SenseVoice vs Qwen3-ASR: ktorý je lepší na čínštinu, japončinu a kórejčinu?

Čísla presnosti sme namerali sami. SenseVoice Small, Qwen3-ASR a Whisper Large V3 Turbo sme nechali prepísať rovnaké čítané vety z FLEURS, približne 30 minút na jazyk, a to presne s tými modelmi, ktoré používa Whisper Notes. Rýchlosti preberáme z karty každého modelu v aplikácii; pochádzajú zo samostatného testu na krátkych nahrávkach. Všetko ostatné vychádza z toho, ako aplikácia pre Mac funguje dnes.

O koľko je Qwen3-ASR presnejší ako SenseVoice?

Pri čínštine, japončine a kórejčine chybovosť na úrovni znakov (CER), pri angličtine chybovosť na úrovni slov (WER); čím nižšia, tým lepšie. Zelenou je označená najnižšia hodnota v každom riadku. Vlastné meranie na testovacej sade FLEURS, približne 30 minút a 139 až 180 čítaných viet na jazyk, na Macu. SenseVoice s nastaveným jazykom. Iba čistá čítaná reč: hlučné miestnosti, porady a dlhé nahrávky test nepokrýva.

Qwen3-ASR robí menej chýb ako SenseVoice vo všetkých jazykoch, ktoré sme testovali. V čínštine a japončine je rozdiel približne jeden percentuálny bod: v čínštine 6,49 % (Qwen3-ASR) proti 7,69 % (SenseVoice), v japončine 5,74 % proti 6,78 %. Najväčší rozdiel je v kórejčine: SenseVoice pomýli viac než dvakrát toľko znakov, 7,85 % proti 3,54 %. V angličtine Qwen3-ASR pomýli približne jedno slovo z 22, SenseVoice približne jedno z 12.

Whisper Large V3 Turbo má k Qwen3-ASR blízko. V japončine bol z troch modelov najpresnejší, v kórejčine a angličtine druhý, v čínštine však mierne zaostal za SenseVoice.

O koľko je SenseVoice rýchlejší ako Qwen3-ASR?

Zelenou je označený rýchlejší model. Ide o rýchlosti zobrazené na kartách modelov v aplikácii: iba čas spracovania v samotnom prepisovom engine, bez načítania modelu, merané na krátkych nahrávkach v samostatnom teste bežného používania na Macu. SenseVoice dosiahol 115,2× s nastaveným jazykom a 131× s automatickým rozpoznaním jazyka; Qwen3-ASR mal pred zaokrúhlením 7,65×. Časy pre hodinu zvuku sú z týchto rýchlostí dopočítané a zaokrúhlené.

SenseVoice je viac než 15-krát rýchlejší. Hodinová nahrávka je tak hotová zhruba za pol minúty namiesto približne ôsmich minút. Ak prepisujete dlhé nahrávky alebo chcete text hneď, je tento rozdiel dôležitejší než jeden bod presnosti. Ak môžete pár minút počkať a chcete menej opráv, dôležitejšia je presnosť.

Nastavením jazyka získate trochu presnosti navyše

S nastaveným jazykom urobil SenseVoice vo všetkých štyroch jazykoch menej chýb ako s možnosťou Auto: 7,69 % proti 7,90 % v čínštine, 6,78 % proti 6,87 % v japončine, 7,85 % proti 8,09 % v kórejčine a 8,46 % proti 8,51 % v angličtine. Rozdiely sú malé, no všetky idú rovnakým smerom. Qwen3-ASR ani Whisper sme s možnosťou Auto nespúšťali, takže pre ne čísla nemáme; aplikácia sama uvádza, že s výnimkou Parakeetu je zvolený jazyk zvyčajne presnejší ako Auto.

Parakeet je výnimka: vo Whisper Notes bol so zadaným jazykom menej presný, preto jazyk vždy rozpoznáva sám (pozri Parakeet Ultra vs Parakeet V3). Na Macu ide o nastavenie Jazyk v časti Prepis v Nastaveniach.

Ako dlho trvá prepis dlhých nahrávok?

V staršom teste so skutočnou nahrávkou prepísal SenseVoice na počítači s Apple M4 Pro 27-minútovú epizódu čínskeho rozhovorového podcastu za 13,83 sekundy. Whisper Large V3 Turbo potreboval na ten istý súbor 2 minúty 4 sekundy. Qwen3-ASR v tomto teste nebol. Test prebehol na staršej verzii aplikácie; prepis bol približne 117× rýchlejší ako v reálnom čase, čo zodpovedá 115–131× na dnešnej karte modelu.

Po hrubom prepočte by SenseVoice na tom Macu prepísal hodinovú poradu alebo prednášku približne za pol minúty a Whisper Large V3 Turbo približne za štyri a pol minúty. Podľa rýchlostí uvedených vyššie by Qwen3-ASR potreboval zhruba osem minút.

Ani jeden model nečíta dlhý súbor naraz. V aplikácii pre Mac rozdelí SenseVoice zvuk v pauzách na časti dlhé najviac 30 sekúnd a text každej časti zobrazí, hneď ako je hotová. Qwen3-ASR tiež pracuje s časťami do 30 sekúnd, ktoré delí v najtichšom mieste blízko každej hranice, a jeho text sa zobrazuje priebežne, ako vzniká. V oboch prípadoch sa prepis dopĺňa časť po časti a čítať môžete začať skôr, než je hotový celý súbor.

Ktorý z nich môžem použiť na svojom zariadení?

Zelená znamená dostupné, jantárová nedostupné.

Na iPhone je SenseVoice rýchlou voľbou pre čínštinu, japončinu a kórejčinu, alternatívou je Whisper Small.

Prečo dve verzie pre Mac? Verzia z Mac App Store funguje v medziach, ktoré Apple stanovuje pre aplikácie v App Store, preto niektoré funkcie má len aplikácia pre Mac z našej webovej stránky: hlasové písanie cez Fn, lokálneho AI asistenta a nástroj príkazového riadka (súvislosti). Rečové modely sú v oboch verziách rovnaké.

Čo jednotlivé modely potrebujú na Macu

Veľkosti na stiahnutie a údaje o pamäti tak, ako ich zobrazuje aktuálna aplikácia pre Mac z našej webovej stránky. Jantárovou je označená požiadavka, ktorú si pred stiahnutím overte. Špičková pamäť pochádza z toho istého testu bežného používania ako rýchlosti vyššie; GiB je približne o 7 % viac ako GB.

Ani jeden z modelov nie je vstavaný. Každý sa raz stiahne zo svojej karty v Nastaveniach a potom funguje offline. SenseVoice je z dvojice výrazne ľahší: na stiahnutie má približne pätinu veľkosti modelu Qwen3-ASR a potrebuje oveľa menej než polovicu jeho pamäte. Na Macu s menej ako 16 GB pamäte zobrazí karta Qwen3-ASR poznámku o pamäti oranžovou farbou ako varovanie. Pre porovnanie: Whisper Large V3 Turbo má na stiahnutie približne 2 GB a jeho karta uvádza približne 2,4 GB pamäte.

Ktorý model si vybrať?

• Najmenej chýb, na Macu: Qwen3-ASR 1.7B, v oboch verziách pre Mac. V našom teste porazil SenseVoice vo všetkých štyroch jazykoch. V japončine bol Whisper Large V3 Turbo ešte o niečo presnejší, 5,30 % proti 5,74 %.
• Rýchlosť, dlhé nahrávky, Mac s menšou pamäťou alebo iPhone: SenseVoice Small. Hodinu zvuku prepíše približne za pol minúty namiesto približne ôsmich a na stiahnutie aj v pamäti potrebuje len zlomok.
• Presnosť v japončine alebo kórejčine bez Qwen3-ASR 1.7B (ten vyžaduje macOS 15): Whisper Large V3 Turbo, v japončine 5,30 % proti 6,78 % pri SenseVoice a v kórejčine 4,25 % proti 7,85 %. Je však oveľa pomalší ako SenseVoice.
• Ostatné jazyky: Parakeet, vstavaný model, pre angličtinu a 24 ďalších európskych jazykov (pozri Parakeet Ultra vs Parakeet V3), a Whisper pre všetky ostatné. Porovnanie Qwen3-ASR 1.7B s modelom Whisper v 30 jazykoch nájdete v našom teste Qwen3-ASR vs Whisper. Chybovosť každého modelu vo vašom jazyku nájdete vedľa seba v porovnaní modelov pre 42 jazykov.

Čo ešte treba vedieť?

• Označenie rečníkov, časové značky a titulky fungujú s oboma. SenseVoice aj Qwen3-ASR poskytujú časové značky, takže označenie rečníkov aj export titulkov SRT fungujú s oboma modelmi rovnako.
• Zjednodušená alebo tradičná čínština sa riadi jazykom systému. Po prepise Whisper Notes na vašom Macu prevedie čínsky text na zjednodušené alebo tradičné znaky podľa jazyka systému. Ak nastavíte jazyk na 简体中文 (zjednodušená čínština) alebo 繁體中文 (tradičná čínština), rozhoduje namiesto toho táto voľba.
• Dialekty sme netestovali. Karta modelu, ktorú zverejnil tím Qwen, uvádza 30 jazykov a 22 čínskych dialektov a prízvukov. Whisper Notes nemá samostatné nastavenie dialektu: vyberiete čínštinu alebo Auto a zvyšok zvládne model. Dialekty sme netestovali, takže nevieme povedať, ako dobre si s nimi ktorýkoľvek z modelov poradí.
• Qwen3-ASR je vo verzii Beta. Ak sa niekedy nečakane zastaví, Whisper Notes ho pri ďalšom spustení vypne a prepne na iný model, aby sa aplikácia aj tak otvorila. Ak to chcete skúsiť znova, vyberte Qwen3-ASR v Nastaveniach.
• Naše čísla platia pre čistú čítanú reč. Vety z FLEURS sú čítané nahlas v tichom prostredí. Porady, hlučné miestnosti, vzdialené mikrofóny a silný prízvuk môžu rozdiely posunúť oboma smermi.
• Zmiešanú čínštinu a angličtinu sme netestovali. Nemerali sme, ako si modely poradia s vetami, v ktorých sa strieda čínština s angličtinou, preto si pred výberom vyskúšajte typickú vlastnú nahrávku.

Ako prepnúť model?

Na Macu otvorte Nastavenia a prejdite na Model prepisu. Na karte každého modelu je jeho rýchlosť, na čo sa najviac hodí, koľko jazykov pokrýva, koľko pamäte potrebuje a aký veľký je na stiahnutie. Model stiahnete kliknutím na jeho kartu alebo na šípku sťahovania na nej; keď je nainštalovaný, kliknutím na kartu sa naň prepnete. Odkaz na jazyky na každej karte (Podporované jazyky, na karte Qwen3-ASR 1.7B 30 podporovaných jazykov) uvádza všetky jazyky aj s našou chybovosťou pre každý z nich.

Nastavenia → Model prepisu v aplikácii pre Mac z našej webovej stránky

Potom v časti Prepis nastavte Jazyk a nenechávajte ho na Auto.

Čo je SenseVoice?

Z článku FunAudioLLM: SenseVoice-Small má 234 miliónov parametrov a 10 sekúnd zvuku spracuje za 70 ms; Whisper-Large-V3 má 1 550 miliónov a potrebuje 1 281 ms. Obe hodnoty sú z GPU v dátovom centre, nie z Macu.

Qwen3-ASR pochádza od tímu Qwen zo spoločnosti Alibaba a je dostupný pod licenciou Apache 2.0. Vo Whisper Notes beží na GPU Macu cez MLX v 8-bitovej presnosti. Jeho výsledky v porovnaní s modelom Whisper v 30 jazykoch nájdete v našom teste Qwen3-ASR.

Často kladené otázky

Vyskúšajte to

SenseVoice je vo Whisper Notes na iPhone aj na Macu a Qwen3-ASR (Beta) je len na Macu. Tlačidlami nižšie získate aplikáciu pre iPhone z App Store alebo aplikáciu pre Mac z našej webovej stránky. Máte otázky? Napíšte na support@whispernotes.app.

Stiahnuť pre iOS Stiahnuť pre macOS