Sedan macOS 26 och iOS 26 erbjuder Apple en ny generation taligenkänning på enheten — SpeechAnalyzer och SpeechTranscriber, nedan kallade Apple Speech. Den är märkbart mer träffsäker än den gamla dikteringsmotorn. Vi ville veta hur den står sig i praktiken mot de öppna modeller som användare laddar ner för lokal användning — Whisper, Parakeet, Qwen3-ASR och SenseVoice: är Apples inbyggda taligenkänning nu bra nog för att du helt ska kunna avstå från en transkriberingsapp?
Hur mycket bättre är den än dikteringen du redan hade?
Hittills har taligenkänning på Mac använt motorn från SFSpeechRecognizer-eran, samma som systemdikteringen fortfarande använder (DictationTranscriber). Med macOS 26 och iOS 26 tillkommer API:t SpeechAnalyzer och dess modul SpeechTranscriber. Vi körde båda på testdelen i FLEURS, ungefär 150 meningar och 30 minuter per språk, på samma Mac.
| Språk | Apple Dictation | Apple Speech |
|---|---|---|
| Koreanska | 7,11 | 4,31 |
| Italienska | 6,93 | 4,39 |
| Spanska (Latinamerika) | 8,43 | 5,41 |
| Tyska | 12,69 | 6,26 |
| Japanska | 9,37 | 6,36 |
| Franska | 17,10 | 7,61 |
| Kinesiska | 10,28 | 7,97 |
| Kantonesiska | 10,18 | 8,69 |
| Engelska | 13,83 | 8,80 |
| Portugisiska (Brasilien) | 10,85 | 9,35 |
Alla språk där båda Apple-motorerna gav tillförlitliga mätvärden, ordnade efter felfrekvensen för Apple Speech; grönt markerar det bättre värdet på raden. Samma körning, samma klipp, samma Mac. CER för japanska, koreanska, kinesiska och kantonesiska, WER för resten.
Apple Speech är mer träffsäker på alla tio språk där båda motorerna gav tillförlitliga mätvärden. På franska och tyska försvinner mer än hälften av felen, för medianspråket ungefär en tredjedel och för brasiliansk portugisiska och kantonesiska ungefär ett fel av sju.
Diktering når fortfarande fler språk. Apple Speech gav resultat för 21 av 83 språkkonfigurationer i den här körningen, diktering för 33, däribland de tre som den nya motorn saknar här: nederländska, polska och ryska, på 17,34, 13,50 och 13,13. Det finns heller ingen fast lista att hänvisa till. Språkresurserna tillhör macOS, så en app frågar vid körning vad som finns på en viss dator.
Kan du då hoppa över de nedladdade modellerna?
Sex motorer, samma klipp, en Mac. De tio språken nedan hör till de mest använda och står i en fast ordning som inte har med poängen att göra.
| Språk | Apple Speech | Qwen3-ASR | Whisper Large | Whisper Small | Parakeet | SenseVoice |
|---|---|---|---|---|---|---|
| Engelska | 8,80 | 4,49 | 5,49 | 7,04 | 6,89 | 8,46 |
| Tyska | 6,26 | 2,85 | 4,05 | 8,67 | 6,26 | — |
| Nederländska | — | 7,36 | 5,69 | 16,75 | 8,58 | — |
| Ryska | — | 5,65 | 5,13 | 11,37 | 7,12 | — |
| Polska | — | 12,59 | 5,45 | 15,81 | 8,30 | — |
| Japanska | 6,36 | 5,74 | 5,30 | 11,37 | — | 6,78 |
| Koreanska | 4,31 | 3,54 | 4,25 | 7,30 | — | 7,85 |
| Franska | 7,61 | 4,57 | 5,97 | 13,24 | 5,83 | — |
| Kinesiska | 7,97 | 6,49 | 7,97 | 20,50 | — | 7,69 |
| Spanska (Latinamerika) | 5,41 | 3,38 | 3,62 | 6,22 | 4,86 | — |
Tio av de mest använda språken, en motor per kolumn. Varje cell är motorns felfrekvens; lägre är bättre. Grönt markerar lägst i raden, vitt näst lägst. CER för japanska, koreanska och kinesiska, WER för övriga, aldrig sammanslagna till en enda siffra. Vår egen FLEURS-körning, gjord av teamet bakom Whisper Notes, på en M5 MacBook Air, uppläst tal.
Kortnamn: Qwen3-ASR = Qwen3-ASR 1.7B, Whisper Large = Whisper Large V3 Turbo, Parakeet = Parakeet V3, SenseVoice = SenseVoice Small. Ett streck betyder att motorn saknar modell för språket.
Qwen3-ASR 1.7B har lägst felfrekvens på sex av de tio språken, Whisper Large V3 Turbo på de andra fyra och Apple Speech på inget. Den kommer närmast på koreanska, 0,77 efter radledaren, följt av japanska med 1,06 och kinesiska med 1,48, där den ligger lika med Whisper Large V3 Turbo på 7,97. Avståndet är störst på engelska, 8,80 (Apple Speech) mot 4,49 (Qwen3-ASR 1.7B), och för nederländska, polska och ryska finns inget resultat från Apple Speech alls.
Mot Whisper Small var Apple Speech mer träffsäker på åtta av de tio språk där båda gav tillförlitliga mätvärden. De två förlusterna är engelska, 8,80 (Apple Speech) mot 7,04 (Whisper Small), och brasiliansk portugisiska, 9,35 mot 8,61.
Ett benchmark som publicerades i juli mätte Apple Speech mot Whisper Small på engelska och placerade Apple före. Det spelar roll vilken Whisper-version som jämförs, liksom vilka klipp som används. Den körningen använde LibriSpeech, med ljudboksuppläsare som läser högt; vår använder FLEURS, med många olika talare som läser meningar från Wikipedia. Vår körning visar skillnaden på engelska men kan inte säga vad den beror på.
Mot Whisper Large V3 Turbo vänds ordningen. Apple Speech ligger efter på åtta av de tio språken, lika på kinesiska med 7,97 och leder bara på kantonesiska, 8,69 (Apple Speech) mot 36,75 (Whisper Large V3 Turbo) — se raden för kantonesiska nedan. I versionsanteckningarna för Turbo nämner OpenAI kantonesiska bland språken där modellen försämras mest. 36,75 är därför en känd svaghet hos Whisper, inte en egenhet i vår körning.
På koreanska blir ungefär ett tecken av 23 fel med Apple Speech. Den mest träffsäkra modellen i den här körningen, Qwen3-ASR 1.7B, har ungefär ett fel av 28: 4,31 (Apple Speech) mot 3,54 (Qwen3-ASR 1.7B).
Parakeet V3 är en nedladdning på 465 MB och är mer träffsäker på alla europeiska språk som båda täcker: 6,89 (Parakeet V3) mot 8,80 (Apple Speech) på engelska, 5,83 mot 7,61 på franska, 4,86 mot 5,41 på spanska, 3,43 mot 4,39 på italienska och 6,49 mot 9,35 på brasiliansk portugisiska; på tyska ligger de lika på 6,26. Den har inte japanska, koreanska, kinesiska eller kantonesiska, och där är Apple Speech den enda av de två som finns.
De sex rader där Qwen3-ASR 1.7B leder omfattar engelska, tyska, franska och spanska.
SenseVoice Small är den snabbaste motorn här, med 162,3× realtid. På kinesiska och engelska ligger den och Apple Speech lika: 7,69 (SenseVoice Small) mot 7,97 (Apple Speech) respektive 8,46 mot 8,80. På koreanska ligger den långt efter, 7,85 (SenseVoice Small) mot 4,31 (Apple Speech).
Storlek och hastighet
| Motor | Hastighet | Högsta minnesanvändning | Nedladdning |
|---|---|---|---|
| SenseVoice Small | 162,3× realtid | 0,95 GiB | 827 MB |
| Parakeet V3 | 75,6× realtid | 0,09 GiB | 465 MB |
| Apple Speech | 30,8× realtid | redovisas inte | <5 MB |
| Qwen3-ASR 1.7B | 11,1× realtid | 2,43 GiB | cirka 2,5 GB |
| Whisper Small | 7,9× realtid | 0,87 GiB | 600 MB |
| Whisper Large V3 Turbo | 3,0× realtid | 1,87 GiB | cirka 1,6 GB |
Hastigheten är varje motors median över de tretton språk som mättes utan problem i det här inlägget, med bara de språk motorn faktiskt körde — genomströmning vid isolerad bearbetning av enskilda objekt, ett diagnostikvärde och inte produktlatens. Högsta minnesanvändning är processgruppens topp i körningen. Apple Speech avkodar i en macOS-tjänst som den anropande appen inte äger, så ingen siffra där skulle betyda samma sak som för de andra fem.
Apple Speech körde i 30,8× realtid, efter Parakeet V3 på 75,6× och SenseVoice Small på 162,3×. Språkpaketet laddas ner en gång av macOS och delas av alla appar, så inget allokeras i appens egen process. Tjänsten som avkodar använder ändå minne, men vi kan inte hänföra det exakt. Därför redovisar vi inget tal där i stället för en nolla.
Whisper Large V3 Turbo är den långsammaste motorn här med 3,0× realtid och har lägst felfrekvens på fyra av de tio raderna, med ungefär 1,6 GB på disken. Qwen3-ASR 1.7B tar de andra sex, med ungefär 2,5 GB på disken och en topp på 2,43 GiB. Whisper Small på 600 MB är den rimliga jämförelsen för en inbyggd motor.
Vilka språk fungerar Apple Speech bra för?
Språk för språk:
- Engelska: inget bra val. Apple Speech fick 8,80; Qwen3-ASR 1.7B (4,49) eller Whisper Large V3 Turbo (5,49) är klart mer träffsäker.
- Tyska: inget bra val. Apple Speech fick 6,26; Qwen3-ASR 1.7B (2,85) eller Whisper Large V3 Turbo (4,05) är klart mer träffsäker.
- Nederländska, ryska och polska: Apple Speech saknar modell för de här tre. Whisper Large V3 Turbo var mest träffsäker på alla tre, med 5,69, 5,13 och 5,45.
- Japanska: användbar. Apple Speech fick 6,36, efter Whisper Large V3 Turbo på 5,30.
- Koreanska: användbar. Apple Speech fick 4,31, efter Qwen3-ASR 1.7B på 3,54.
- Franska: inget bra val. Apple Speech fick 7,61; Qwen3-ASR 1.7B (4,57) eller Parakeet V3 (5,83) är klart mer träffsäker.
- Kinesiska: användbar. Apple Speech fick 7,97, jämnt med Whisper Large V3 Turbo; mest träffsäker var Qwen3-ASR 1.7B på 6,49.
- Spanska: inget bra val. Apple Speech fick 5,41; Qwen3-ASR 1.7B (3,38) eller Whisper Large V3 Turbo (3,62) är klart mer träffsäker.
De nedladdade modellerna vinner fortfarande i träffsäkerhet: varje rad i huvudtabellen leds av Qwen3-ASR 1.7B eller Whisper Large V3 Turbo. Apple Speech är ett verkligt alternativ för koreanska, japanska och kinesiska; för europeiska språk är Parakeet V3 det naturliga valet.
I Whisper Notes för Mac gäller att Parakeet V3 är fortfarande standard. I Mac-appen som du laddar ner från vår webbplats finns Apple Speech som valfri modell på macOS 26 eller senare, och appen erbjuder ett språk bara när macOS rapporterar stöd för det på din Mac.
Apple Speech är det här inläggets kortnamn för Apples SpeechTranscriber, det lokala API som alla Mac-appar kan anropa på macOS 26 eller senare. Det är en motor i systemet snarare än en modell du laddar ner: Whisper Notes för Mac kan använda den i versionen från vår webbplats, med språkpaketet som macOS tillhandahåller. Modellerna som appen själv laddar ner är fortfarande Whisper, Parakeet V3, SenseVoice och Qwen3-ASR i den versionen, och Whisper, Parakeet V3 och SenseVoice på iPhone och i Mac App Store-versionen. Tabellen per motor är vår lista över språk som Whisper, Parakeet V3 och SenseVoice stöder.
Bortom de tio språken
| Språk | Apple Speech | Qwen3-ASR | Whisper Large | Whisper Small | Parakeet | SenseVoice |
|---|---|---|---|---|---|---|
| Italienska | 4,39 | 2,58 | 2,58 | 7,64 | 3,43 | — |
| Kantonesiska | 8,69 | 6,44 | 36,75 | 119,01 | — | 37,23 |
| Portugisiska (Brasilien) | 9,35 | 5,17 | 5,44 | 8,61 | 6,49 | — |
| Hindi | 101,50 | 13,19 | 29,64 | 61,26 | — | — |
Fyra andra språk från samma körning. Samma kolumner, färger och kortnamn som ovan; CER för kantonesiska, WER för resten.
Resultatet för Apple Speech på hindi räknas inte in i radens rangordning av skälet nedan. En felfrekvens kan överstiga 100 % eftersom tillägg också räknas i täljaren.
Italienska på 4,39 (Apple Speech) ligger efter de 2,58 som Qwen3-ASR 1.7B och Whisper Large V3 Turbo delar. Kantonesiska är det enda språket där Apple Speech slutade före Whisper Large V3 Turbo, 8,69 (Apple Speech) mot 36,75 (Whisper Large V3 Turbo), med Qwen3-ASR 1.7B först på 6,44. Brasiliansk portugisiska ligger på 9,35 (Apple Speech) och är en av de två rader där Whisper Small, på 8,61, ligger före.
Hindi gav ett annat slags resultat. Apple Speech skrev hindi med engelska bokstäver i stället för på språkets eget skrivsätt, så nästan varje ord räknas som fel och värdet överstiger 100 %. Telugu, urdu, punjabi, bengali, nepali, malayalam, marathi, kannada, gujarati och tamil kom tillbaka på samma sätt, alla över 100 %, och lämnas därför utanför tabellen.
Så fungerar SpeechAnalyzer
SpeechAnalyzer ersätter Apples API för taligenkänning som har funnits sedan iOS 10, på alla Apple-plattformar utom watchOS. En app skapar en SpeechAnalyzer, ger den moduler och matar in ljud som en asynkron sekvens som appen själv fyller; SpeechTranscriber är modulen som gör tal till text. Resultaten kommer tillbaka som en andra sekvens, vanligtvis i en annan task, och varje buffert och varje resultat har en tidskod mot ljudets egen tidslinje.
En session, tre uppgifter: ljud går in som en AsyncSequence, SpeechAnalyzer och SpeechTranscriber analyserar det, och resultaten kommer tillbaka som en andra AsyncSequence som gränssnittet kan läsa. Källa: Apple, WWDC25-session 277.
Resultaten kommer två gånger. Allt inom det Apple kallar det flyktiga intervallet kan fortfarande ersättas av ett bättre resultat; allt utanför är slutgiltigt. På så vis kan en app visa en preliminär transkription medan du fortfarande talar och rätta den efteråt. Apple anger fem designmål för SpeechTranscriber-modellen: långa ljudupptagningar, samtalstal, talare på avstånd, låg latens och integritet, vilket betyder att den körs på enheten. Anteckningar, Röstmemon, Dagbok och samtalssammanfattningar bygger på den.
Apples fem angivna designmål för SpeechTranscriber-modellen. Källa: Apple, WWDC25-session 277.
Modellerna ingår inte i någon app. De laddas ner från Apples servrar via AssetInventory, lagras och uppdateras av systemet och delas mellan appar. De lägger inget till appens nedladdningsstorlek, och avkodningen sker utanför den anropande processen. Om SpeechTranscriber saknar modell för ett språk eller en enhet tar DictationTranscriber över med samma modeller som systemdikteringen.
Metod och begränsningar
Fem av de sex motorerna i tabellerna är modeller som Whisper Notes laddar ner. Varje motor transkriberade samma klipp, i samma ordning, ett i taget, på en M5 MacBook Air (32 GB, macOS 27.0). Ljudet kommer från testdelen i Google FLEURS vid revision 70bb2e84, ungefär 150 meningar och 30 minuter per språk. En fast hash av datamängdens egna objekt-ID:n ordnar objekten, och vi tar den kortaste följden av hela objekt som passerar trettio minuter. Ingen modellutdata påverkade valet. Varje cell byggdes om från sitt eget underlag och kontrollerades igen; alla 285 godkändes. Värdena är ordfelfrekvens där orden skiljs med blanksteg och teckenfelfrekvens för japanska, koreanska, kinesiska och kantonesiska; de slås aldrig ihop till ett enda tal.
Du kan kontrollera Whisper-kolumnerna mot OpenAI:s egna siffror. För de tolv språk där OpenAI publicerar ett FLEURS-resultat för Whisper Large V3 Turbo ligger våra siffror i genomsnitt 0,7 poäng från deras, och tio av tolv faller inom körningens 95 %-intervall. För de elva språken utanför de sydasiatiska raderna ligger våra siffror för Whisper Small i genomsnitt 1,0 poäng från tabellen per språk i Whisper-artikeln. Kolumnen för Apple Speech kommer från samma klipp, samma bedömare och samma normaliserare.
FLEURS är rent, uppläst tal. Inget här säger hur motorerna beter sig i ett bullrigt rum eller under ett två timmar långt möte, och skillnaden där har vi inte mätt. Allt kördes på en enda dator. Med ungefär 150 meningar per språk räknas två motorer som ligger mindre än ungefär en poäng från varandra som lika; tabellerna markerar redan exakt lika resultat på det sättet, som på italienska där Qwen3-ASR 1.7B och Whisper Large V3 Turbo båda fick 2,58.
Vanliga frågor
Apple Speech eller Whisper Small: vilken är mer träffsäker?
Apple Speech, på åtta av de tio språk där båda gav tillförlitliga mätvärden. Den förlorar engelska, 8,80 (Apple Speech) mot 7,04 (Whisper Small), och brasiliansk portugisiska, 9,35 mot 8,61. Marginalerna är störst på kinesiska, 7,97 (Apple Speech) mot 20,50 (Whisper Small), franska, 7,61 mot 13,24, japanska, 6,36 mot 11,37, och kantonesiska, 8,69 mot 119,01. Whisper Small är en nedladdning på 600 MB och körde i 7,9× realtid, mot 30,8× för Apple Speech.
Apple Speech eller Parakeet V3: vilken är mer träffsäker?
Parakeet V3, på alla europeiska språk som båda täcker: 6,89 (Parakeet V3) mot 8,80 (Apple Speech) på engelska, 5,83 mot 7,61 på franska, 4,86 mot 5,41 på spanska, 3,43 mot 4,39 på italienska och 6,49 mot 9,35 på brasiliansk portugisiska; på tyska ligger de lika på 6,26. Parakeet V3 har inte japanska, koreanska, kinesiska eller kantonesiska, och där är Apple Speech den enda av de två som finns. Parakeet V3 är en nedladdning på 465 MB och körde i 75,6× realtid, Apple Speech i 30,8×.
Apple Speech eller Whisper Large V3 Turbo: vilken är mer träffsäker?
Whisper Large V3 Turbo, på åtta av de tio språk där båda gav tillförlitliga mätvärden: engelska 5,49 (Whisper Large V3 Turbo) mot 8,80 (Apple Speech), tyska 4,05 mot 6,26, japanska 5,30 mot 6,36, koreanska 4,25 mot 4,31, franska 5,97 mot 7,61, spanska 3,62 mot 5,41, italienska 2,58 mot 4,39, brasiliansk portugisiska 5,44 mot 9,35. På kinesiska ligger de lika på 7,97; Apple Speech leder bara på kantonesiska, 8,69 (Apple Speech) mot 36,75 (Whisper Large V3 Turbo). Turbo täcker dessutom nederländska, ryska och polska, på 5,69, 5,13 och 5,45. Den är omkring 1,6 GB och den långsammaste motorn här, 3,0× realtid.
Vilka språk stöder Apple Speech?
I vår körning gav Apple Speech resultat i 21 av 83 konfigurationer: engelska, tyska, franska, spanska, italienska, portugisiska (Brasilien), japanska, koreanska, kinesiska, kantonesiska och elva sydasiatiska språk — hindi, telugu, urdu, punjabi, bengali, nepali, malayalam, marathi, kannada, gujarati och tamil — där svaret kom med engelska bokstäver i stället för på deras eget skrivsätt. Ingen nederländska, polska eller ryska; macOS bestämmer listan per dator. Den ligger närmast radledarna på koreanska, japanska och kinesiska, 0,77, 1,06 och 1,48 efter, och längst efter på engelska, 8,80 (Apple Speech) mot 4,49 (Qwen3-ASR 1.7B), och den ligger före den gamla dikteringen på alla tio språk där båda mätte. Whisper i Whisper Notes täcker hela appens språklista på alla kanaler.
Vad är SpeechAnalyzer, och är det samma som Apple Dictation?
SpeechAnalyzer är API:t som Apple presenterade på WWDC 2025 och gav ut i macOS 26 och iOS 26. SpeechTranscriber är transkriberingsmotorn i det, det som inlägget kallar Apple Speech; diktering är den äldre kompatibilitetsmotorn. Vi körde båda, och Apple Speech var mer träffsäker på alla tio språk där båda gav tillförlitliga mätvärden. Diktering når fler språk, 33 konfigurationer mot 21, däribland nederländska, polska och ryska på 17,34 %, 13,50 % och 13,13 % WER (diktering), mot 5,69 %, 5,45 % och 5,13 % (Whisper Large V3 Turbo).
Lämnar ljudet min Mac när jag använder Apple Speech?
Apple beskriver SpeechTranscriber som taligenkänning på enheten: macOS laddar ner språkresurserna en gång och igenkänningen körs lokalt. Vi mätte träffsäkerhet och hastighet, inte nätverksbeteende, och återger därför den delen så som Apple beskriver den. Motorerna som Whisper Notes själv laddar ner — Whisper, Parakeet V3, SenseVoice och Qwen3-ASR — körs på din egen Macs GPU eller Neural Engine utan konto och utan API key, och transkribering fungerar med nätverket avstängt på alla kanaler. Apple Speech finns i Mac-appen från vår webbplats på macOS 26 eller senare: en motor i systemet på din egen Mac, med ett språkpaket som macOS laddar ner.
Varför stämmer inte siffrorna med träffsäkerheten på mina inspelningar?
För att FLEURS är kort, rent, uppläst tal och dina inspelningar inte är det. Vår körning är en kalibrering på en offentlig datamängd: ungefär 150 meningar och 30 minuter per språk, en M5 MacBook Air och samma klipp för varje motor. Den säger om en motor är rimlig för ditt språk, inte vad du får i ett möte, på brusigt ljud eller i en två timmar lång fil.
Prova själv
De fem nedladdningsbara modellerna här — Whisper Small, Whisper Large V3 Turbo, Parakeet V3, SenseVoice Small och Qwen3-ASR 1.7B — finns alla i Mac-appen Whisper Notes som du laddar ner från vår webbplats, under Inställningar och sedan Transkriptionsmodell. På macOS 26 eller senare dyker Apple Speech upp i samma lista; har du redan appen, uppdatera till senaste versionen.
Om våra siffror inte stämmer med din erfarenhet av ett språk, mejla mac@whispernotes.app. Fullständiga versionsanteckningar: whispernotes.app/changelog.
Källor: vår körning på testdelen i Google FLEURS vid revision 70bb2e84, Apples SpeechAnalyzer-dokumentation, samt Qwen3-ASR-körningen över trettio språk dessförinnan.
Ladda ner för macOS