Apple SpeechAnalyzer vs Whisper: è preciso il nuovo riconoscimento vocale?

Quanto è migliore della dettatura che avevi già?

Finora il riconoscimento vocale del Mac è stato il motore dell’epoca di SFSpeechRecognizer, quello che la dettatura di sistema usa ancora oggi (DictationTranscriber). Con macOS 26 e iOS 26 arrivano l’API SpeechAnalyzer e il suo modulo SpeechTranscriber. Li abbiamo eseguiti entrambi sullo split di test FLEURS, circa 150 frasi e 30 minuti per lingua, sullo stesso Mac.

Tutte le lingue misurate correttamente da entrambi i motori Apple, ordinate per tasso di errore di Apple Speech; il verde indica il valore migliore della riga. Stesso test, stesse clip, stesso Mac. CER per giapponese, coreano, cinese e cantonese, WER per le altre lingue.

Apple Speech è più accurato in tutte le dieci lingue misurate correttamente da entrambi i motori. In francese e tedesco elimina più della metà degli errori, nella lingua mediana circa un terzo, e in portoghese brasiliano e cantonese circa un errore su sette.

La dettatura raggiunge ancora più lingue. Apple Speech ha restituito risultati per 21 delle 83 configurazioni linguistiche di questo test, la dettatura per 33, comprese le tre che qui mancano al nuovo motore: olandese, polacco e russo, con 17,34, 13,50 e 13,13. Non c’è neppure un elenco fisso da citare. Le risorse linguistiche appartengono a macOS, quindi un’app chiede in fase di esecuzione che cosa sia disponibile su una determinata macchina.

Puoi quindi fare a meno dei modelli scaricati?

Sei motori, le stesse clip, un solo Mac. Le dieci lingue qui sotto sono fra le più usate, in un ordine fisso che non ha nulla a che vedere con i risultati.

Dieci delle lingue più usate, un motore per colonna. Ogni cella indica il tasso di errore del motore: più basso è meglio; il verde segna il valore più basso della riga, il bianco il secondo. CER per giapponese, coreano e cinese, WER per le altre, mai riuniti in un unico numero. Il nostro test FLEURS, condotto dal team di Whisper Notes, su un solo M5 MacBook Air, parlato letto.

Nomi abbreviati: Qwen3-ASR = Qwen3-ASR 1.7B, Whisper Large = Whisper Large V3 Turbo, Parakeet = Parakeet V3, SenseVoice = SenseVoice Small. Un trattino indica che il motore non dispone di un modello per quella lingua.

Qwen3-ASR 1.7B ha il tasso di errore più basso in sei delle dieci lingue, Whisper Large V3 Turbo nelle altre quattro e Apple Speech in nessuna. Si avvicina di più in coreano, 0,77 dietro al primo della riga, poi in giapponese a 1,06 e in cinese a 1,48, dove è alla pari con Whisper Large V3 Turbo a 7,97. È più distante in inglese, 8,80 (Apple Speech) contro 4,49 (Qwen3-ASR 1.7B), mentre per olandese, polacco e russo non c’è alcun risultato di Apple Speech.

Rispetto a Whisper Small, Apple Speech è stato più accurato in otto delle dieci lingue misurate correttamente da entrambi. Le due sconfitte sono l’inglese, 8,80 (Apple Speech) contro 7,04 (Whisper Small), e il portoghese brasiliano, 9,35 contro 8,61.

Un benchmark pubblicato a luglio ha misurato Apple Speech in inglese rispetto a Whisper Small e ha messo Apple in vantaggio. Conta quale versione di Whisper entra nel confronto, così come contano le clip. Quel test ha usato LibriSpeech, con narratori di audiolibri che leggono ad alta voce; il nostro usa FLEURS, con molti parlanti diversi che leggono frasi di Wikipedia. Il nostro test mostra il divario in inglese, ma non può dire che cosa lo provochi.

Rispetto a Whisper Large V3 Turbo l’ordine si inverte. Apple Speech è dietro in otto di quelle dieci lingue, è alla pari in cinese a 7,97 e guida solo in cantonese, 8,69 (Apple Speech) contro 36,75 (Whisper Large V3 Turbo): vedi la riga del cantonese più sotto. Nelle note di rilascio di Turbo, OpenAI include il cantonese fra le lingue in cui il modello peggiora di più; 36,75 è quindi una debolezza nota di Whisper, non una particolarità del nostro test.

In coreano Apple Speech sbaglia circa un carattere su 23. Il modello più accurato di questo test, Qwen3-ASR 1.7B, ne sbaglia circa uno su 28: 4,31 (Apple Speech) contro 3,54 (Qwen3-ASR 1.7B).

Parakeet V3 richiede un download di 465 MB ed è più accurato in ogni lingua europea coperta da entrambi: 6,89 (Parakeet V3) contro 8,80 (Apple Speech) in inglese, 5,83 contro 7,61 in francese, 4,86 contro 5,41 in spagnolo, 3,43 contro 4,39 in italiano e 6,49 contro 9,35 in portoghese brasiliano; in tedesco sono alla pari a 6,26. Non dispone di giapponese, coreano, cinese o cantonese, dove Apple Speech è l’unico dei due disponibile.

Fra le sei righe guidate da Qwen3-ASR 1.7B ci sono inglese, tedesco, francese e spagnolo.

SenseVoice Small è il motore più veloce, a 162,3× il tempo reale. In cinese e inglese è alla pari con Apple Speech: 7,69 (SenseVoice Small) contro 7,97 (Apple Speech) e 8,46 contro 8,80. In coreano è molto indietro, 7,85 (SenseVoice Small) contro 4,31 (Apple Speech).

Dimensioni e velocità

La velocità è la mediana di ciascun motore sulle tredici lingue misurate correttamente in questo articolo, contando solo quelle su cui è stato eseguito: è il throughput dell’elaborazione di elementi isolati, una misura diagnostica, non la latenza del prodotto. La memoria di picco è il massimo del gruppo di processi in questo test. Apple Speech decodifica all’interno di un servizio macOS che non appartiene all’app chiamante, quindi nessun valore sarebbe confrontabile con quello degli altri cinque.

Apple Speech ha operato a 30,8× il tempo reale, dietro a Parakeet V3 con 75,6× e SenseVoice Small con 162,3×. Il suo pacchetto lingua viene scaricato una sola volta da macOS ed è condiviso da tutte le app, quindi nulla viene allocato nel processo dell’app. Il servizio che esegue la decodifica usa comunque memoria e non possiamo attribuirla con precisione: per questo non riportiamo alcun numero anziché uno zero.

Whisper Large V3 Turbo è il motore più lento, a 3,0× il tempo reale, e ha il tasso di errore più basso in quattro delle dieci righe, per circa 1,6 GB su disco. Qwen3-ASR 1.7B vince le altre sei, per circa 2,5 GB su disco e un picco di 2,43 GiB. Con 600 MB, Whisper Small è il confronto più equo per un motore integrato.

Per quali lingue è valido Apple Speech?

Lingua per lingua:

• Inglese: non è una buona scelta. Apple Speech ha ottenuto 8,80; Qwen3-ASR 1.7B (4,49) o Whisper Large V3 Turbo (5,49) è chiaramente più accurato.
• Tedesco: non è una buona scelta. Apple Speech ha ottenuto 6,26; Qwen3-ASR 1.7B (2,85) o Whisper Large V3 Turbo (4,05) è chiaramente più accurato.
• Olandese, russo e polacco: Apple Speech non dispone di un modello per queste tre lingue. Whisper Large V3 Turbo è stato il più accurato in ognuna, con 5,69, 5,13 e 5,45.
• Giapponese: utilizzabile. Apple Speech ha ottenuto 6,36, dietro a Whisper Large V3 Turbo con 5,30.
• Coreano: utilizzabile. Apple Speech ha ottenuto 4,31, dietro a Qwen3-ASR 1.7B con 3,54.
• Francese: non è una buona scelta. Apple Speech ha ottenuto 7,61; Qwen3-ASR 1.7B (4,57) o Parakeet V3 (5,83) è chiaramente più accurato.
• Cinese: utilizzabile. Apple Speech ha ottenuto 7,97, alla pari con Whisper Large V3 Turbo; il più accurato è stato Qwen3-ASR 1.7B con 6,49.
• Spagnolo: non è una buona scelta. Apple Speech ha ottenuto 5,41; Qwen3-ASR 1.7B (3,38) o Whisper Large V3 Turbo (3,62) è chiaramente più accurato.

I modelli scaricati vincono ancora in accuratezza: ogni riga della tabella principale è guidata da Qwen3-ASR 1.7B o Whisper Large V3 Turbo. Apple Speech è una scelta concreta in coreano, giapponese e cinese; per le lingue europee conviene scegliere Parakeet V3.

In Whisper Notes per Mac, Parakeet V3 resta il modello predefinito. Nell’app per Mac che scarichi dal nostro sito, Apple Speech è disponibile come modello opzionale da macOS 26 in poi, e l’app propone una lingua solo quando macOS segnala che il tuo Mac la supporta.

In questo articolo Apple Speech è il nome abbreviato dello SpeechTranscriber di Apple, l’API sul dispositivo che qualsiasi app per Mac può richiamare da macOS 26 in poi. È un motore del sistema, non un modello da scaricare: Whisper Notes per Mac può usarlo nella versione scaricata dal nostro sito, con il pacchetto lingua fornito da macOS. I modelli che l’app scarica da sola restano Whisper, Parakeet V3, SenseVoice e Qwen3-ASR in quella versione, e Whisper, Parakeet V3 e SenseVoice su iPhone e nella versione del Mac App Store. La tabella per motore è il nostro elenco delle lingue supportate da Whisper, Parakeet V3 e SenseVoice.

Oltre le dieci lingue

Altre quattro lingue dello stesso test. Stesse colonne, colori e nomi brevi usati sopra; CER per il cantonese, WER per le altre.

Il risultato di Apple Speech in hindi è escluso dalla classifica di quella riga, per il motivo spiegato qui sotto. Un tasso di errore può superare il 100% perché anche gli inserimenti vengono conteggiati al numeratore.

L’italiano a 4,39 (Apple Speech) è dietro al pareggio a 2,58 fra Qwen3-ASR 1.7B e Whisper Large V3 Turbo. Il cantonese è l’unica lingua in cui Apple Speech ha finito davanti a Whisper Large V3 Turbo, 8,69 (Apple Speech) contro 36,75 (Whisper Large V3 Turbo), con Qwen3-ASR 1.7B primo a 6,44. Il portoghese brasiliano è a 9,35 (Apple Speech), una delle due righe in cui Whisper Small, a 8,61, è davanti.

L’hindi ha prodotto un risultato diverso. Apple Speech ha scritto l’hindi con lettere inglesi anziché nel sistema di scrittura proprio della lingua, perciò quasi ogni parola conta come errore e il tasso supera il 100%. Telugu, urdu, punjabi, bengalese, nepalese, malayalam, marathi, kannada, gujarati e tamil sono tornati nello stesso modo, tutti oltre il 100%, e sono quindi esclusi dalla tabella.

Come funziona SpeechAnalyzer

SpeechAnalyzer sostituisce l’API di riconoscimento vocale che Apple offre da iOS 10, su tutte le piattaforme Apple tranne watchOS. Un’app crea uno SpeechAnalyzer, gli assegna moduli e gli fornisce l’audio come sequenza asincrona che popola autonomamente; SpeechTranscriber è il modulo che trasforma il parlato in testo. I risultati tornano come una seconda sequenza, di solito su un’altra attività, e ogni buffer e ogni risultato ha un codice temporale riferito alla linea temporale dell’audio.

Una sessione, tre task: l’audio entra come AsyncSequence, SpeechAnalyzer e SpeechTranscriber lo analizzano e i risultati tornano come una seconda AsyncSequence che l’interfaccia può leggere. Fonte: Apple, sessione WWDC25 277.

I risultati arrivano due volte. Qualsiasi elemento all’interno di ciò che Apple chiama intervallo volatile può ancora essere sostituito da un risultato migliore; ciò che si trova all’esterno è definitivo. È così che un’app mostra una trascrizione provvisoria mentre stai ancora parlando e la corregge in seguito. Apple indica cinque obiettivi di progettazione per il modello SpeechTranscriber: audio lungo, parlato conversazionale, voci distanti, bassa latenza e privacy, ossia elaborazione sul dispositivo. Note, Memo Vocali, Diario e il riepilogo delle chiamate si basano su questo modello.

I cinque obiettivi di progettazione dichiarati da Apple per il modello SpeechTranscriber. Fonte: Apple, sessione WWDC25 277.

I modelli non fanno parte di alcuna app. Vengono scaricati dai server Apple tramite AssetInventory, archiviati e aggiornati dal sistema e condivisi fra le app. Non aggiungono nulla alle dimensioni di download di un’app, e la decodifica avviene fuori dal processo chiamante. Se SpeechTranscriber non dispone di un modello per una lingua o un dispositivo, DictationTranscriber subentra usando gli stessi modelli della dettatura di sistema.

Metodo e limiti

Cinque dei sei motori in queste tabelle sono modelli scaricati da Whisper Notes. Ogni motore ha trascritto le stesse clip, nello stesso ordine, una alla volta, su un M5 MacBook Air (32 GB, macOS 27.0). L’audio proviene dallo split di test di Google FLEURS alla revisione 70bb2e84, circa 150 frasi e 30 minuti per lingua. Un hash fisso degli ID degli elementi del dataset stabilisce l’ordine e usiamo la sequenza più breve di elementi interi che supera i trenta minuti; nessun output dei modelli ha influito sulla scelta. Ogni cella è stata ricostruita dalla propria prova e controllata di nuovo: tutte le 285 hanno superato la verifica. I risultati sono tassi di errore sulle parole dove le parole sono separate da spazi, e tassi di errore sui caratteri per giapponese, coreano, cinese e cantonese; non vengono mai uniti in un solo numero.

Puoi verificare le colonne di Whisper confrontandole con i numeri di OpenAI. Nelle dodici lingue per cui OpenAI pubblica un risultato FLEURS per Whisper Large V3 Turbo, i nostri valori distano in media 0,7 punti dai suoi e dieci dei dodici rientrano nell’intervallo del 95% del nostro test. Nelle undici lingue al di fuori delle righe dell’Asia meridionale, i nostri valori per Whisper Small distano in media 1,0 punto dalla tabella per lingua dell’articolo su Whisper. La colonna di Apple Speech deriva dalle stesse clip, dallo stesso valutatore e dalla stessa normalizzazione.

FLEURS è parlato letto e pulito. Nulla qui dice come si comportino questi motori in una stanza rumorosa o in una riunione di due ore, e non abbiamo misurato quanto si separino in quei casi. Tutto è stato eseguito su una sola macchina. Con circa 150 frasi per lingua, due motori a meno di circa un punto di distanza sono alla pari; le tabelle indicano già i pareggi esatti, come in italiano, dove Qwen3-ASR 1.7B e Whisper Large V3 Turbo hanno ottenuto entrambi 2,58.

Domande frequenti

Provalo

I cinque modelli scaricabili qui — Whisper Small, Whisper Large V3 Turbo, Parakeet V3, SenseVoice Small e Qwen3-ASR 1.7B — sono tutti disponibili nell’app Whisper Notes per Mac che scarichi dal nostro sito, in Impostazioni, poi Modello di trascrizione. Da macOS 26 in poi, Apple Speech compare nello stesso elenco; se hai già l’app, aggiornala all’ultima versione.

Se i nostri numeri non corrispondono alla tua esperienza in una lingua, scrivi a mac@whispernotes.app. Note di rilascio complete: whispernotes.app/changelog.

Fonti: il nostro test sullo split di test di Google FLEURS alla revisione 70bb2e84, la documentazione di Apple su SpeechAnalyzer, e il test di Qwen3-ASR su trenta lingue che lo ha preceduto.

Scarica per macOS