, Hungaria, Italia, Latvia, Lituania, Malta, Polandia, Portugis, Rumania, Rusia, Slovakia, Slovenia, Spanyol, Swedia, dan Ukraina. Untuk Mandarin, Kanton, Jepang, dan Korea, Whisper Notes menyediakan SenseVoice Small; untuk bahasa lain, Whisper.
Bagaimana cara menggunakan Parakeet Ultra?
Parakeet Ultra adalah model Parakeet bawaan di Whisper Notes: di aplikasi Mac yang diunduh dari situs web kami sejak versi 1.6.4 dan di aplikasi iPhone sejak versi 1.8.9. Tidak perlu unduhan terpisah, dan transkripsi berjalan offline di perangkat Anda.
Coba Sekarang
Parakeet Ultra kini terpasang di Whisper Notes. Gunakan tombol di bawah untuk mendapatkan aplikasi iPhone dari App Store atau aplikasi Mac dari situs web kami. Ada pertanyaan? Kirim email ke support@whispernotes.app.
Download untuk iOS