SenseVoice vs Qwen3-ASR: qual é melhor para chinês, japonês e coreano?

Os números de precisão são nossos. Rodamos o SenseVoice Small, o Qwen3-ASR e o Whisper Large V3 Turbo nas mesmas frases lidas do FLEURS, cerca de 30 minutos por idioma, com os modelos que vêm no Whisper Notes. As velocidades são as que o app mostra no cartão de cada modelo, de um teste separado com trechos curtos. O resto reflete o funcionamento atual do app para Mac.

Quanto o Qwen3-ASR é mais preciso que o SenseVoice?

Taxa de erro de caracteres (CER) em chinês, japonês e coreano e taxa de erro de palavras (WER) em inglês; quanto menor, melhor. O verde marca o menor valor de cada linha. Medição própria no conjunto de teste do FLEURS, com cerca de 30 minutos e de 139 a 180 frases lidas por idioma, em um Mac. SenseVoice com o idioma definido. Só fala lida e limpa: ambientes com ruído, reuniões e gravações longas ficam de fora.

O Qwen3-ASR erra menos que o SenseVoice em todos os idiomas que testamos. Em chinês e japonês, a diferença é de cerca de um ponto: 6,49% (Qwen3-ASR) contra 7,69% (SenseVoice) em chinês, e 5,74% contra 6,78% em japonês. A maior diferença está no coreano: o SenseVoice erra mais que o dobro de caracteres, 7,85% contra 3,54%. Em inglês, o Qwen3-ASR erra cerca de uma palavra em cada 22, e o SenseVoice, cerca de uma em cada 12.

O Whisper Large V3 Turbo fica perto do Qwen3-ASR. Foi o mais preciso dos três em japonês e o segundo em coreano e inglês, mas ficou um pouco atrás do SenseVoice em chinês.

Quanto o SenseVoice é mais rápido que o Qwen3-ASR?

O verde marca o modelo mais rápido. São as velocidades que aparecem nos cartões dos modelos no app. Contam só o tempo de processamento do mecanismo, sem o carregamento do modelo, e foram medidas com trechos curtos, em um teste separado de uso diário em um Mac. O SenseVoice rodou a 115,2× com o idioma definido e a 131× com a detecção automática; o Qwen3-ASR marcou 7,65× antes do arredondamento. Os tempos para uma hora foram calculados a partir dessas velocidades e arredondados.

O SenseVoice é mais de 15 vezes mais rápido. Numa gravação de uma hora, isso dá cerca de meio minuto contra cerca de oito minutos. Se você transcreve gravações longas ou quer o texto na hora, essa diferença pesa mais que um ponto de precisão. Se você pode esperar alguns minutos e prefere corrigir menos, ela não pesa.

Defina o idioma para ganhar um pouco de precisão

Com o idioma definido, o SenseVoice errou menos do que no modo Automático nos quatro idiomas: 7,69% contra 7,90% em chinês, 6,78% contra 6,87% em japonês, 7,85% contra 8,09% em coreano e 8,46% contra 8,51% em inglês. As diferenças são pequenas, mas todas vão na mesma direção. Não rodamos o Qwen3-ASR nem o Whisper no modo Automático, então não temos números para eles. O próprio app recomenda: tirando o Parakeet, escolher o idioma costuma ser mais preciso do que deixar em Automático.

O Parakeet é a exceção: no Whisper Notes, informar o idioma o deixou menos preciso, e por isso ele sempre detecta o idioma sozinho (veja Parakeet Ultra vs Parakeet V3). No Mac, a opção é Idioma, em Transcrição, nos Ajustes.

Quanto tempo levam as gravações longas?

Num teste anterior com uma gravação real, em um Apple M4 Pro, o SenseVoice transcreveu um episódio de 27 minutos de um podcast de entrevistas em chinês em 13,83 segundos. O Whisper Large V3 Turbo levou 2 minutos e 4 segundos com o mesmo arquivo. O Qwen3-ASR não fez parte desse teste. Esse teste foi feito com uma versão anterior do app; a velocidade, cerca de 117× o tempo real, corresponde aos 115–131× que o cartão do modelo mostra hoje.

Numa conta aproximada a partir desse teste, uma reunião ou aula de uma hora levaria cerca de meio minuto no SenseVoice e cerca de quatro minutos e meio no Whisper Large V3 Turbo, nesse Mac. Pelas velocidades acima, o Qwen3-ASR precisaria de uns oito minutos.

Nenhum dos dois modelos lê um arquivo longo de uma vez. No app para Mac, o SenseVoice divide o áudio em partes de até 30 segundos, cortadas nas pausas, e mostra o texto de cada parte assim que ela fica pronta. O Qwen3-ASR também trabalha com partes de até 30 segundos, cortadas no momento mais silencioso perto de cada limite, e o texto vai aparecendo à medida que é gerado. Nos dois casos, a transcrição vai sendo preenchida parte por parte, e você pode começar a ler antes de o arquivo inteiro ficar pronto.

Qual deles posso usar no meu dispositivo?

Verde significa disponível; âmbar, não disponível.

No iPhone, o SenseVoice é a opção rápida para chinês, japonês e coreano, e o Whisper Small é a alternativa.

Por que duas versões para Mac? A versão da Mac App Store funciona dentro dos limites que a Apple define para os apps da App Store. Por isso, alguns recursos só existem no app para Mac do nosso site: a digitação por voz com Fn, o assistente de IA local e a ferramenta de linha de comando (o contexto). As duas têm os mesmos modelos de fala.

O que cada um precisa no Mac

Tamanhos de download e indicações de memória como aparecem na versão atual do app para Mac do nosso site. O âmbar marca um requisito a conferir antes de baixar. O pico de memória vem do mesmo teste de uso diário das velocidades acima; um GiB é cerca de 7% maior que um GB.

Nenhum dos dois modelos vem integrado ao app. Cada um é baixado uma vez, pelo cartão dele nos Ajustes, e depois funciona offline. O SenseVoice é, de longe, o mais leve: cerca de um quinto do download e bem menos da metade da memória do Qwen3-ASR. Em um Mac com menos de 16 GB de memória, o cartão do Qwen3-ASR mostra a indicação de memória em laranja, como aviso. Para comparar, o download do Whisper Large V3 Turbo tem cerca de 2 GB, e o cartão dele indica cerca de 2,4 GB de memória.

Qual você deve usar?

• Menos erros, no Mac: Qwen3-ASR 1.7B, nas duas versões para Mac. Ele superou o SenseVoice nos quatro idiomas do nosso teste. Em japonês, o Whisper Large V3 Turbo foi ainda um pouco mais preciso, 5,30% contra 5,74%.
• Velocidade, gravações longas, Mac com menos memória, ou iPhone: SenseVoice Small. Uma hora de áudio leva cerca de meio minuto em vez de uns oito, e ele precisa de uma fração do download e da memória.
• Precisão em japonês ou coreano sem o Qwen3-ASR 1.7B (ele pede macOS 15): Whisper Large V3 Turbo, com 5,30% contra 6,78% do SenseVoice em japonês e 4,25% contra 7,85% em coreano. Ele é bem mais lento que o SenseVoice.
• Outros idiomas: Parakeet, o modelo integrado, para inglês e outros 24 idiomas europeus (veja Parakeet Ultra vs Parakeet V3), e Whisper para o restante. A comparação entre o Qwen3-ASR 1.7B e o Whisper em 30 idiomas está no nosso comparativo Qwen3-ASR vs Whisper. A taxa de erro de cada modelo em 42 idiomas, lado a lado, está na nossa comparação de modelos por idioma.

O que mais você precisa saber?

• Identificação de falantes, marcações de tempo e legendas funcionam com os dois. O SenseVoice e o Qwen3-ASR geram marcações de tempo, então a identificação de falantes e a exportação de legendas SRT funcionam do mesmo jeito com qualquer um dos modelos.
• Chinês simplificado ou tradicional segue o idioma do sistema. Depois da transcrição, o Whisper Notes converte o texto em chinês para caracteres simplificados ou tradicionais no seu Mac, de acordo com o idioma do sistema. Se você definir o idioma como 简体中文 (chinês simplificado) ou 繁體中文 (chinês tradicional), essa escolha tem prioridade.
• Dialetos não foram testados. A ficha oficial do modelo, publicada pela equipe Qwen, lista 30 idiomas e mais 22 dialetos e sotaques do chinês. O Whisper Notes não tem uma opção separada para dialetos: você escolhe chinês ou Automático, e o modelo cuida do resto. Não testamos dialetos, então não sabemos dizer como cada modelo lida com eles.
• O Qwen3-ASR está em Beta. Se ele parar de forma inesperada, o Whisper Notes o desativa na próxima inicialização e muda para outro modelo, para que o app continue abrindo. Você pode selecionar o Qwen3-ASR de novo nos Ajustes para tentar outra vez.
• Nossos números valem para fala lida e limpa. As frases do FLEURS são lidas em voz alta em ambiente silencioso. Reuniões, ambientes com ruído, microfones distantes e sotaques fortes podem mudar as diferenças para qualquer um dos lados.
• Chinês misturado com inglês não foi testado. Não medimos como os modelos lidam com frases que alternam entre chinês e inglês. Antes de escolher um, teste com uma gravação típica sua.

Como trocar de modelo?

No Mac, abra os Ajustes e role até Modelo de transcrição. Cada modelo tem um cartão com a velocidade, o uso mais indicado, quantos idiomas cobre, de quanta memória precisa e o tamanho do download. Para baixar um modelo, clique no cartão ou na seta de download dele; depois de instalado, clique no cartão para passar a usá-lo. O link de idiomas em cada cartão (Idiomas suportados, ou 30 idiomas compatíveis no cartão do Qwen3-ASR 1.7B) lista todos os idiomas com a nossa taxa de erro para cada um.

Ajustes → Modelo de transcrição no app para Mac do nosso site

Depois, defina o Idioma em Transcrição em vez de deixá-lo em Automático.

O que é o SenseVoice?

Do artigo do FunAudioLLM: o SenseVoice-Small tem 234 milhões de parâmetros e processa 10 segundos de áudio em 70 ms; o Whisper-Large-V3 tem 1.550 milhões e leva 1.281 ms. Ambos numa GPU de data center, não num Mac.

O Qwen3-ASR é da equipe Qwen, da Alibaba, e usa a licença Apache 2.0. No Whisper Notes, ele roda na GPU do Mac pelo MLX, em 8 bits. Os resultados dele contra o Whisper em 30 idiomas estão no nosso comparativo do Qwen3-ASR.

Perguntas frequentes

Experimente

O SenseVoice está no Whisper Notes para iPhone e Mac, e o Qwen3-ASR (Beta) só no Mac. Use os botões abaixo para baixar o app para iPhone na App Store ou o app para Mac do nosso site. Dúvidas? Escreva para support@whispernotes.app.

Baixar para iOS Baixar para macOS