SenseVoice vs Qwen3-ASR: vilken är bäst för kinesiska, japanska och koreanska?

Siffrorna för träffsäkerhet är våra egna. Vi körde SenseVoice Small, Qwen3-ASR och Whisper Large V3 Turbo på samma upplästa FLEURS-meningar, cirka 30 minuter per språk, med de modeller som följer med Whisper Notes. Hastigheterna är de som appen visar på varje modells kort och kommer från ett separat test på korta klipp. Allt annat här bygger på hur Mac-appen fungerar i dag.

Hur mycket träffsäkrare är Qwen3-ASR än SenseVoice?

Teckenfelfrekvens (CER) för kinesiska, japanska och koreanska, ordfelfrekvens (WER) för engelska; lägre är bättre. Grönt markerar det lägsta värdet på varje rad. Vår egen körning på testdelen av FLEURS, cirka 30 minuter och 139 till 180 upplästa meningar per språk, på en Mac. SenseVoice med språket inställt. Bara rent uppläst tal: bullriga rum, möten och långa inspelningar ingår inte.

Qwen3-ASR gör färre fel än SenseVoice på alla språk vi testade. På kinesiska och japanska är skillnaden ungefär en procentenhet: 6,49 % (Qwen3-ASR) mot 7,69 % (SenseVoice) på kinesiska och 5,74 % mot 6,78 % på japanska. Störst är skillnaden på koreanska, där SenseVoice får mer än dubbelt så många tecken fel: 7,85 % mot 3,54 %. På engelska får Qwen3-ASR ungefär ett ord av 22 fel och SenseVoice ungefär ett av 12.

Whisper Large V3 Turbo ligger nära Qwen3-ASR. Den var träffsäkrast av de tre på japanska och tvåa på koreanska och engelska, men låg något efter SenseVoice på kinesiska.

Hur mycket snabbare är SenseVoice än Qwen3-ASR?

Grönt markerar den snabbare modellen. Det här är hastigheterna som visas på modellkorten i appen: bara motorns bearbetningstid, utan modellinläsning, mätt på korta klipp i ett separat vardagstest på en Mac. SenseVoice körde i 115,2× med språket inställt och 131× med automatisk språkidentifiering; Qwen3-ASR låg på 7,65× före avrundning. Tiderna för en timmes ljud är beräknade utifrån de här hastigheterna och avrundade.

SenseVoice är mer än 15 gånger snabbare. För en timslång inspelning blir det ungefär en halv minut mot ungefär åtta minuter. Transkriberar du långa inspelningar, eller vill du ha texten direkt, väger den skillnaden tyngre än en procentenhets skillnad i träffsäkerhet. Kan du vänta några minuter och vill slippa rätta så mycket, spelar hastigheten mindre roll.

Ställ in språket för lite högre träffsäkerhet

Med språket inställt gjorde SenseVoice färre fel än med Auto på alla fyra språken: 7,69 % mot 7,90 % på kinesiska, 6,78 % mot 6,87 % på japanska, 7,85 % mot 8,09 % på koreanska och 8,46 % mot 8,51 % på engelska. Skillnaderna är små, men de pekar åt samma håll. Vi körde inte Qwen3-ASR eller Whisper med Auto, så vi har inga siffror för dem. Appen råder själv att du, utom med Parakeet, oftast får högre träffsäkerhet om du väljer ett språk i stället för Auto.

Parakeet är undantaget: i Whisper Notes blev den mindre träffsäker när den fick veta språket, och därför identifierar den alltid språket själv (se Parakeet Ultra vs Parakeet V3). På Mac hittar du inställningen Språk under Transkription i Inställningar.

Hur lång tid tar långa inspelningar?

I ett tidigare test med en riktig inspelning, på en Apple M4 Pro, transkriberade SenseVoice ett 27 minuter långt avsnitt av en kinesisk intervjupodd på 13,83 sekunder. Whisper Large V3 Turbo behövde 2 minuter och 4 sekunder för samma fil. Qwen3-ASR var inte med i det testet. Testet kördes på en tidigare version av appen; hastigheten, ungefär 117× realtid, stämmer med 115–131× på dagens modellkort.

Räknar man grovt upp från det testet skulle ett timslångt möte eller en föreläsning ta ungefär en halv minut med SenseVoice och ungefär fyra och en halv minut med Whisper Large V3 Turbo på den Macen. Utifrån hastigheterna ovan skulle Qwen3-ASR behöva ungefär åtta minuter.

Ingen av modellerna läser en lång fil i ett svep. I Mac-appen delar SenseVoice upp ljudet i delar på högst 30 sekunder, med snitt vid pauser, och visar texten för varje del så snart den är klar. Qwen3-ASR arbetar också i delar på högst 30 sekunder, med snitt vid det tystaste stället nära varje gräns, och texten visas medan den skrivs. I båda fallen fylls transkriptionen på del för del, och du kan börja läsa innan hela filen är klar.

Vilken kan jag använda på min enhet?

Grönt betyder tillgänglig, gult betyder inte tillgänglig.

På iPhone är SenseVoice det snabba valet för kinesiska, japanska och koreanska, med Whisper Small som alternativ.

Varför två Mac-versioner? Versionen från Mac App Store fungerar inom de gränser Apple sätter för appar i App Store, så några funktioner finns bara i Mac-appen från vår webbplats: Fn-diktering, AI-assistenten på enheten och kommandoradsverktyget (bakgrunden). Båda versionerna har samma taligenkänningsmodeller.

Vad modellerna kräver på en Mac

Nedladdningsstorlekar och minnesuppgifter som de visas i den nuvarande Mac-appen från vår webbplats. Gult markerar ett krav att kontrollera innan du laddar ner. Högsta minnesanvändning kommer från samma vardagstest som hastigheterna ovan; GiB är cirka 7 % mer än GB.

Ingen av modellerna är inbyggd. Var och en laddas ner en gång, från sitt kort i Inställningar, och fungerar sedan offline. SenseVoice är klart lättare av de två: ungefär en femtedel av nedladdningen och långt under hälften av minnet jämfört med Qwen3-ASR. På en Mac med mindre än 16 GB minne visar Qwen3-ASR-kortet minnesuppgiften i orange som en varning. Som jämförelse är Whisper Large V3 Turbo en nedladdning på cirka 2 GB, och dess kort anger cirka 2,4 GB minne.

Vilken ska du använda?

• Färst fel, på Mac: Qwen3-ASR 1.7B, i båda Mac-versionerna. Den slog SenseVoice på alla fyra språken i vårt test. På japanska var Whisper Large V3 Turbo ännu lite träffsäkrare, 5,30 % mot 5,74 %.
• Hastighet, långa inspelningar, en Mac med mindre minne, eller iPhone: SenseVoice Small. En timmes ljud tar ungefär en halv minut i stället för ungefär åtta, och modellen kräver bara en bråkdel av nedladdningen och minnet.
• Högre träffsäkerhet på japanska eller koreanska utan Qwen3-ASR 1.7B (den kräver macOS 15): Whisper Large V3 Turbo, 5,30 % mot 6,78 % för SenseVoice på japanska och 4,25 % mot 7,85 % på koreanska. Den är mycket långsammare än SenseVoice.
• Andra språk: Parakeet, den inbyggda modellen, för engelska och 24 andra europeiska språk (se Parakeet Ultra vs Parakeet V3), och Whisper för resten. Qwen3-ASR 1.7B jämförd med Whisper på 30 språk finns i vårt test av Qwen3-ASR mot Whisper. Alla modellers felfrekvens sida vid sida på 42 språk finns i vår modelljämförelse per språk.

Vad mer bör du veta?

• Talaretiketter, tidsstämplar och undertexter fungerar med båda. SenseVoice och Qwen3-ASR ger båda tidsstämplar, så talaretiketter och export av SRT-undertexter fungerar likadant oavsett modell.
• Förenklad eller traditionell kinesiska följer systemspråket. Efter transkriptionen konverterar Whisper Notes kinesisk text till förenklade eller traditionella tecken på din Mac, efter ditt systemspråk. Om du ställer in språket på 简体中文 (förenklad kinesiska) eller 繁體中文 (traditionell kinesiska) är det i stället det valet som gäller.
• Dialekter är inte testade. Qwens egen modellbeskrivning listar 30 språk plus 22 kinesiska dialekter och accenter. Whisper Notes har ingen separat dialektinställning: du väljer kinesiska eller Auto, och modellen sköter resten. Vi har inte testat dialekter, så vi kan inte säga hur väl modellerna hanterar dem.
• Qwen3-ASR är en betaversion. Om den någon gång avslutas oväntat stänger Whisper Notes av den vid nästa start och byter till en annan modell, så att appen ändå öppnas. Du kan välja Qwen3-ASR igen i Inställningar för att försöka på nytt.
• Våra siffror gäller rent uppläst tal. FLEURS-meningarna är upplästa i tyst miljö. Möten, bullriga rum, mikrofoner på avstånd och kraftiga accenter kan ändra skillnaderna åt båda hållen.
• Tal som blandar kinesiska och engelska är inte testat. Vi har inte mätt hur modellerna hanterar meningar som växlar mellan kinesiska och engelska, så prova med en av dina egna typiska inspelningar innan du bestämmer dig.

Hur byter jag modell?

På Mac öppnar du Inställningar och skrollar till Transkriptionsmodell. Varje modell har ett kort som visar hastighet, vad den passar bäst för, hur många språk den täcker, hur mycket minne den behöver och hur stor nedladdningen är. Klicka på kortet eller på nedladdningspilen på det för att ladda ner en modell. När den är installerad klickar du på kortet för att byta till den. Språklänken på varje kort (Språk som stöds, eller 30 språk stöds på kortet för Qwen3-ASR 1.7B) listar alla språk med vår felfrekvens för vart och ett.

Inställningar → Transkriptionsmodell i Mac-appen från vår webbplats

Ställ sedan in Språk under Transkription i stället för att låta det stå på Auto.

Vad är SenseVoice?

Från FunAudioLLM-artikeln: SenseVoice-Small har 234 miljoner parametrar och bearbetar 10 sekunder ljud på 70 ms; Whisper-Large-V3 har 1 550 miljoner och behöver 1 281 ms. Båda mätta på en GPU i ett datacenter, inte på en Mac.

Qwen3-ASR kommer från Alibabas Qwen-team och har licensen Apache 2.0. I Whisper Notes körs den på Macens GPU via MLX, med 8 bitars precision. Hur den står sig mot Whisper på 30 språk kan du läsa i vårt test av Qwen3-ASR.

Vanliga frågor

Prova själv

SenseVoice finns i Whisper Notes på iPhone och Mac, och Qwen3-ASR (Beta) finns på Mac. Med knapparna nedan hämtar du iPhone-appen från App Store eller Mac-appen från vår webbplats. Frågor? Mejla support@whispernotes.app.

Ladda ner för iOS Ladda ner för macOS