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

Os números de precisão são nossos. Passámos o SenseVoice Small, o Qwen3-ASR e o Whisper Large V3 Turbo pelas mesmas frases lidas do FLEURS, cerca de 30 minutos por língua, com os modelos que o Whisper Notes inclui. As velocidades são as que a app mostra no cartão de cada modelo e vêm de um teste à parte com excertos curtos. Tudo o resto descreve como a app para Mac funciona hoje.

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

Taxa de erro de caracteres para chinês, japonês e coreano, taxa de erro de palavras para inglês; quanto mais baixa, melhor. O verde marca o valor mais baixo de cada linha. Medição nossa no conjunto de teste FLEURS, num Mac: cerca de 30 minutos e 139 a 180 frases lidas por língua. SenseVoice com a língua definida. Só fala lida e limpa: salas com ruído, reuniões e gravações longas ficam de fora.

O Qwen3-ASR erra menos do que o SenseVoice em todas as línguas que testámos. Em chinês e japonês, a diferença ronda 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 do dobro dos 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 ligeiramente atrás do SenseVoice em chinês.

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

O verde marca o modelo mais rápido. São as velocidades que aparecem nos cartões dos modelos na app: só o tempo de processamento do motor, sem o carregamento do modelo, medidas com excertos curtos num teste separado, em condições de uso diário, num Mac. O SenseVoice correu a 115,2× com a língua definida e a 131× com deteção automática; o Qwen3-ASR deu 7,65× antes do arredondamento. Os tempos para uma hora foram calculados a partir destas velocidades e arredondados.

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

Defina a língua para ganhar um pouco de precisão

Com a língua definida, o SenseVoice errou menos do que em Auto nas quatro línguas: 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 vão todas no mesmo sentido. Não corremos o Qwen3-ASR nem o Whisper em Auto, por isso não temos números para eles; segundo a própria app, exceto no Parakeet, escolher a língua costuma ser mais preciso do que Auto.

O Parakeet é a exceção: no Whisper Notes, indicar-lhe a língua tornou-o menos preciso, e por isso deteta sempre a língua sozinho (ver Parakeet Ultra vs Parakeet V3). No Mac, a opção é Idioma, em Transcrição, nas Definições.

Quanto tempo demoram as gravações longas?

Num teste anterior com uma gravação real, num 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 demorou 2 minutos e 4 segundos com o mesmo ficheiro. O Qwen3-ASR não entrou nesse teste, que foi feito com uma versão anterior da app; a velocidade, cerca de 117× o tempo real, corresponde aos 115–131× que o cartão do modelo mostra hoje.

Por extrapolação, e só como estimativa grosseira, uma reunião ou aula de uma hora levaria cerca de meio minuto ao SenseVoice e cerca de quatro minutos e meio ao Whisper Large V3 Turbo, nesse Mac. Pelas velocidades acima, o Qwen3-ASR precisaria de cerca de oito minutos.

Nenhum dos modelos lê um ficheiro longo de uma só vez. Na 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 fica pronta. O Qwen3-ASR também trabalha em partes de até 30 segundos, cortadas no momento mais silencioso perto de cada limite, e o texto vai aparecendo à medida que é escrito. Em ambos os casos, a transcrição vai sendo preenchida parte a parte e pode começar a ler antes de o ficheiro inteiro estar concluído.

Qual posso usar no meu dispositivo?

Verde significa disponível; âmbar significa indisponível.

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

Porquê duas versões para Mac? A versão da Mac App Store funciona dentro dos limites que a Apple impõe às apps da App Store, por isso algumas funcionalidades só existem na app para Mac do nosso site: o ditado com a tecla Fn, o assistente de IA local e a ferramenta de linha de comandos (saiba porquê). As duas têm os mesmos modelos de voz.

De que precisa cada um num Mac

Tamanhos de transferência e indicações de memória tal como aparecem na versão atual da app para Mac do nosso site. O âmbar marca um requisito a confirmar antes de transferir. O pico de memória vem do mesmo teste de uso diário que deu as velocidades acima; um GiB é cerca de 7% maior do que um GB.

Nenhum dos modelos vem integrado. Cada um é transferido uma vez, a partir do seu cartão nas Definições, e depois funciona offline. O SenseVoice é, de longe, o mais leve dos dois: cerca de um quinto da transferência e bem menos de metade da memória do Qwen3-ASR. Num Mac com menos de 16 GB de memória, o cartão do Qwen3-ASR mostra a indicação de memória a laranja, como aviso. Para comparação, o Whisper Large V3 Turbo é uma transferência de cerca de 2 GB e o seu cartão indica cerca de 2,4 GB de memória.

Qual deve usar?

• Menos erros, no Mac: Qwen3-ASR 1.7B, nas duas versões para Mac. Superou o SenseVoice nas quatro línguas do nosso teste. Em japonês, o Whisper Large V3 Turbo foi ainda um pouco mais preciso, 5,30% contra 5,74%.
• Velocidade, gravações longas, um Mac com menos memória, ou iPhone: SenseVoice Small. Uma hora de áudio demora cerca de meio minuto em vez de cerca de oito, e precisa de uma pequena fração da transferência e da memória.
• Precisão em japonês ou coreano sem o Qwen3-ASR 1.7B (precisa do macOS 15): Whisper Large V3 Turbo, 5,30% contra 6,78% do SenseVoice em japonês e 4,25% contra 7,85% em coreano. É muito mais lento do que o SenseVoice.
• Outras línguas: o Parakeet, o modelo integrado, para inglês e outras 24 línguas europeias (ver Parakeet Ultra vs Parakeet V3), e o Whisper para as restantes. Para o Qwen3-ASR 1.7B contra o Whisper em 30 línguas, veja a nossa comparação Qwen3-ASR vs Whisper. A taxa de erro de cada modelo na sua língua, em 42 línguas, está na nossa comparação de modelos por língua.

Que mais deve saber?

• Etiquetas de orador, marcas de tempo e legendas funcionam com ambos. O SenseVoice e o Qwen3-ASR dão marcas de tempo, por isso as etiquetas de orador e a exportação de legendas SRT funcionam da mesma forma com qualquer um dos modelos.
• Chinês simplificado ou tradicional segue a língua do sistema. Depois da transcrição, o Whisper Notes converte o texto chinês para caracteres simplificados ou tradicionais no seu Mac, de acordo com a língua do sistema. Se definir o idioma como 简体中文 (chinês simplificado) ou 繁體中文 (chinês tradicional), é essa escolha que conta.
• Os dialetos não foram testados. A ficha do modelo publicada pela Qwen indica 30 línguas e ainda 22 dialetos e sotaques chineses. O Whisper Notes não tem uma opção de dialeto à parte: escolha chinês ou Auto e o modelo trata do resto. Não testámos dialetos, por isso não sabemos dizer como cada modelo lida com eles.
• O Qwen3-ASR está em Beta. Se alguma vez parar de forma inesperada, o Whisper Notes desativa-o no arranque seguinte e muda para outro modelo, para que a app continue a abrir. Pode voltar a escolher o Qwen3-ASR nas Definições para tentar de novo.
• Os nossos números são de fala lida e limpa. As frases do FLEURS são lidas em voz alta em ambiente silencioso. Reuniões, salas com ruído, microfones distantes e sotaques fortes podem alterar as diferenças num sentido ou noutro.
• Chinês e inglês misturados não foram testados. Não medimos como cada modelo lida com frases que alternam entre chinês e inglês, por isso experimente com uma gravação típica sua antes de escolher um.

Como mudo de modelo?

No Mac, abra as Definições e desloque-se até Modelo de transcrição. Cada modelo tem um cartão com a velocidade, aquilo para que é mais indicado, quantas línguas cobre, de quanta memória precisa e o tamanho da transferência. Para transferir um modelo, clique no cartão ou na seta de transferência que nele aparece; depois de instalado, clique no cartão para mudar para ele. A ligação de línguas em cada cartão (Idiomas suportados, ou 30 idiomas suportados no cartão do Qwen3-ASR 1.7B) lista todas as línguas, cada uma com a nossa taxa de erro.

Definições → Modelo de transcrição na app para Mac do nosso site

Depois, defina o Idioma em Transcrição em vez de o deixar em Auto.

O que é o SenseVoice?

Do artigo FunAudioLLM: o SenseVoice-Small tem 234 milhões de parâmetros e processa 10 segundos de áudio em 70 ms; o Whisper-Large-V3 tem 1550 milhões e demora 1281 ms. Ambos numa GPU de centro de dados, não num Mac.

O Qwen3-ASR vem da equipa Qwen da Alibaba, com licença Apache 2.0. No Whisper Notes, corre na GPU do Mac através do MLX, a 8 bits. Os resultados contra o Whisper em 30 línguas estão na nossa análise comparativa 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 obter a app para iPhone na App Store ou a app para Mac do nosso site. Dúvidas? Escreva para support@whispernotes.app.

Transferir para iOS Transferir para macOS