Apple SpeechAnalyzer vs Whisper: quão bom é o novo reconhecimento de voz?

Em que medida é melhor do que o ditado que já existia?

Até agora, o reconhecimento de voz do Mac era o motor da era do SFSpeechRecognizer, aquele que o ditado do sistema ainda utiliza (DictationTranscriber). O macOS 26 e o iOS 26 acrescentam a API SpeechAnalyzer e o respetivo módulo SpeechTranscriber. Executámos ambos no conjunto de teste do FLEURS, cerca de 150 frases e 30 minutos por língua, no mesmo Mac.

Todas as línguas medidas corretamente por ambos os motores da Apple, ordenadas pela taxa de erro do Apple Speech; o verde assinala o melhor valor da linha. Mesmo teste, mesmos excertos, mesmo Mac. CER para japonês, coreano, chinês e cantonês, WER para as restantes.

O Apple Speech é mais preciso nas dez línguas medidas corretamente por ambos os motores. No francês e no alemão desaparece mais de metade dos erros, na língua mediana cerca de um terço e, no português do Brasil e no cantonês, cerca de um erro em sete.

O ditado continua a abranger mais línguas. O Apple Speech devolveu resultados para 21 das 83 configurações linguísticas deste teste, e o ditado para 33, incluindo as três que faltam aqui ao novo motor: neerlandês, polaco e russo, com 17,34, 13,50 e 13,13. Também não existe uma lista fixa para citar. Os recursos linguísticos pertencem ao macOS, pelo que uma app pergunta em tempo de execução o que está disponível numa determinada máquina.

É então possível dispensar os modelos transferidos?

Seis motores, os mesmos excertos, um Mac. As dez línguas abaixo estão entre as mais utilizadas e surgem numa ordem fixa que nada tem que ver com os resultados.

Dez das línguas mais utilizadas, um motor por coluna. Cada célula mostra a taxa de erro desse motor: mais baixo é melhor; o verde assinala o valor mais baixo da linha e o branco o segundo mais baixo. CER para japonês, coreano e chinês, WER para as restantes, nunca combinados num único número. O nosso teste FLEURS, realizado pela equipa do Whisper Notes, num único M5 MacBook Air, fala lida.

Nomes abreviados: Qwen3-ASR = Qwen3-ASR 1.7B, Whisper Large = Whisper Large V3 Turbo, Parakeet = Parakeet V3, SenseVoice = SenseVoice Small. Um travessão significa que o motor não tem modelo para essa língua.

O Qwen3-ASR 1.7B tem a taxa de erro mais baixa em seis das dez línguas, o Whisper Large V3 Turbo nas outras quatro e o Apple Speech em nenhuma. Aproxima-se mais no coreano, 0,77 atrás do primeiro da linha, depois no japonês, a 1,06, e no chinês, a 1,48, onde empata com o Whisper Large V3 Turbo nos 7,97. Fica mais longe no inglês, 8,80 (Apple Speech) contra 4,49 (Qwen3-ASR 1.7B), e não existe qualquer resultado do Apple Speech para neerlandês, polaco ou russo.

Face ao Whisper Small, o Apple Speech foi mais preciso em oito das dez línguas medidas corretamente por ambos. As duas derrotas são o inglês, 8,80 (Apple Speech) contra 7,04 (Whisper Small), e o português do Brasil, 9,35 contra 8,61.

Um benchmark publicado em julho mediu o Apple Speech em inglês face ao Whisper Small e colocou a Apple à frente. Importa qual é a versão do Whisper comparada, bem como os excertos. Esse teste utilizou o LibriSpeech, com narradores de audiolivros a ler em voz alta; o nosso utiliza o FLEURS, com muitos oradores diferentes a ler frases da Wikipedia. O nosso teste mostra a diferença no inglês, mas não permite dizer o que a causa.

Face ao Whisper Large V3 Turbo, a ordem inverte-se. O Apple Speech fica atrás em oito dessas dez línguas, empata no chinês nos 7,97 e lidera apenas no cantonês, 8,69 (Apple Speech) contra 36,75 (Whisper Large V3 Turbo) — consulte a linha do cantonês abaixo. Nas notas de lançamento do Turbo, a OpenAI inclui o cantonês entre as línguas em que o modelo mais se degrada; os 36,75 são, portanto, uma fraqueza conhecida do Whisper, não uma particularidade do nosso teste.

No coreano, o Apple Speech erra cerca de um caráter em 23. O modelo mais preciso deste teste, o Qwen3-ASR 1.7B, erra cerca de um em 28: 4,31 (Apple Speech) contra 3,54 (Qwen3-ASR 1.7B).

O Parakeet V3 exige uma transferência de 465 MB e é mais preciso em todas as línguas europeias que ambos abrangem: 6,89 (Parakeet V3) contra 8,80 (Apple Speech) no inglês, 5,83 contra 7,61 no francês, 4,86 contra 5,41 no espanhol, 3,43 contra 4,39 no italiano e 6,49 contra 9,35 no português do Brasil; no alemão, os dois empatam nos 6,26. Não tem japonês, coreano, chinês nem cantonês, situações em que o Apple Speech é o único dos dois disponível.

As seis linhas lideradas pelo Qwen3-ASR 1.7B incluem inglês, alemão, francês e espanhol.

O SenseVoice Small é o motor mais rápido, a 162,3× o tempo real. No chinês e no inglês, fica ao mesmo nível do Apple Speech: 7,69 (SenseVoice Small) contra 7,97 (Apple Speech) e 8,46 contra 8,80. No coreano, fica muito atrás, 7,85 (SenseVoice Small) contra 4,31 (Apple Speech).

Tamanho e velocidade

A velocidade é a mediana de cada motor nas treze línguas que este artigo mede corretamente, contando apenas aquelas em que correu — débito de processamento de elementos isolados, um diagnóstico, não a latência do produto. O pico de memória é o máximo do grupo de processos neste teste. O Apple Speech descodifica dentro de um serviço do macOS que não pertence à app que o chama, pelo que nenhum valor seria equivalente aos dos outros cinco.

O Apple Speech correu a 30,8× o tempo real, atrás do Parakeet V3 a 75,6× e do SenseVoice Small a 162,3×. O seu pacote de língua é transferido uma única vez pelo macOS e partilhado por todas as apps, pelo que nada é atribuído ao processo da própria app. O serviço que faz a descodificação continua a utilizar memória, e não podemos atribuí-la com exatidão; por isso, não apresentamos ali qualquer número em vez de indicar zero.

O Whisper Large V3 Turbo é o motor mais lento, a 3,0× o tempo real, e tem a taxa de erro mais baixa em quatro das dez linhas, ocupando cerca de 1,6 GB no disco. O Qwen3-ASR 1.7B vence as outras seis, ocupando cerca de 2,5 GB no disco e com um pico de 2,43 GiB. O Whisper Small, com 600 MB, é a comparação adequada para um motor integrado.

Para que línguas é o Apple Speech uma boa opção?

Língua por língua:

• Inglês: não é uma boa opção. O Apple Speech obteve 8,80; Qwen3-ASR 1.7B (4,49) ou o Whisper Large V3 Turbo (5,49) é claramente mais preciso.
• Alemão: não é uma boa opção. O Apple Speech obteve 6,26; Qwen3-ASR 1.7B (2,85) ou o Whisper Large V3 Turbo (4,05) é claramente mais preciso.
• Neerlandês, russo e polaco: o Apple Speech não tem modelo para estas três línguas. Whisper Large V3 Turbo foi o mais preciso em todas, com 5,69, 5,13 e 5,45.
• Japonês: utilizável. O Apple Speech obteve 6,36, atrás do Whisper Large V3 Turbo com 5,30.
• Coreano: utilizável. O Apple Speech obteve 4,31, atrás do Qwen3-ASR 1.7B com 3,54.
• Francês: não é uma boa opção. O Apple Speech obteve 7,61; Qwen3-ASR 1.7B (4,57) ou o Parakeet V3 (5,83) é claramente mais preciso.
• Chinês: utilizável. O Apple Speech obteve 7,97, empatado com o Whisper Large V3 Turbo; o mais preciso foi o Qwen3-ASR 1.7B com 6,49.
• Espanhol: não é uma boa opção. O Apple Speech obteve 5,41; Qwen3-ASR 1.7B (3,38) ou o Whisper Large V3 Turbo (3,62) é claramente mais preciso.

Os modelos transferidos continuam a vencer em precisão: todas as linhas da tabela principal são lideradas pelo Qwen3-ASR 1.7B ou pelo Whisper Large V3 Turbo. O Apple Speech é uma opção real para coreano, japonês e chinês; nas línguas europeias, o Parakeet V3 é a escolha indicada.

No Whisper Notes para Mac, o Parakeet V3 continua a ser o modelo predefinido. Na app para Mac transferida do nosso site, o Apple Speech está disponível como modelo opcional no macOS 26 ou posterior, e a app só oferece uma língua quando o macOS indica que o seu Mac a suporta.

Apple Speech é a abreviatura usada neste artigo para o SpeechTranscriber da Apple, a API no dispositivo que qualquer app para Mac pode chamar no macOS 26 ou posterior. É um motor do sistema e não um modelo que se transfere: o Whisper Notes para Mac pode usá-lo na versão transferida do nosso site, com o pacote de língua fornecido pelo macOS. Os modelos que a própria app transfere continuam a ser o Whisper, o Parakeet V3, o SenseVoice e o Qwen3-ASR nessa versão, e o Whisper, o Parakeet V3 e o SenseVoice no iPhone e na versão da Mac App Store. A tabela por motor é a nossa lista de línguas suportadas pelo Whisper, Parakeet V3 e SenseVoice.

Além das dez línguas

Mais quatro línguas do mesmo teste. As mesmas colunas, cores e abreviaturas acima; CER para cantonês, WER para as restantes.

O resultado do Apple Speech em hindi é excluído da classificação dessa linha, pelo motivo abaixo. Uma taxa de erro pode ultrapassar 100% porque as inserções também contam no numerador.

O italiano, com 4,39 (Apple Speech), fica atrás do empate nos 2,58 entre o Qwen3-ASR 1.7B e o Whisper Large V3 Turbo. O cantonês é a única língua em que o Apple Speech terminou à frente do Whisper Large V3 Turbo, 8,69 (Apple Speech) contra 36,75 (Whisper Large V3 Turbo), com o Qwen3-ASR 1.7B em primeiro nos 6,44. O português do Brasil fica nos 9,35 (Apple Speech), uma das duas linhas em que o Whisper Small, com 8,61, fica à frente.

O hindi produziu um tipo de resultado diferente. O Apple Speech escreveu o hindi com letras inglesas, em vez de utilizar a forma de escrita própria da língua, pelo que quase todas as palavras contam como erradas e a taxa ultrapassa os 100%. Telugu, urdu, panjábi, bengali, nepalês, malaiala, marata, canarês, guzerate e tâmil foram devolvidos da mesma forma, todos acima de 100%, pelo que foram excluídos da tabela.

Como funciona o SpeechAnalyzer

O SpeechAnalyzer substitui a API de reconhecimento de voz que a Apple disponibiliza desde o iOS 10, em todas as plataformas Apple exceto o watchOS. Uma app cria um SpeechAnalyzer, fornece-lhe módulos e envia-lhe áudio sob a forma de uma sequência assíncrona que a própria app preenche; o SpeechTranscriber é o módulo que transforma a fala em texto. Os resultados regressam como uma segunda sequência, normalmente noutra tarefa, e cada memória intermédia e cada resultado têm um código de tempo relativo à linha temporal do áudio.

Uma sessão, três tarefas: o áudio entra como AsyncSequence, o SpeechAnalyzer e o SpeechTranscriber analisam-no e os resultados regressam como uma segunda AsyncSequence que a interface pode ler. Fonte: Apple, sessão WWDC25 277.

Os resultados chegam duas vezes. Tudo o que estiver dentro daquilo a que a Apple chama intervalo volátil ainda pode ser substituído por um resultado melhor; tudo o que estiver fora é definitivo. É assim que uma app mostra uma transcrição provisória enquanto ainda se fala e a corrige depois. A Apple indica cinco objetivos de conceção para o modelo SpeechTranscriber: áudio longo, fala conversacional, oradores distantes, baixa latência e privacidade, o que significa que corre no dispositivo. As apps Notas, Dictafone e Diário, bem como o resumo de chamadas, assentam neste modelo.

Os cinco objetivos de conceção declarados pela Apple para o modelo SpeechTranscriber. Fonte: Apple, sessão WWDC25 277.

Os modelos não fazem parte de qualquer app. São transferidos dos servidores da Apple através do AssetInventory, armazenados e atualizados pelo sistema e partilhados entre apps. Nada acrescentam ao tamanho da transferência de uma app, e a descodificação ocorre fora do processo que fez a chamada. Quando o SpeechTranscriber não tem um modelo para uma língua ou um dispositivo, o DictationTranscriber assume a tarefa com os mesmos modelos do ditado do sistema.

Método e limitações

Cinco dos seis motores destas tabelas são modelos transferidos pelo Whisper Notes. Cada motor transcreveu os mesmos excertos, pela mesma ordem, um de cada vez, num M5 MacBook Air (32 GB, macOS 27.0). O áudio provém do conjunto de teste do Google FLEURS na revisão 70bb2e84, cerca de 150 frases e 30 minutos por língua. Um hash fixo dos próprios IDs de elemento do conjunto de dados coloca os elementos por ordem, e utilizamos a sequência mais curta de elementos completos que ultrapassa trinta minutos; nenhum resultado de modelo influenciou essa escolha. Cada célula foi reconstruída a partir do respetivo comprovativo e novamente verificada; as 285 passaram. Os valores são taxas de erro de palavras quando estas são separadas por espaços e taxas de erro de carateres para japonês, coreano, chinês e cantonês, nunca reunidas num só número.

É possível confirmar as colunas do Whisper com os números da própria OpenAI. Nas doze línguas para as quais a OpenAI publica um resultado FLEURS do Whisper Large V3 Turbo, os nossos valores ficam, em média, a 0,7 pontos dos seus, e dez dos doze estão dentro do intervalo de 95% do nosso teste. Nas onze línguas fora das linhas das línguas do sul da Ásia, os nossos valores do Whisper Small ficam, em média, a 1,0 ponto da tabela por língua no artigo sobre o Whisper. A coluna do Apple Speech resultou dos mesmos excertos, do mesmo avaliador e do mesmo normalizador.

O FLEURS é fala lida e limpa. Nada aqui diz como estes motores se comportam numa sala ruidosa ou durante uma reunião de duas horas, e não medimos a diferença nesses contextos. Tudo foi executado numa só máquina. Com cerca de 150 frases por língua, dois motores separados por menos de cerca de um ponto são considerados empatados; as tabelas já assinalam assim os empates exatos, como no italiano, em que o Qwen3-ASR 1.7B e o Whisper Large V3 Turbo obtiveram ambos 2,58.

Perguntas frequentes

Experimente

Os cinco modelos transferíveis aqui — Whisper Small, Whisper Large V3 Turbo, Parakeet V3, SenseVoice Small e Qwen3-ASR 1.7B — estão todos na app Whisper Notes para Mac que se transfere do nosso site, em Definições e depois Modelo de transcrição. No macOS 26 ou posterior, o Apple Speech aparece na mesma lista; se já tem a app, atualize-a para a versão mais recente.

Se os nossos números não corresponderem à sua experiência numa língua, escreva para mac@whispernotes.app. Notas de versão completas: whispernotes.app/changelog.

Fontes: o nosso teste no conjunto de teste do Google FLEURS na revisão 70bb2e84, a documentação da Apple sobre o SpeechAnalyzer, e o teste do Qwen3-ASR em trinta línguas que o antecedeu.

Transferir para macOS