RESUMO — Três modelos no dispositivo comparados
| Parakeet V3 | SenseVoice Small | Whisper Large V3 Turbo | |
|---|---|---|---|
| 5 min inglês | 2,91s (103×) | 5,8s (52×) | 20,92s (14,3×) |
| 27 min chinês | Sem suporte a chinês | 13,83s (118×) | 2 min 4s (13,1×) |
| Idiomas | 25 (europeus) | 5 (zh, en, ja, ko, yue) | 100+ |
| Download | 465 MB | 827 MB | ~1,6 GB |
| Ideal para | Inglês & europeu | Chinês, japonês, coreano, cantonês | Tudo o resto (100+ idiomas) |
* Benchmarks de velocidade num Apple M4 Pro, 32 GB. Podcast de 5 minutos em inglês e podcast de 27 minutos em chinês. Fator de tempo real = duração do áudio ÷ tempo de processamento (quanto maior, mais rápido). Os benchmarks são da versão para Mac; o SenseVoice também está disponível no iPhone.
A partir da versão 1.5.0 (Direct Download / DMG), o Whisper Notes para Mac inclui o SenseVoice Small como motor dedicado para transcrição de chinês, japonês, coreano e cantonês. Substitui o Qwen3-ASR e funciona na GPU da Apple via MLX em vez da CPU — processando um podcast em chinês de 27 minutos em 13,83 segundos em vez de 3 minutos e 44 segundos.
Por que substituímos o Qwen3-ASR
O Qwen3-ASR era um modelo sólido. Suportava 30 idiomas mais 22 dialetos chineses, e a sua precisão para chinês estava próxima do estado da arte. Mas tinha um problema que piorava com a duração do áudio: velocidade.
O Qwen3 usava uma arquitetura autorregressiva — a mesma abordagem do Whisper, processando áudio frame a frame, sem nunca avançar. Num podcast em chinês de 27 minutos, demorava 224 segundos. Utilizável, mas não a experiência de resultado instantâneo que o Parakeet V3 oferece para inglês.
O problema mais profundo era a nossa infraestrutura. A nossa integração do Qwen3 usava sherpa-onnx, uma biblioteca C com um wrapper Swift de 2.249 linhas que encaminhava tudo pelos núcleos da CPU. A GPU ficava inativa enquanto a CPU do seu Mac fazia todo o trabalho.
O SenseVoice resolveu ambos os problemas. Arquitetura não autorregressiva para velocidade. Apple MLX para aceleração GPU. O resultado: uma melhoria de velocidade de 16,2× no mesmo hardware, com um código reduzido de 2.249 para 288 linhas.
O benchmark
Os três modelos a funcionar no mesmo Apple M4 Pro, mesmos ficheiros de áudio, mesmas condições. Sem cloud. Sem internet. Apenas silício.
| Modelo | 5 min inglês | 27 min chinês | Velocidade (RTFx) |
|---|---|---|---|
| Parakeet V3 | 2,91s | Sem suporte a chinês | 103× |
| SenseVoice Small | 5,8s | 13,83s | 52–118× |
| Whisper Large V3 Turbo | 20,92s | 2 min 4s | 13–14× |
| Qwen3-ASR (removido) | — | 224s | 7,2× |
Em inglês, o SenseVoice corre a cerca de metade da velocidade do Parakeet — e continua extraordinariamente rápido. Em chinês, o Parakeet nem sequer é uma opção, e o SenseVoice despacha um podcast de 27 minutos em menos de 14 segundos. Carrega em transcrever, espera um instante, e o texto está lá.
Compare isso com o Whisper a 2 minutos e 4 segundos, ou o antigo Qwen3 a 3 minutos e 44 segundos. A arquitetura importa mais do que a contagem de parâmetros.
Benchmark oficial de inferência do paper FunAudioLLM: SenseVoice-Small processa 10s de áudio em 70ms (GPU A800). Whisper-Large-V3 demora 1.281ms no mesmo hardware. Note que isto é latência de inferência numa GPU de datacenter, não os números em dispositivo acima.
| Modelo | Tempo de carregamento | Tamanho do download |
|---|---|---|
| Parakeet V3 | 0,77s | 465 MB |
| SenseVoice Small | 0,81s | 827 MB |
| Whisper Small | 1,03s | 600 MB |
| Whisper Large V3 Turbo | 3,18s | ~1,6 GB |
* Tempo de carregamento medido no Apple M4 Pro, 32 GB.
O SenseVoice carrega em menos de um segundo. Num Mac de 8 GB, funciona confortavelmente ao lado das suas outras aplicações.
Por que o SenseVoice é mais rápido: arquitetura + runtime
A diferença de velocidade entre o Qwen3-ASR e o SenseVoice provém de dois fatores independentes.
Fator 1: Arquitetura do modelo. O Qwen3-ASR é autorregressivo — gera texto token a token, cada um dependendo do anterior. O SenseVoice usa um codificador não autorregressivo (NAR) que processa todo o áudio em paralelo. Esta diferença arquitetural por si só torna o SenseVoice fundamentalmente mais rápido, independentemente do hardware utilizado.
Fator 2: Runtime. A nossa integração do Qwen3-ASR usava sherpa-onnx, que funcionava na CPU. O SenseVoice funciona através do Apple MLX, encaminhando os cálculos para a GPU. O Qwen3 poderia também funcionar no MLX? Sim — mas continuaria a ser mais lento do que o SenseVoice porque o gargalo autorregressivo está na arquitetura, não no runtime.
| Qwen3-ASR (antigo) | SenseVoice (novo) | |
|---|---|---|
| Arquitetura | Autorregressiva (token a token) | Não autorregressiva (paralela) |
| Runtime | sherpa-onnx (CPU) | Apple MLX (GPU) |
| 27 min chinês | 224 segundos | 13,83 segundos |
| Aceleração combinada | referência | 16,2× mais rápido |
| Código fonte | Framework C de 168 MB + 2.249 linhas Swift | 288 linhas Swift Actor |
* Mesmo podcast chinês de 27 minutos, Apple M4 Pro. A aceleração de 16,2× combina melhorias tanto arquiteturais (NAR vs AR) quanto de runtime (GPU vs CPU).
O código também ficou mais simples. A nova implementação do SenseVoice é um único Swift Actor de 288 linhas que comunica diretamente com o MLX, substituindo um framework C de 168 MB. Menos código, menos bugs, aplicação mais leve.
Cinco idiomas, bem feitos
O SenseVoice não tenta fazer tudo. Suporta cinco idiomas:
| Idioma | SenseVoice-Small | Whisper-Large-V3 | Vencedor |
|---|---|---|---|
| Chinês (zh-CN) | 10,78% CER | 12,55% CER | SenseVoice (-14%) |
| Cantonês (yue) | 7,09% CER | 10,41% CER | SenseVoice (-32%) |
| Japonês (ja) | 11,96% CER | 10,34% CER | Whisper (ligeiro) |
| Coreano (ko) | 8,28% CER | 5,59% CER | Whisper |
| Inglês (en) | 14,71% WER | 9,39% WER | Whisper (use Parakeet) |
* Benchmark CommonVoice, CER = taxa de erros por carácter, WER = taxa de erros por palavra. Menor é melhor. Fonte: paper FunAudioLLM (2024). Latência de inferência do SenseVoice-Small: 70ms por 10s de áudio numa GPU A800, contra 1.281ms do Whisper-Large-V3 no mesmo hardware.
Benchmark CommonVoice: SenseVoice-Small (amarelo) vs Whisper-Small (azul) vs Whisper-Large-V3 (laranja). Menor é melhor. Fonte: paper FunAudioLLM
Os números contam uma história honesta. O SenseVoice supera o Whisper em precisão para chinês e cantonês por uma margem significativa, enquanto o Whisper é mais preciso para japonês, coreano e inglês. Mas o SenseVoice corre a 52× o tempo real ou mais em Apple Silicon. Para a maioria dos usos reais, a diferença de velocidade importa mais do que alguns pontos percentuais de precisão.
O resultado do cantonês merece destaque especial. O Whisper-Small obtém 38,97% de CER em cantonês — praticamente inutilizável. Mesmo o Whisper-Large-V3 consegue apenas 10,41%. O SenseVoice atinge 7,09%. Antes do SenseVoice, não existia uma boa forma de transcrever cantonês localmente num Mac. Se fala cantonês, este modelo foi criado para si.
Transcrição coreana com SenseVoice: importação de vídeo com legendas temporizadas
Teste no mundo real: podcast chinês de 27 minutos
Transcrevemos um episódio de 27 minutos de Thirteen Invitations (十三邀), um podcast chinês de entrevistas, com SenseVoice e Whisper Large V3 Turbo no mesmo M4 Pro. O ElevenLabs Scribe (cloud) serviu como referência. Ambos os modelos no dispositivo cometem aproximadamente o mesmo número de erros, mas de tipos diferentes:
| SenseVoice | Whisper Large V3 | |
|---|---|---|
| Tempo | 13,83s | 2 min 4s |
| Erros (amostra de 5 min) | ~15–20 | ~12–15 |
| Pior erro | 时差→食堂 (fuso horário→cantina) | 西昌→西藏 (cidade de Xichang→Tibete, 4.000 km de diferença) |
| Padrão de erros | Trocas de homófonos | Erros geográficos/factuais |
* Comparação manual com ElevenLabs Scribe (referência cloud, também imperfeita). Ambos os modelos no dispositivo escreveram corretamente «根深蒂固» onde o Scribe errou.
Precisão comparável, e a transcrição está pronta em 13,83 segundos em vez de dois minutos. Para transcrição de chinês no mundo real, o SenseVoice entrega-lhe uma transcrição utilizável antes de o Whisper acabar de carregar.
Quando usar qual modelo
O Whisper Notes para Mac agora inclui quatro modelos de voz nas duas versões para Mac, e a descarga direta (DMG) acrescenta um quinto a partir da 1.6.0: o Qwen3-ASR 1.7B (Beta). Cada um dos quatro abaixo é otimizado para um cenário diferente:
| Precisa de... | Use este modelo | Porquê |
|---|---|---|
| Inglês ou idiomas europeus, velocidade máxima | Parakeet V3 | 103× tempo real, menor taxa de erro. O predefinido. |
| Chinês, japonês, coreano ou cantonês | SenseVoice Small | 52–118× tempo real. Único modelo com suporte a cantonês no iPhone e na versão do Mac App Store. |
| Qualquer um dos 100+ idiomas (árabe, tailandês, russo, etc.) | Whisper Large V3 Turbo | Maior suporte de idiomas. Mais lento mas universal. |
| Os 101 idiomas num Mac mais antigo | Whisper Small | 600 MB, o mais leve dos modelos Whisper, e ainda assim chega a 101 idiomas. |
Definições → Modelo de transcrição: escolha o motor certo para o seu idioma
O seletor de modelos nas Definições mostra todos os modelos que a tua versão oferece, com tamanhos de download, número de idiomas e requisitos de memória. O SenseVoice é descarregado na primeira utilização (~827 MB) e permanece no seu dispositivo.
As limitações
O SenseVoice não é um modelo universal. Eis o que não consegue fazer:
• Apenas 5 idiomas. Se precisa de tailandês, russo, árabe, hindi ou outro idioma fora do foco CJK do SenseVoice, fique com o Whisper.
• Atualização: o SenseVoice foi inicialmente lançado apenas para Mac via Apple MLX, mas agora também está disponível no iPhone — o iOS suporta a mesma gama de modelos do Mac: Parakeet V3, Whisper e SenseVoice.
• Particularidade com áudio silencioso. Durante segmentos muito curtos ou muito silenciosos, o SenseVoice pode por vezes reverter para saída em chinês independentemente do idioma selecionado. Definir o idioma manualmente (em vez de «Auto») reduz este comportamento.
• Sem streaming. Ao contrário do modo streaming do Whisper, o SenseVoice processa o áudio completo após a gravação. Para ficheiros longos, segmenta automaticamente nos pontos de silêncio e mostra resultados progressivamente.
Estas são restrições arquiteturais, não bugs. Um modelo treinado em 5 idiomas domina esses 5 idiomas excecionalmente bem. A cobertura de mais de 100 idiomas do Whisper acarreta menor velocidade e precisão desigual entre idiomas.
Está a comparar todas as opções locais? Todos os modelos de conversão de voz em texto no dispositivo — as variantes do Whisper, o Parakeet V3, o SenseVoice e o Voxtral — estão comparados lado a lado na nossa página de comparação de modelos Whisper. É novo no Whisper? Comece pelo Guia de Transcrição com Whisper — o que é o modelo, todas as formas de o executar e quanto custa.
Perguntas frequentes
Qual é a alternativa mais rápida ao Whisper para transcrição de chinês, japonês e coreano?
O SenseVoice Small está disponível no Whisper Notes tanto no Mac como no iPhone. No nosso teste no Mac com um M4 Pro, transcreveu um podcast em chinês de 27 minutos em 13,83 segundos (52–118× tempo real), enquanto o Whisper Large V3 Turbo demorou mais de 2 minutos para o mesmo ficheiro.
O SenseVoice é melhor do que o Whisper para chinês?
Para chinês e cantonês, sim. No benchmark CommonVoice, o SenseVoice obtém 10,78% de CER em chinês contra 12,55% do Whisper-Large-V3, e no nosso M4 Pro processou um podcast de 27 minutos em 13,83 segundos contra os 2 minutos e 4 segundos do Whisper. O Whisper continua a ser ligeiramente mais preciso para japonês e coreano — se essas forem as suas línguas principais, qualquer um dos motores é uma escolha razoável.
Posso transcrever cantonês localmente num Mac?
Sim. O SenseVoice obtém 7,09% de CER em cantonês, contra 10,41% do Whisper-Large-V3 e uns quase inutilizáveis 38,97% do Whisper-Small. Antes do SenseVoice, não existia uma boa forma de transcrever cantonês localmente num Mac.
O SenseVoice funciona no iPhone?
Sim. O Whisper Notes no iPhone suporta a mesma gama de modelos do Mac — Parakeet V3, Whisper e SenseVoice — pelo que também pode transcrever chinês, japonês, coreano e cantonês localmente no seu iPhone.
Experimente
O SenseVoice está disponível no Whisper Notes para Mac v1.5.0 (Direct Download / DMG) e posteriores, e na app atual para iPhone. No Mac, descarregue-o em Definições → Modelo de transcrição → SenseVoice Small (~827 MB). A versão para Mac requer Apple Silicon (M1 ou posterior).
Se usa o Parakeet V3 e dita principalmente em inglês, não precisa de mudar. O SenseVoice é para quando precisa de chinês, japonês, coreano ou cantonês — e quer que seja rápido.
Descarregar para Mac
Registo de alterações completo: whispernotes.app/changelog
Questões ou feedback: mac@whispernotes.app