Whisper Notes には、Whisper のほかにも中国語・日本語・韓国語に強いモデルが 2 つあります。SenseVoice Small と Qwen3-ASR 1.7B（以下 Qwen3-ASR）です。どちらも端末上でオフラインで動きます。SenseVoice は速く、Qwen3-ASR は誤りが少ないモデルです。では、中国語・日本語・韓国語の文字起こしには、どちらを使えばいいのでしょうか？
精度の数値は私たちが自分で測ったものです。Whisper Notes に搭載しているモデルで、SenseVoice Small、Qwen3-ASR、Whisper Large V3 Turbo に同じ FLEURS の朗読文を文字起こしさせました。音声は 1 言語あたり約 30 分です。速度はアプリの各モデルカードに表示されている値で、短い音声を使った別のテストで測ったものです。それ以外の内容は、現在の Mac 版の実際の動作に基づいています。
Qwen3-ASR は SenseVoice よりどれだけ正確か？
| 言語 | Qwen3-ASR 1.7B | SenseVoice Small | Whisper Large V3 Turbo |
|---|---|---|---|
| 中国語 | 6.49% | 7.69% | 7.97% |
| 日本語 | 5.74% | 6.78% | 5.30% |
| 韓国語 | 3.54% | 7.85% | 4.25% |
| 英語 | 4.49% | 8.46% | 5.49% |
中国語・日本語・韓国語は文字誤り率（CER）、英語は単語誤り率（WER）で、低いほど良い値です。緑は各行で最も低い値です。FLEURS のテストセットを使い、Mac 上で私たちが測定しました。1 言語あたり約 30 分、朗読文 139〜180 文です。SenseVoice は言語を指定した場合の結果です。対象は静かな環境での朗読音声だけで、騒がしい部屋、会議、長時間の録音は含みません。
テストしたすべての言語で、Qwen3-ASR は SenseVoice より誤りが少なくなりました。中国語と日本語の差は約 1 ポイントです。中国語は 6.49%（Qwen3-ASR）対 7.69%（SenseVoice）、日本語は 5.74% 対 6.78% でした。差が最も大きいのは韓国語で、SenseVoice の誤りは Qwen3-ASR の 2 倍以上で、7.85% 対 3.54% です。英語では、Qwen3-ASR はおよそ 22 語に 1 語、SenseVoice はおよそ 12 語に 1 語を誤ります。
Whisper Large V3 Turbo は Qwen3-ASR に近い結果でした。日本語では 3 つの中で最も正確で、韓国語と英語では 2 番目でしたが、中国語では SenseVoice にわずかに及びませんでした。
SenseVoice は Qwen3-ASR よりどれだけ速いか？
| モデル | 速度（実時間倍率） | 1 時間の音声にかかる時間（目安） |
|---|---|---|
| SenseVoice Small | 115.2–131× | 約 30 秒 |
| Qwen3-ASR 1.7B | 7.6× | 約 8 分 |
緑は速いほうのモデルです。アプリのモデルカードに表示されている速度で、モデルの読み込みを含まない、エンジンの処理時間だけを計っています。日常的な使い方を想定した別のテストで、短い音声を使って Mac 上で測りました。SenseVoice は言語を指定すると 115.2 倍、自動検出では 131 倍でした。Qwen3-ASR は丸める前の値で 7.65 倍です。1 時間の音声にかかる時間は、これらの速度から計算して丸めたものです。
SenseVoice は 15 倍以上速く処理します。1 時間の録音なら、約 30 秒と約 8 分の違いです。長い録音を文字起こしする場合や、すぐにテキストがほしい場合は、1 ポイントの精度よりこの差のほうが重要です。数分待ってでも修正の手間を減らしたいなら、この速度差は気にするほどではありません。
言語を指定すると、精度が少し上がる
言語を指定すると、SenseVoice は 4 言語すべてで「自動」より誤りが少なくなりました。中国語は 7.69% 対 7.90%、日本語は 6.78% 対 6.87%、韓国語は 7.85% 対 8.09%、英語は 8.46% 対 8.51% です。差は小さいものの、すべて同じ方向を示しています。Qwen3-ASR と Whisper は「自動」では測っていないため、数値はありません。アプリ自体は、Parakeet を除き、言語を選ぶほうが「自動」より正確なことが多いと案内しています。
Parakeet は例外です。Whisper Notes では、言語を指定すると Parakeet の精度がかえって下がったため、Parakeet には常に言語を自動で判別させています（Parakeet Ultra と Parakeet V3 の比較を参照）。Mac では、設定の文字起こしにある言語で指定します。
長い録音にはどれくらい時間がかかるか？
以前、実際の録音を使ったテストでは、Apple M4 Pro 上で SenseVoice が 27 分の中国語インタビューポッドキャスト 1 回分を 13.83 秒で文字起こししました。同じファイルに Whisper Large V3 Turbo は 2 分 4 秒かかりました。このテストに Qwen3-ASR は含まれていません。テストに使ったのは以前のバージョンのアプリで、実時間の約 117 倍という速度は、現在のモデルカードの 115–131 倍とほぼ同じです。
このテストから大まかに見積もると、1 時間の会議や講義は、その Mac で SenseVoice なら約 30 秒、Whisper Large V3 Turbo なら約 4 分半です。上の速度から計算すると、Qwen3-ASR は約 8 分かかります。
どちらのモデルも、長いファイルを一度に読み込むわけではありません。Mac 版では、SenseVoice は音声を話の途切れ目で最長 30 秒の区間に分け、区間ごとに処理が終わるとすぐテキストを表示します。Qwen3-ASR も最長 30 秒ずつ処理し、上限の近くで最も静かな箇所を探して区切ります。テキストは生成されながら表示されます。どちらの場合も文字起こしは区間ごとに埋まっていくので、ファイル全体が終わる前に読み始められます。
自分の端末ではどれが使えるか？
| モデル | iPhone | Mac App Store 版 | 公式サイトの Mac 版 |
|---|---|---|---|
| SenseVoice Small | あり | あり | あり |
| Qwen3-ASR 1.7B | なし | あり（ベータ） | あり（ベータ） |
| Whisper Large V3 Turbo | なし | あり | あり |
| Whisper Small | あり | あり | あり |
緑は利用可能、琥珀色は利用不可を表します。
iPhone では、中国語・日本語・韓国語を速く文字起こしするなら SenseVoice です。もう一つの選択肢は Whisper Small です。
Mac 版が 2 つあるのはなぜでしょうか？Mac App Store 版は、Apple が App Store のアプリに定める制限の範囲内で動作します。そのため、Fn キーでの音声入力、オンデバイスの AI アシスタント、コマンドラインツールといった一部の機能は、公式サイトからダウンロードする Mac 版にしかありません（経緯はこちら）。音声認識モデルはどちらも同じです。
Mac でそれぞれに必要なもの
| SenseVoice Small | Qwen3-ASR 1.7B | |
|---|---|---|
| ダウンロードサイズ | 約 450 MB | 約 2.5 GB |
| メモリ（モデルカードの表示） | 約 700 MB | 約 2.6 GB |
| ピークメモリ（私たちのテスト） | 0.95 GiB | 2.43 GiB |
| Mac | Apple Silicon | Apple Silicon、macOS 15 以降 |
| 推奨メモリ | 下限の記載なし | 16 GB 推奨 |
ダウンロードサイズとメモリの表示は、公式サイトからダウンロードする現行の Mac 版のものです。琥珀色は、ダウンロード前に確認が必要な条件です。ピークメモリは、上の速度と同じ日常使用のテストで測りました。GiB は GB より約 7% 大きい単位です。
どちらのモデルも内蔵ではありません。設定にある各モデルのカードから一度ダウンロードすれば、あとはオフラインで使えます。SenseVoice のほうが大幅に軽く、ダウンロードサイズは Qwen3-ASR の約 5 分の 1、メモリも半分を大きく下回ります。メモリが 16 GB 未満の Mac では、Qwen3-ASR のカードのメモリ表示が警告としてオレンジ色になります。参考までに、Whisper Large V3 Turbo はダウンロードが約 2 GB で、カードに表示されるメモリは約 2.4 GB です。
どちらを使うべきか？
- Mac で誤りをいちばん少なくしたい：Qwen3-ASR 1.7B。2 つの Mac 版のどちらでも使えます。テストした 4 言語すべてで SenseVoice を上回りました。日本語では Whisper Large V3 Turbo のほうがさらにわずかに正確で、5.30% 対 5.74% でした。
- 速度を重視する、長い録音が多い、メモリの少ない Mac を使っている、または iPhone を使っている：SenseVoice Small。1 時間の音声が約 8 分ではなく約 30 秒で終わり、ダウンロードサイズもメモリも大幅に少なくて済みます。
- Qwen3-ASR 1.7B（macOS 15 以降が必要）を使わずに日本語や韓国語の精度を上げたい：Whisper Large V3 Turbo。日本語は 5.30%（SenseVoice は 6.78%）、韓国語は 4.25%（同 7.85%）です。ただし SenseVoice よりかなり遅くなります。
- その他の言語：英語とヨーロッパのほかの 24 言語には内蔵モデルの Parakeet（Parakeet Ultra と Parakeet V3 の比較を参照）、それ以外の言語には Whisper を使ってください。30 言語での Qwen3-ASR 1.7B と Whisper の比較は、Qwen3-ASR と Whisper のベンチマークにまとめています。6 つのモデルの誤り率を 42 言語で並べて見るなら、言語別のモデル比較をご覧ください。
ほかに知っておきたいことは？
- 話者ラベル、タイムスタンプ、字幕はどちらでも使えます。SenseVoice も Qwen3-ASR もタイムスタンプを出力するので、話者ラベルと SRT 字幕の書き出しはどちらのモデルでも同じように使えます。
- 簡体字か繁体字かは、システムの言語に従います。文字起こしのあと、Whisper Notes は Mac 上で中国語のテキストを簡体字か繁体字に変換します。どちらになるかはシステムの言語で決まります。「言語」で 简体中文（簡体字中国語）または 繁體中文（繁体字中国語）を選んだ場合は、その設定が優先されます。
- 方言は検証していません。Qwen の公式モデルカードには、30 言語に加えて中国語の方言・訛り 22 種類が挙げられています。Whisper Notes には方言の設定はありません。中国語か「自動」を選べば、あとはモデルが処理します。方言はテストしていないため、どちらのモデルがどの程度対応できるかはわかりません。
- Qwen3-ASR はベータ版です。万一予期せず停止した場合、Whisper Notes は次回起動時に Qwen3-ASR を無効にして別のモデルに切り替えるので、アプリは問題なく起動します。もう一度試すには、設定で Qwen3-ASR を選び直してください。
- 数値は静かな環境での朗読音声のものです。FLEURS の文は、静かな環境で読み上げられたものです。会議、騒がしい部屋、離れた位置のマイク、強い訛りがあると、差はどちらのモデルに有利な方向にも変わる可能性があります。
- 中国語と英語が混ざる発話は検証していません。中国語と英語が切り替わる文を各モデルがどう扱うかは測っていません。どちらかに決める前に、普段の録音で一度試してみてください。
モデルはどう切り替えるのか？
Mac では、設定を開いて文字起こしモデルまでスクロールします。モデルごとにカードがあり、速度、得意な用途、対応言語の数、必要なメモリ、ダウンロードサイズが表示されています。モデルをダウンロードするには、カードかカード上のダウンロード矢印をクリックします。インストール後は、カードをクリックするとそのモデルに切り替わります。各カードの言語リンク（対応言語、Qwen3-ASR 1.7B のカードでは対応する30言語）を開くと、すべての言語と、私たちが測ったそれぞれの誤り率が表示されます。
公式サイトからダウンロードする Mac 版：設定 → 文字起こしモデル
そのあと、文字起こしの言語を「自動」のままにせず、使う言語を指定してください。
SenseVoice とは？
| 開発元 | FunAudioLLM（Alibaba Group の Tongyi Lab） |
| 公開 | 2024 年 7 月、FunAudioLLM の論文とともに公開 |
| サイズ | 2 億 3,400 万パラメータ。公式サイトからダウンロードする Mac 版でのダウンロードサイズは約 450 MB |
| 言語 | 中国語、広東語、英語、日本語、韓国語 |
| 設計 | 非自己回帰型。テキストを少しずつ順に書き出すのではなく、音声のひと区間ぶんを一度に出力する |
| ライセンス | FunASR Model Open Source License Agreement |
| 動作環境 | お使いの端末上でオフライン。Mac では Apple の MLX を通じて GPU で動作 |
| Whisper Notes での提供 | iPhone、Mac App Store 版、公式サイトからダウンロードする Mac 版 |
FunAudioLLM の論文より：SenseVoice-Small は 2 億 3,400 万パラメータで、10 秒の音声を 70 ms で処理します。Whisper-Large-V3 は 15 億 5,000 万パラメータで、1,281 ms かかります。いずれもデータセンター向け GPU での値で、Mac での値ではありません。
Qwen3-ASR は Alibaba の Qwen チームが開発し、Apache 2.0 ライセンスで公開しているモデルです。Whisper Notes では、MLX を通じて Mac の GPU 上で 8 ビットで動作します。30 言語での Whisper との比較は、Qwen3-ASR のベンチマークをご覧ください。
よくある質問
中国語・日本語・韓国語には、SenseVoice と Qwen3-ASR のどちらが向いていますか？
誤りの少なさなら Qwen3-ASR 1.7B です。私たちの FLEURS テストでは、CER が中国語 6.49%、日本語 5.74%、韓国語 3.54% で、SenseVoice Small は 7.69%、6.78%、7.85% でした。速度なら SenseVoice です。実時間の 115.2–131 倍で動作し、Qwen3-ASR は 7.6 倍です。Qwen3-ASR（ベータ）は Mac で使えます。Mac App Store 版と公式サイトからダウンロードする Mac 版の両方に入っています。SenseVoice は iPhone でも使えます。
SenseVoice は Whisper より優れていますか？
はるかに速く、中国語では精度も近い水準です。私たちの FLEURS テストでは、SenseVoice Small は中国語で Whisper Large V3 Turbo よりわずかに正確でした（7.69% 対 7.97%）。日本語（6.78% 対 5.30%）、韓国語（7.85% 対 4.25%）、英語（8.46% 対 5.49%）では及びませんでした。Apple M4 Pro では、27 分の中国語ポッドキャストを 13.83 秒で文字起こししました。Whisper Large V3 Turbo は 2 分 4 秒かかりました。
SenseVoice や Qwen3-ASR で繁体字中国語を出力できますか？
できます。文字起こしのあと、Whisper Notes は Mac 上でテキストを簡体字か繁体字の中国語に変換します。システムの言語に従うか、「言語」で選んだ中国語に従います。SenseVoice でも Qwen3-ASR 1.7B でも同じです。
SenseVoice は iPhone で使えますか？
使えます。iPhone 版 Whisper Notes には、Parakeet と Whisper Small に加えて SenseVoice があり、中国語、日本語、韓国語、広東語、英語を端末上でオフラインで文字起こしできます。Qwen3-ASR 1.7B は iPhone では使えません。
試してみる
SenseVoice は iPhone 版と Mac 版の Whisper Notes で、Qwen3-ASR（ベータ）は Mac 版で使えます。下のボタンから、iPhone 版は App Store で、Mac 版は公式サイトから入手できます。ご質問は support@whispernotes.app までメールでお寄せください。
iOS 版をダウンロード