SenseVoice vs Qwen3-ASR: który lepszy do chińskiego, japońskiego i koreańskiego?

Wyniki dokładności pochodzą z naszego własnego testu. Sprawdziliśmy SenseVoice Small, Qwen3-ASR i Whisper Large V3 Turbo na tych samych czytanych zdaniach ze zbioru FLEURS, około 30 minut nagrań na język, w wersjach modeli, których używa Whisper Notes. Szybkości to wartości, które aplikacja pokazuje na karcie każdego modelu; pochodzą z osobnego testu na krótkich nagraniach. Pozostałe informacje opisują działanie obecnej wersji aplikacji na Maca.

O ile dokładniejszy jest Qwen3-ASR od SenseVoice?

Dla chińskiego, japońskiego i koreańskiego współczynnik błędów znakowych (CER), dla angielskiego współczynnik błędów słów (WER); im niżej, tym lepiej. Zielony oznacza najniższą wartość w wierszu. Nasz własny pomiar na zbiorze testowym FLEURS, około 30 minut i od 139 do 180 czytanych zdań na język, na Macu. SenseVoice z ustawionym językiem. Tylko czysta mowa czytana: hałaśliwych pomieszczeń, spotkań i długich nagrań ten test nie obejmuje.

Qwen3-ASR popełnia mniej błędów niż SenseVoice we wszystkich testowanych językach. W chińskim i japońskim różnica wynosi około jednego punktu: 6,49 % (Qwen3-ASR) wobec 7,69 % (SenseVoice) w chińskim oraz 5,74 % wobec 6,78 % w japońskim. Największa różnica jest w koreańskim: SenseVoice myli się w ponad dwa razy większej liczbie znaków, 7,85 % wobec 3,54 %. W angielskim Qwen3-ASR myli się mniej więcej w co 22. słowie, a SenseVoice mniej więcej w co 12.

Whisper Large V3 Turbo wypada podobnie jak Qwen3-ASR. Był najdokładniejszy z trzech modeli w japońskim i drugi w koreańskim i angielskim, ale w chińskim był nieco słabszy od SenseVoice.

O ile SenseVoice jest szybszy od Qwen3-ASR?

Zielony oznacza szybszy model. To szybkości pokazywane na kartach modeli w aplikacji: sam czas przetwarzania przez silnik, bez ładowania modelu, zmierzony na krótkich nagraniach w osobnym teście codziennego użytkowania na Macu. SenseVoice osiągnął 115,2× z ustawionym językiem i 131× z automatycznym wykrywaniem; wynik Qwen3-ASR przed zaokrągleniem to 7,65×. Czasy dla godziny nagrania wyliczyliśmy z tych szybkości i zaokrągliliśmy.

SenseVoice jest ponad 15 razy szybszy. Przy godzinnym nagraniu to około pół minuty wobec około ośmiu minut. Jeśli transkrybujesz długie nagrania albo chcesz mieć tekst od razu, ta różnica liczy się bardziej niż punkt dokładności. Jeśli możesz poczekać kilka minut i wolisz mniej poprawiać, nie ma takiego znaczenia.

Ustaw język, a dokładność nieco wzrośnie

Z ustawionym językiem SenseVoice popełniał mniej błędów niż w trybie Automatycznie we wszystkich czterech językach: 7,69 % wobec 7,90 % w chińskim, 6,78 % wobec 6,87 % w japońskim, 7,85 % wobec 8,09 % w koreańskim i 8,46 % wobec 8,51 % w angielskim. Różnice są małe, ale wszystkie idą w tę samą stronę. Modeli Qwen3-ASR i Whisper nie testowaliśmy w trybie Automatycznie, więc nie mamy dla nich liczb; sama aplikacja podpowiada, że poza Parakeetem wybór języka zwykle daje lepszą dokładność niż Automatycznie.

Parakeet jest wyjątkiem: w Whisper Notes podanie mu języka pogarszało dokładność, dlatego zawsze sam wykrywa język (zob. Parakeet Ultra vs Parakeet V3). Na Macu to ustawienie nazywa się Język i znajduje się w sekcji Transkrypcja w Ustawieniach.

Ile trwa transkrypcja długich nagrań?

We wcześniejszym teście z prawdziwym nagraniem, na Apple M4 Pro, SenseVoice przetranskrybował 27-minutowy odcinek chińskiego podcastu z wywiadami w 13,83 sekundy. Whisper Large V3 Turbo potrzebował na ten sam plik 2 minut i 4 sekund. Qwen3-ASR nie brał udziału w tym teście. Ten test przeprowadzono na wcześniejszej wersji aplikacji; szybkość, około 117× czasu rzeczywistego, odpowiada 115–131× z obecnej karty modelu.

W zgrubnym przeliczeniu z tego testu godzinne spotkanie lub wykład zajęłoby SenseVoice na tym Macu około pół minuty, a Whisper Large V3 Turbo około czterech i pół minuty. Z podanych wyżej szybkości wynika, że Qwen3-ASR potrzebowałby mniej więcej ośmiu minut.

Żaden z modeli nie przetwarza długiego pliku za jednym razem. W aplikacji na Maca SenseVoice dzieli dźwięk na fragmenty do 30 sekund, cięte w miejscach pauz, i pokazuje tekst każdego fragmentu, gdy tylko jest gotowy. Qwen3-ASR także pracuje na fragmentach do 30 sekund, ciętych w najcichszym momencie w pobliżu każdego limitu, a jego tekst pojawia się na bieżąco, w miarę jak powstaje. W obu przypadkach transkrypcja uzupełnia się fragment po fragmencie i możesz zacząć czytać, zanim cały plik zostanie przetworzony.

Którego modelu mogę używać na swoim urządzeniu?

Zielony oznacza, że model jest dostępny, żółty, że nie jest.

Na iPhonie SenseVoice jest szybkim wyborem dla chińskiego, japońskiego i koreańskiego, a alternatywą jest Whisper Small.

Dlaczego są dwie wersje na Maca? Wersja z Mac App Store działa w granicach, które Apple wyznacza aplikacjom z App Store, dlatego kilka funkcji jest tylko w aplikacji na Maca z naszej strony: pisanie głosowe klawiszem Fn, asystent AI działający na urządzeniu i narzędzie wiersza poleceń (więcej o tym). Modele mowy są w obu wersjach te same.

Czego każdy z modeli potrzebuje na Macu

Rozmiary pobierania i ilość pamięci podane tak, jak w obecnej aplikacji na Maca z naszej strony. Żółty oznacza wymaganie, które warto sprawdzić przed pobraniem. Szczytowe zużycie pamięci pochodzi z tego samego testu codziennego użytkowania co szybkości powyżej; GiB to około 7 % więcej niż GB.

Żaden z tych modeli nie jest wbudowany. Każdy pobiera się raz, z jego karty w Ustawieniach, a potem działa offline. SenseVoice jest zdecydowanie lżejszy: zajmuje około jednej piątej tego, co trzeba pobrać dla Qwen3-ASR, i potrzebuje znacznie mniej niż połowy jego pamięci. Na Macu z mniej niż 16 GB pamięci karta Qwen3-ASR wyświetla informację o pamięci na pomarańczowo, jako ostrzeżenie. Dla porównania Whisper Large V3 Turbo to około 2 GB do pobrania, a jego karta podaje około 2,4 GB pamięci.

Który model wybrać?

• Najmniej błędów, na Macu: Qwen3-ASR 1.7B, w obu wersjach na Maca. W naszym teście wypadł lepiej niż SenseVoice we wszystkich czterech językach. W japońskim Whisper Large V3 Turbo był jeszcze nieco dokładniejszy, 5,30 % wobec 5,74 %.
• Szybkość, długie nagrania, Mac z mniejszą ilością pamięci albo iPhone: SenseVoice Small. Godzina nagrania zajmuje około pół minuty zamiast około ośmiu, a model potrzebuje ułamka miejsca na pobranie i pamięci.
• Dokładność w japońskim lub koreańskim bez Qwen3-ASR 1.7B (wymaga on macOS 15): Whisper Large V3 Turbo, 5,30 % wobec 6,78 % dla SenseVoice w japońskim i 4,25 % wobec 7,85 % w koreańskim. Jest znacznie wolniejszy niż SenseVoice.
• Inne języki: Parakeet, wbudowany model, dla angielskiego i 24 innych języków europejskich (zob. Parakeet Ultra vs Parakeet V3), oraz Whisper dla pozostałych. Porównanie Qwen3-ASR 1.7B z modelem Whisper w 30 językach znajdziesz w naszym teście Qwen3-ASR vs Whisper. Ile błędów popełnia każdy model w 42 językach, pokazuje zbiorcza tabela modeli Whisper Notes.

Co jeszcze warto wiedzieć?

• Etykiety mówców, znaczniki czasu i napisy działają z oboma modelami. SenseVoice i Qwen3-ASR podają znaczniki czasu, więc etykiety mówców i eksport napisów SRT działają tak samo z każdym z nich.
• Chiński uproszczony lub tradycyjny zależy od języka systemu. Po transkrypcji Whisper Notes zamienia chiński tekst na znaki uproszczone lub tradycyjne, lokalnie na Macu, zgodnie z językiem systemu. Jeśli ustawisz język na 简体中文 (chiński uproszczony) albo 繁體中文 (chiński tradycyjny), decyduje ten wybór.
• Dialektów nie testowaliśmy. Karta modelu opublikowana przez zespół Qwen wymienia 30 języków oraz 22 chińskie dialekty i akcenty. Whisper Notes nie ma osobnego ustawienia dialektu: wybierasz chiński albo Automatycznie, a resztą zajmuje się model. Dialektów nie sprawdzaliśmy, więc nie wiemy, jak radzą sobie z nimi te modele.
• Qwen3-ASR jest w wersji Beta. Jeśli kiedyś nieoczekiwanie przestanie działać, Whisper Notes wyłączy go przy następnym uruchomieniu i przełączy się na inny model, żeby aplikacja nadal się otwierała. Aby spróbować ponownie, wybierz Qwen3-ASR jeszcze raz w Ustawieniach.
• Nasze liczby dotyczą czystej mowy czytanej. Zdania FLEURS są czytane na głos w cichych warunkach. Spotkania, hałaśliwe pomieszczenia, odległe mikrofony i silne akcenty mogą zmienić różnice w jedną albo drugą stronę.
• Mieszanki chińskiego z angielskim nie testowaliśmy. Nie mierzyliśmy, jak modele radzą sobie ze zdaniami, w których chiński przeplata się z angielskim, więc zanim się zdecydujesz, wypróbuj typowe dla siebie nagranie.

Jak przełączyć model?

Na Macu otwórz Ustawienia i przewiń do sekcji Model transkrypcji. Każdy model ma kartę z szybkością, zastosowaniem, do którego najlepiej się nadaje, liczbą obsługiwanych języków, potrzebną pamięcią i rozmiarem pobierania. Aby pobrać model, kliknij jego kartę albo strzałkę pobierania na niej; po instalacji kliknij kartę, żeby przełączyć się na ten model. Link do języków na każdej karcie (Obsługiwane języki albo 30 obsługiwanych języków na karcie Qwen3-ASR 1.7B) prowadzi do listy wszystkich języków z naszym współczynnikiem błędów dla każdego z nich.

Ustawienia → Model transkrypcji w aplikacji na Maca z naszej strony

Następnie ustaw Język w sekcji Transkrypcja, zamiast zostawiać opcję Automatycznie.

Czym jest SenseVoice?

Z publikacji FunAudioLLM: SenseVoice-Small ma 234 mln parametrów i przetwarza 10 sekund dźwięku w 70 ms; Whisper-Large-V3 ma 1550 mln parametrów i potrzebuje na to 1281 ms. Oba pomiary na GPU w centrum danych, nie na Macu.

Qwen3-ASR pochodzi od zespołu Qwen z Alibaby i jest udostępniany na licencji Apache 2.0. W Whisper Notes działa na GPU Maca przez MLX, w wersji 8-bitowej. Jego wyniki w porównaniu z modelem Whisper w 30 językach znajdziesz w naszym teście Qwen3-ASR.

Najczęściej zadawane pytania

Wypróbuj

SenseVoice jest w Whisper Notes na iPhone'a i Maca, a Qwen3-ASR (Beta) na Macu. Przyciski poniżej prowadzą do aplikacji na iPhone'a w App Store i do aplikacji na Maca z naszej strony. Masz pytania? Napisz na support@whispernotes.app.

Pobierz na iOS Pobierz na macOS