SenseVoice vs Qwen3-ASR: что лучше для китайского, японского и корейского?

Цифры точности — наши собственные. Мы прогнали SenseVoice Small, Qwen3-ASR и Whisper Large V3 Turbo на одних и тех же начитанных фразах из FLEURS, примерно по 30 минут на язык, с теми моделями, которые входят в Whisper Notes. Скорости — те, что приложение показывает в карточке каждой модели; их измеряли отдельно, на коротких фрагментах. Всё остальное — о том, как приложение для Mac работает сейчас.

Насколько Qwen3-ASR точнее SenseVoice?

Для китайского, японского и корейского — доля ошибочно распознанных символов (CER), для английского — доля ошибочно распознанных слов (WER); чем ниже, тем лучше. Зелёным отмечено лучшее значение в строке. Наш собственный прогон на тестовом наборе FLEURS: около 30 минут и от 139 до 180 начитанных фраз на язык, на Mac. У SenseVoice язык был задан вручную. Только чистая начитанная речь: шумные помещения, встречи и длинные записи здесь не учтены.

Qwen3-ASR ошибается реже SenseVoice во всех языках, которые мы проверили. В китайском и японском разница около одного пункта: 6,49 % (Qwen3-ASR) против 7,69 % (SenseVoice) в китайском и 5,74 % против 6,78 % в японском. Сильнее всего разрыв в корейском: SenseVoice ошибается в символах более чем вдвое чаще, 7,85 % против 3,54 %. В английском Qwen3-ASR ошибается примерно в каждом 22-м слове, а SenseVoice — примерно в каждом 12-м.

Whisper Large V3 Turbo близок к Qwen3-ASR. В японском он оказался самым точным из трёх, в корейском и английском — вторым, а в китайском немного уступил SenseVoice.

Насколько SenseVoice быстрее Qwen3-ASR?

Зелёным отмечена более быстрая модель. Это скорости из карточек моделей в приложении: только время работы движка, без загрузки модели, измеренное на коротких фрагментах в отдельном тесте обычного использования на Mac. SenseVoice показал 115,2× с заданным языком и 131× с автоопределением; у Qwen3-ASR до округления вышло 7,65×. Время для часа аудио рассчитано по этим скоростям и округлено.

SenseVoice быстрее более чем в 15 раз. Для часовой записи это примерно полминуты против примерно восьми минут. Если вы расшифровываете длинные записи или хотите получить текст сразу, эта разница важнее одного пункта точности. Если вы готовы подождать несколько минут и хотите меньше править, она не так важна.

Задайте язык — точность станет немного выше

С заданным языком SenseVoice ошибался реже, чем в режиме «Авто», во всех четырёх языках: 7,69 % против 7,90 % в китайском, 6,78 % против 6,87 % в японском, 7,85 % против 8,09 % в корейском и 8,46 % против 8,51 % в английском. Разница небольшая, но везде в одну сторону. Qwen3-ASR и Whisper в режиме «Авто» мы не запускали, поэтому цифр для них нет. Само приложение советует то же: для всех моделей, кроме Parakeet, выбранный язык обычно даёт более точный результат, чем «Авто».

Parakeet — исключение: в Whisper Notes указание языка снижало его точность, поэтому он всегда определяет язык сам (см. Parakeet Ultra vs Parakeet V3). На Mac этот параметр называется Язык и находится в разделе Расшифровка в настройках.

Сколько времени занимают длинные записи?

В более раннем тесте на реальной записи, на Apple M4 Pro, SenseVoice расшифровал 27-минутный выпуск китайского подкаста с интервью за 13,83 секунды. Whisper Large V3 Turbo потратил на тот же файл 2 минуты 4 секунды. Qwen3-ASR в том тесте не участвовала. Тот тест проводился на более ранней версии приложения; скорость, около 117× реального времени, соответствует 115–131× на нынешней карточке модели.

Если грубо пересчитать результаты того теста, часовая встреча или лекция заняла бы на том же Mac около полуминуты у SenseVoice и около четырёх с половиной минут у Whisper Large V3 Turbo. По скоростям из таблицы выше Qwen3-ASR понадобилось бы примерно восемь минут.

Ни одна из моделей не обрабатывает длинный файл целиком за один раз. В приложении для Mac SenseVoice делит аудио на части до 30 секунд, разрезая по паузам, и показывает текст каждой части, как только она готова. Qwen3-ASR тоже работает частями до 30 секунд: разрез приходится на самый тихий момент у каждой границы, а текст появляется по мере распознавания. В обоих случаях расшифровка заполняется часть за частью, и читать её можно ещё до того, как обработан весь файл.

Какую модель можно использовать на моём устройстве?

Зелёным отмечено то, что доступно, янтарным — то, что недоступно.

На iPhone быстрый вариант для китайского, японского и корейского — SenseVoice, а альтернатива — Whisper Small.

Почему версий для Mac две? Версия из Mac App Store работает в рамках ограничений, которые Apple устанавливает для приложений App Store, поэтому некоторые функции есть только в версии для Mac с нашего сайта: голосовой ввод по Fn, локальный AI-ассистент и инструмент командной строки (предыстория). Модели распознавания речи в обеих версиях одни и те же.

Что нужно каждой модели на Mac

Размеры загрузки и объём памяти указаны так, как их показывает текущая версия для Mac с нашего сайта. Янтарным отмечено требование, которое стоит проверить перед загрузкой. Пиковая память — из того же теста обычного использования, что и скорости выше; ГиБ примерно на 7 % больше, чем ГБ.

Ни одна из двух моделей не встроена в приложение. Каждая скачивается один раз из своей карточки в настройках и дальше работает офлайн. SenseVoice намного легче: его загрузка — примерно пятая часть загрузки Qwen3-ASR, а памяти ему нужно гораздо меньше половины того, что требует Qwen3-ASR. На Mac, где меньше 16 ГБ памяти, карточка Qwen3-ASR выделяет примечание о памяти оранжевым как предупреждение. Для сравнения: Whisper Large V3 Turbo весит около 2 ГБ, а в его карточке указано около 2,4 ГБ памяти.

Что выбрать?

• Меньше всего ошибок, на Mac: Qwen3-ASR 1.7B, в обеих версиях для Mac. В нашем тесте она обошла SenseVoice во всех четырёх языках. В японском Whisper Large V3 Turbo оказался ещё чуть точнее: 5,30 % против 5,74 %.
• Скорость, длинные записи, Mac с небольшим объёмом памяти, а также iPhone: SenseVoice Small. Час аудио обрабатывается примерно за полминуты, а не за восемь минут, а загрузка и память нужны в разы меньше.
• Точность в японском или корейском без Qwen3-ASR 1.7B (ей нужен macOS 15): Whisper Large V3 Turbo: 5,30 % против 6,78 % у SenseVoice в японском и 4,25 % против 7,85 % в корейском. Он намного медленнее SenseVoice.
• Другие языки: Parakeet, встроенная модель, — для английского и ещё 24 европейских языков (см. Parakeet Ultra vs Parakeet V3), а для остальных — Whisper. Сравнение Qwen3-ASR 1.7B и Whisper на 30 языках — в нашем тесте Qwen3-ASR vs Whisper. Частота ошибок каждой модели на 42 языках — в общей таблице моделей Whisper Notes.

Что ещё стоит знать?

• Метки говорящих, тайм-коды и субтитры работают с обеими моделями. Обе модели выдают тайм-коды, поэтому метки говорящих и экспорт субтитров в SRT работают одинаково с любой из них.
• Упрощённые или традиционные иероглифы зависят от языка системы. После расшифровки Whisper Notes преобразует китайский текст в упрощённые или традиционные иероглифы прямо на Mac, ориентируясь на язык системы. Если в настройке языка выбрать 简体中文 (упрощённый китайский) или 繁體中文 (традиционный китайский), решает этот выбор.
• Диалекты мы не проверяли. В официальной карточке модели Qwen указаны 30 языков, а также 22 китайских диалекта и акцента. Отдельной настройки диалекта в Whisper Notes нет: вы выбираете китайский или «Авто», а остальное модель делает сама. Мы не тестировали диалекты, поэтому не можем сказать, насколько хорошо с ними справляется каждая из моделей.
• Qwen3-ASR пока в статусе «Бета». Если она вдруг аварийно завершится, при следующем запуске Whisper Notes отключит её и переключится на другую модель, чтобы приложение всё равно открылось. Чтобы попробовать снова, ещё раз выберите Qwen3-ASR в настройках.
• Наши цифры относятся к чистой начитанной речи. Фразы FLEURS зачитаны вслух в тихой обстановке. На встречах, в шумных помещениях, с далёким микрофоном или сильным акцентом разница может измениться в любую сторону.
• Смешанную речь на китайском и английском мы не проверяли. Мы не измеряли, как модели справляются с фразами, где китайский чередуется с английским, поэтому, прежде чем остановиться на одной из них, проверьте их на типичной для вас записи.

Как переключить модель?

На Mac откройте настройки и прокрутите до раздела Модель расшифровки. У каждой модели есть карточка: скорость, для чего она лучше всего подходит, сколько языков поддерживает, сколько памяти ей нужно и сколько весит загрузка. Чтобы скачать модель, нажмите на её карточку или на стрелку загрузки на ней; когда модель установлена, нажмите на карточку, чтобы переключиться на неё. Ссылка на языки в каждой карточке (Поддерживаемые языки, а в карточке Qwen3-ASR 1.7B — 30 поддерживаемых языков) открывает список всех языков, где для каждого указана доля ошибок по нашим замерам.

Настройки → Модель расшифровки в версии для Mac с нашего сайта

Затем в разделе Расшифровка задайте Язык, а не оставляйте «Авто».

Что такое SenseVoice?

Из статьи FunAudioLLM: у SenseVoice-Small 234 млн параметров, а 10 секунд аудио модель обрабатывает за 70 мс; у Whisper-Large-V3 — 1550 млн параметров и 1281 мс. Оба замера сделаны на серверном GPU в дата-центре, а не на Mac.

Qwen3-ASR создана командой Qwen из Alibaba и распространяется по лицензии Apache 2.0. В Whisper Notes она работает на GPU Mac через MLX, в 8-битном варианте. Её результаты в сравнении с Whisper на 30 языках — в нашем тесте Qwen3-ASR.

Частые вопросы

Попробуйте

SenseVoice есть в Whisper Notes для iPhone и Mac, а Qwen3-ASR (Бета) — только на Mac. Кнопки ниже ведут к приложению для iPhone в App Store и к версии для Mac с нашего сайта. Остались вопросы? Пишите на support@whispernotes.app.

Скачать для iOS Скачать для macOS