Apple SpeechAnalyzer vs Whisper: ระบบรู้จำเสียงพูดใหม่ดีแค่ไหน?

ดีกว่าระบบป้อนตามคำบอกที่คุณมีอยู่แล้วแค่ไหน?

ก่อนหน้านี้ ระบบรู้จำเสียงพูดของ Mac ใช้เอนจินยุค SFSpeechRecognizer ซึ่งเป็นเอนจินเดียวกับที่ระบบป้อนตามคำบอกยังใช้อยู่ในปัจจุบัน (DictationTranscriber) ส่วน macOS 26 และ iOS 26 เพิ่ม API SpeechAnalyzer และโมดูล SpeechTranscriber เราได้ทดสอบทั้งสองกับส่วนทดสอบของ FLEURS ซึ่งมีประมาณ 150 ประโยคและ 30 นาทีต่อภาษา บน Mac เครื่องเดียวกัน

ทุกภาษาที่เอนจินทั้งสองของ Apple วัดได้อย่างเรียบร้อย เรียงตามอัตราความผิดพลาดของ Apple Speech สีเขียวคือค่าที่ดีกว่าในแถว การทดสอบเดียวกัน คลิปเดียวกัน Mac เครื่องเดียวกัน ใช้ CER สำหรับภาษาญี่ปุ่น เกาหลี จีน และกวางตุ้ง ส่วนภาษาอื่นใช้ WER

Apple Speech แม่นกว่าในทั้งสิบภาษาที่เอนจินทั้งสองวัดได้อย่างเรียบร้อย ภาษาฝรั่งเศสและเยอรมันมีข้อผิดพลาดลดลงมากกว่าครึ่ง ภาษาค่ากลางลดลงประมาณหนึ่งในสาม ส่วนภาษาโปรตุเกสแบบบราซิลและกวางตุ้งลดลงประมาณหนึ่งข้อผิดพลาดในเจ็ดข้อ

ระบบป้อนตามคำบอกยังรองรับภาษาได้มากกว่า ในการทดสอบนี้ Apple Speech ให้ผลลัพธ์ใน 21 จาก 83 การกำหนดค่าภาษา ส่วนระบบป้อนตามคำบอกให้ผลลัพธ์ใน 33 รายการ รวมถึงสามภาษาที่เอนจินใหม่ยังไม่มีในที่นี้ ได้แก่ ภาษาดัตช์ โปแลนด์ และรัสเซีย ที่ 17.34, 13.50 และ 13.13 อีกทั้งไม่มีรายชื่อถาวรให้ใช้อ้างอิง เนื้อหาภาษาเป็นของ macOS แอปจึงต้องถามขณะทำงานว่าเครื่องแต่ละเครื่องมีอะไรให้ใช้บ้าง

ถ้าอย่างนั้นคุณไม่ต้องใช้โมเดลที่ดาวน์โหลดมาได้ไหม?

หกเอนจิน คลิปชุดเดียวกัน Mac เครื่องเดียว สิบภาษาด้านล่างเป็นส่วนหนึ่งของภาษาที่ใช้กันมากที่สุด โดยเรียงตามลำดับตายตัวที่ไม่เกี่ยวกับคะแนน

สิบภาษาในบรรดาภาษาที่ใช้กันอย่างแพร่หลาย หนึ่งเอนจินต่อหนึ่งคอลัมน์ แต่ละช่องคืออัตราความผิดพลาดของเอนจินนั้น ยิ่งต่ำยิ่งดี สีเขียวคือค่าต่ำสุดในแถว สีขาวคือค่าต่ำสุดอันดับสอง ใช้ CER สำหรับภาษาญี่ปุ่น เกาหลี และจีน ส่วนที่เหลือใช้ WER โดยไม่เคยรวมเป็นตัวเลขเดียว การทดสอบ FLEURS ที่ทีม Whisper Notes รันเองบน M5 MacBook Air หนึ่งเครื่องด้วยเสียงอ่าน

ชื่อย่อ: Qwen3-ASR = Qwen3-ASR 1.7B, Whisper Large = Whisper Large V3 Turbo, Parakeet = Parakeet V3, SenseVoice = SenseVoice Small เครื่องหมายขีดหมายถึงเอนจินไม่มีโมเดลสำหรับภาษานั้น

Qwen3-ASR 1.7B มีอัตราความผิดพลาดต่ำที่สุดในหกจากสิบภาษา Whisper Large V3 Turbo นำในอีกสี่ภาษา ส่วน Apple Speech ไม่ได้นำเลย เอนจินนี้ใกล้ผู้นำที่สุดในภาษาเกาหลี โดยตามหลังผู้นำแถว 0.77 จุด จากนั้นเป็นภาษาญี่ปุ่นที่ 1.06 และภาษาจีนที่ 1.48 ซึ่งเสมอกับ Whisper Large V3 Turbo ที่ 7.97 ระยะห่างมากที่สุดอยู่ที่ภาษาอังกฤษ 8.80 (Apple Speech) เทียบกับ 4.49 (Qwen3-ASR 1.7B) และไม่มีผลลัพธ์ Apple Speech สำหรับภาษาดัตช์ โปแลนด์ หรือรัสเซียเลย

เมื่อเทียบกับ Whisper Small แล้ว Apple Speech แม่นกว่าในแปดจากสิบภาษาที่ทั้งสองวัดได้อย่างเรียบร้อย สองภาษาที่แพ้คือภาษาอังกฤษ 8.80 (Apple Speech) เทียบกับ 7.04 (Whisper Small) และภาษาโปรตุเกสแบบบราซิล 9.35 เทียบกับ 8.61

ผลการทดสอบที่เผยแพร่เมื่อเดือนกรกฎาคม ได้วัด Apple Speech ในภาษาอังกฤษเทียบกับ Whisper Small และพบว่า Apple ทำได้ดีกว่า การเปรียบเทียบใช้ Whisper รุ่นใดและใช้คลิปใดล้วนมีผล การทดสอบนั้นใช้ LibriSpeech ซึ่งเป็นเสียงผู้บรรยายหนังสือเสียงอ่านออกเสียง ส่วนเราใช้ FLEURS ที่มีผู้พูดหลายคนอ่านประโยคจาก Wikipedia การทดสอบของเราแสดงช่องว่างในภาษาอังกฤษ แต่บอกไม่ได้ว่าเกิดจากอะไร

เมื่อเทียบกับ Whisper Large V3 Turbo ลำดับจะกลับกัน Apple Speech ตามหลังในแปดจากสิบภาษานั้น เสมอในภาษาจีนที่ 7.97 และนำเฉพาะภาษากวางตุ้ง 8.69 (Apple Speech) เทียบกับ 36.75 (Whisper Large V3 Turbo) — ดูแถวภาษากวางตุ้งด้านล่าง หมายเหตุประจำรุ่นของ Turbo จาก OpenAI ระบุภาษากวางตุ้งไว้ในกลุ่มภาษาที่โมเดลมีประสิทธิภาพลดลงมากที่สุด ดังนั้น 36.75 จึงเป็นจุดอ่อนที่ทราบอยู่แล้วของ Whisper ไม่ใช่ความผิดปกติของการทดสอบเรา

สำหรับภาษาเกาหลี Apple Speech ผิดประมาณหนึ่งอักขระใน 23 อักขระ ส่วนโมเดลที่แม่นที่สุดในการทดสอบนี้อย่าง Qwen3-ASR 1.7B ผิดประมาณหนึ่งใน 28 อักขระ: 4.31 (Apple Speech) เทียบกับ 3.54 (Qwen3-ASR 1.7B)

Parakeet V3 ต้องดาวน์โหลด 465 MB และแม่นกว่าในทุกภาษายุโรปที่ทั้งสองรองรับ: 6.89 (Parakeet V3) เทียบกับ 8.80 (Apple Speech) ในภาษาอังกฤษ 5.83 เทียบกับ 7.61 ในภาษาฝรั่งเศส 4.86 เทียบกับ 5.41 ในภาษาสเปน 3.43 เทียบกับ 4.39 ในภาษาอิตาลี และ 6.49 เทียบกับ 9.35 ในภาษาโปรตุเกสแบบบราซิล ส่วนภาษาเยอรมันทั้งสองเสมอกันที่ 6.26 โมเดลนี้ไม่มีภาษาญี่ปุ่น เกาหลี จีน หรือกวางตุ้ง ซึ่งเป็นภาษาที่ Apple Speech เป็นตัวเลือกเดียวในสองเอนจินนี้

หกแถวที่ Qwen3-ASR 1.7B นำรวมถึงภาษาอังกฤษ เยอรมัน ฝรั่งเศส และสเปน

SenseVoice Small เป็นเอนจินที่เร็วที่สุดที่ 162.3× ของเวลาจริง และในภาษาจีนกับภาษาอังกฤษ เอนจินนี้ทำได้ใกล้เคียงกับ Apple Speech: 7.69 (SenseVoice Small) เทียบกับ 7.97 (Apple Speech) และ 8.46 เทียบกับ 8.80 ส่วนภาษาเกาหลีตามหลังมากที่ 7.85 (SenseVoice Small) เทียบกับ 4.31 (Apple Speech)

ขนาดและความเร็ว

ความเร็วคือค่ามัธยฐานของแต่ละเอนจินในสิบสามภาษาที่บทความนี้วัดได้อย่างเรียบร้อย โดยนับเฉพาะภาษาที่เอนจินนั้นได้รัน — เป็นอัตราการประมวลผลรายการแยกสำหรับการวินิจฉัย ไม่ใช่ความหน่วงของผลิตภัณฑ์ หน่วยความจำสูงสุดคือค่าสูงสุดของกลุ่มกระบวนการในการทดสอบนี้ Apple Speech ถอดรหัสภายในบริการ macOS ที่แอปผู้เรียกไม่ได้เป็นเจ้าของ ดังนั้นตัวเลขในส่วนนั้นจึงไม่อาจมีความหมายแบบเดียวกับอีกห้าเอนจิน

Apple Speech ทำงานที่ 30.8× ของเวลาจริง ตามหลัง Parakeet V3 ที่ 75.6× และ SenseVoice Small ที่ 162.3× แพ็กภาษาถูก macOS ดาวน์โหลดครั้งเดียวและใช้ร่วมกันทุกแอป จึงไม่มีสิ่งใดถูกจัดสรรในโปรเซสของแอปเอง บริการที่ถอดรหัสยังคงใช้หน่วยความจำ แต่เราไม่สามารถระบุส่วนนี้ได้อย่างแม่นยำ จึงไม่รายงานตัวเลขแทนที่จะระบุเป็นศูนย์

Whisper Large V3 Turbo เป็นเอนจินที่ช้าที่สุดที่ 3.0× ของเวลาจริง และมีอัตราความผิดพลาดต่ำที่สุดในสี่จากสิบแถว โดยใช้พื้นที่ดิสก์ประมาณ 1.6 GB Qwen3-ASR 1.7B นำในอีกหกแถว โดยใช้พื้นที่ดิสก์ประมาณ 2.5 GB และหน่วยความจำสูงสุด 2.43 GiB ส่วน Whisper Small ขนาด 600 MB เป็นตัวเปรียบเทียบที่เหมาะสมสำหรับเอนจินในตัว

Apple Speech เหมาะกับภาษาใด?

ไล่ทีละภาษา:

• อังกฤษ: ไม่เหมาะ Apple Speech ได้คะแนน 8.80; Qwen3-ASR 1.7B (4.49) หรือ Whisper Large V3 Turbo (5.49) แม่นกว่าอย่างชัดเจน
• เยอรมัน: ไม่เหมาะ Apple Speech ได้คะแนน 6.26; Qwen3-ASR 1.7B (2.85) หรือ Whisper Large V3 Turbo (4.05) แม่นกว่าอย่างชัดเจน
• ดัตช์ รัสเซีย และโปแลนด์: Apple Speech ไม่มีโมเดลสำหรับทั้งสามภาษา Whisper Large V3 Turbo ได้แม่นที่สุดในแต่ละภาษา ที่ 5.69, 5.13 และ 5.45
• ญี่ปุ่น: ใช้ได้ Apple Speech ได้คะแนน 6.36 ตามหลัง Whisper Large V3 Turbo ที่ 5.30
• เกาหลี: ใช้ได้ Apple Speech ได้คะแนน 4.31 ตามหลัง Qwen3-ASR 1.7B ที่ 3.54
• ฝรั่งเศส: ไม่เหมาะ Apple Speech ได้คะแนน 7.61; Qwen3-ASR 1.7B (4.57) หรือ Parakeet V3 (5.83) แม่นกว่าอย่างชัดเจน
• จีน: ใช้ได้ Apple Speech ได้คะแนน 7.97 เสมอกับ Whisper Large V3 Turbo ส่วนโมเดลที่แม่นที่สุดคือ Qwen3-ASR 1.7B ที่ 6.49
• สเปน: ไม่เหมาะ Apple Speech ได้คะแนน 5.41; Qwen3-ASR 1.7B (3.38) หรือ Whisper Large V3 Turbo (3.62) แม่นกว่าอย่างชัดเจน

โมเดลที่ดาวน์โหลดมายังคงแม่นกว่า: ทุกแถวในตารางหลักนำโดย Qwen3-ASR 1.7B หรือ Whisper Large V3 Turbo Apple Speech เป็นตัวเลือกที่ใช้งานได้จริงสำหรับภาษาเกาหลี ญี่ปุ่น และจีน ส่วนภาษายุโรปควรเลือก Parakeet V3

ใน Whisper Notes สำหรับ Mac Parakeet V3 ยังเป็นโมเดลเริ่มต้น ในแอป Mac ที่ดาวน์โหลดจากเว็บไซต์ของเรา เลือก Apple Speech เป็นโมเดลเสริมได้บน macOS 26 ขึ้นไป และแอปจะเสนอภาษาหนึ่งก็ต่อเมื่อ macOS รายงานว่า Mac ของคุณรองรับภาษานั้น

Apple Speech คือชื่อย่อที่บทความนี้ใช้เรียก SpeechTranscriber ของ Apple ซึ่งเป็น API บนอุปกรณ์ที่แอป Mac ใดก็เรียกใช้ได้บน macOS 26 ขึ้นไป มันเป็นเอนจินของระบบ ไม่ใช่โมเดลที่คุณต้องดาวน์โหลด Whisper Notes สำหรับ Mac ใช้มันได้ในเวอร์ชันที่ดาวน์โหลดจากเว็บไซต์ของเรา โดยแพ็กภาษามาจาก macOS ส่วนโมเดลที่แอปดาวน์โหลดเองยังคงเป็น Whisper, Parakeet V3, SenseVoice และ Qwen3-ASR ในเวอร์ชันนั้น และ Whisper, Parakeet V3 และ SenseVoice บน iPhone และเวอร์ชัน Mac App Store ตารางแยกตามเอนจินอยู่ใน รายการภาษาที่ Whisper, Parakeet V3 และ SenseVoice รองรับ

นอกเหนือจากสิบภาษา

อีกสี่ภาษาจากการทดสอบเดียวกัน ใช้คอลัมน์ สี และชื่อย่อเหมือนด้านบน ใช้ CER สำหรับภาษากวางตุ้ง ส่วนภาษาอื่นใช้ WER

ผลลัพธ์ภาษาฮินดีของ Apple Speech ไม่ถูกนำไปจัดอันดับในแถวนั้นด้วยเหตุผลด้านล่าง อัตราความผิดพลาดอาจเกิน 100% ได้ เพราะคำที่แทรกเพิ่มก็นับอยู่ในตัวตั้งด้วย

ภาษาอิตาลีที่ 4.39 (Apple Speech) อยู่หลังผลเสมอ 2.58 ของ Qwen3-ASR 1.7B และ Whisper Large V3 Turbo ภาษากวางตุ้งเป็นภาษาเดียวที่ Apple Speech ทำได้ดีกว่า Whisper Large V3 Turbo ที่ 8.69 (Apple Speech) เทียบกับ 36.75 (Whisper Large V3 Turbo) โดย Qwen3-ASR 1.7B นำที่ 6.44 ภาษาโปรตุเกสแบบบราซิลอยู่ที่ 9.35 (Apple Speech) ซึ่งเป็นหนึ่งในสองแถวที่ Whisper Small ที่ 8.61 อยู่เหนือกว่า

ภาษาฮินดีให้ผลลัพธ์อีกแบบหนึ่ง Apple Speech เขียนภาษาฮินดีด้วยตัวอักษรภาษาอังกฤษแทนวิธีเขียนของภาษาฮินดีเอง ทำให้แทบทุกคำถูกนับว่าผิดและอัตราสูงกว่า 100% ภาษาเตลูกู อูรดู ปัญจาบ เบงกาลี เนปาล มาลายาลัม มราฐี กันนาดา คุชราต และทมิฬให้ผลแบบเดียวกัน ทั้งหมดสูงกว่า 100% จึงไม่ถูกนำมาใส่ในตาราง

SpeechAnalyzer ทำงานอย่างไร

SpeechAnalyzer แทนที่ API รู้จำเสียงพูดที่ Apple มีมาตั้งแต่ iOS 10 บนทุกแพลตฟอร์มของ Apple ยกเว้น watchOS แอปสร้าง SpeechAnalyzer เพิ่มโมดูล และป้อนเสียงเป็นลำดับแบบอะซิงโครนัสที่แอปเติมข้อมูลเอง โดย SpeechTranscriber คือโมดูลที่เปลี่ยนเสียงพูดเป็นข้อความ ผลลัพธ์กลับมาเป็นลำดับที่สอง โดยทั่วไปอยู่ในงานอีกงานหนึ่ง และบัฟเฟอร์กับผลลัพธ์ทุกชิ้นมีรหัสเวลาตามไทม์ไลน์ของเสียงเอง

หนึ่งเซสชัน สามงาน: เสียงเข้ามาเป็น AsyncSequence จากนั้น SpeechAnalyzer และ SpeechTranscriber วิเคราะห์เสียง แล้วผลลัพธ์กลับมาเป็น AsyncSequence ที่สองเพื่อให้อินเทอร์เฟซอ่าน ที่มา: Apple, เซสชัน 277 ของ WWDC25

ผลลัพธ์มาถึงสองครั้ง ทุกอย่างที่อยู่ในช่วงซึ่ง Apple เรียกว่าช่วงผันผวนยังอาจถูกแทนที่ด้วยผลลัพธ์ที่ดีกว่า ส่วนทุกอย่างนอกช่วงนั้นเป็นผลสุดท้าย นี่คือวิธีที่แอปแสดงข้อความถอดเสียงแบบคร่าว ๆ ขณะที่คุณยังพูดอยู่ แล้วแก้ไขในภายหลัง Apple ระบุเป้าหมายการออกแบบห้าข้อสำหรับโมเดล SpeechTranscriber ได้แก่ เสียงยาว เสียงพูดสนทนา ผู้พูดที่อยู่ไกล ความหน่วงต่ำ และความเป็นส่วนตัว ซึ่งหมายความว่าโมเดลทำงานบนอุปกรณ์ แอปโน้ต แอปเสียงบันทึก แอปบันทึก และการสรุปสายโทรศัพท์สร้างขึ้นบนโมเดลนี้

เป้าหมายการออกแบบห้าข้อที่ Apple ระบุสำหรับโมเดล SpeechTranscriber ที่มา: Apple, เซสชัน 277 ของ WWDC25

โมเดลไม่ได้เป็นส่วนหนึ่งของแอปใด โมเดลถูกดาวน์โหลดจากเซิร์ฟเวอร์ของ Apple ผ่าน AssetInventory ระบบเป็นผู้จัดเก็บและอัปเดต และใช้ร่วมกันระหว่างแอป โมเดลไม่เพิ่มขนาดดาวน์โหลดของแอป และการถอดรหัสเกิดขึ้นนอกโปรเซสที่เรียกใช้ เมื่อ SpeechTranscriber ไม่มีโมเดลสำหรับภาษาหรืออุปกรณ์ DictationTranscriber จะเข้ามาทำงานแทนด้วยโมเดลเดียวกับระบบป้อนตามคำบอก

วิธีการและข้อจำกัด

ห้าในหกเอนจินในตารางเหล่านี้เป็นโมเดลที่ Whisper Notes ดาวน์โหลดมา เอนจินทุกตัวถอดเสียงคลิปเดียวกัน ตามลำดับเดียวกัน ทีละคลิป บน M5 MacBook Air (32 GB, macOS 27.0) เสียงมาจากส่วนทดสอบของ Google FLEURS ฉบับแก้ไข 70bb2e84 ประมาณ 150 ประโยคและ 30 นาทีต่อภาษา แฮชคงที่ของรหัสรายการในชุดข้อมูลใช้กำหนดลำดับ และเราใช้ชุดรายการเต็มที่สั้นที่สุดซึ่งยาวเกินสามสิบนาที ไม่มีผลลัพธ์จากโมเดลใดมีส่วนในการเลือกนี้ แต่ละเซลล์ถูกสร้างใหม่จากหลักฐานของตนเองและตรวจสอบอีกครั้ง โดยทั้ง 285 เซลล์ผ่านทั้งหมด คะแนนเป็นอัตราความผิดพลาดระดับคำเมื่อคั่นคำด้วยช่องว่าง และอัตราความผิดพลาดระดับอักขระสำหรับภาษาญี่ปุ่น เกาหลี จีน และกวางตุ้ง โดยไม่เคยรวมเป็นตัวเลขเดียว

คุณตรวจสอบคอลัมน์ Whisper เทียบกับตัวเลขของ OpenAI ได้ ในสิบสองภาษาที่ OpenAI เผยแพร่ผล FLEURS สำหรับ Whisper Large V3 Turbo ตัวเลขของเราห่างจากตัวเลขนั้นเฉลี่ย 0.7 จุด และสิบในสิบสองอยู่ภายในช่วง 95% ของการทดสอบ ส่วนสิบเอ็ดภาษานอกแถวภาษาอินเดีย ตัวเลข Whisper Small ของเราห่างจากตารางแยกภาษาใน บทความ Whisper เฉลี่ย 1.0 จุด คอลัมน์ Apple Speech มาจากคลิปเดียวกัน ตัวให้คะแนนเดียวกัน และตัวปรับมาตรฐานเดียวกัน

FLEURS เป็นเสียงอ่านที่สะอาด ข้อมูลนี้ไม่ได้บอกว่าเอนจินเหล่านี้ทำงานอย่างไรในห้องที่มีเสียงรบกวนหรือการประชุมสองชั่วโมง และเราไม่ได้วัดความแตกต่างในสถานการณ์เหล่านั้น ทุกอย่างทำงานบนเครื่องเดียว และด้วยประมาณ 150 ประโยคต่อภาษา เอนจินสองตัวที่ต่างกันน้อยกว่าประมาณหนึ่งจุดถือว่าเสมอกัน ตารางได้ทำเครื่องหมายกรณีที่เสมอกันพอดีไว้แล้ว เช่น ภาษาอิตาลี ซึ่ง Qwen3-ASR 1.7B และ Whisper Large V3 Turbo ได้ 2.58 เท่ากัน

คำถามที่พบบ่อย

ลองใช้เลย

โมเดลที่ดาวน์โหลดได้ทั้งห้าตัวในที่นี้ — Whisper Small, Whisper Large V3 Turbo, Parakeet V3, SenseVoice Small และ Qwen3-ASR 1.7B — อยู่ในแอป Whisper Notes สำหรับ Mac ที่ดาวน์โหลดจากเว็บไซต์ของเรา โดยไปที่การตั้งค่า จากนั้นโมเดลถอดเสียง บน macOS 26 ขึ้นไป Apple Speech จะอยู่ในรายการเดียวกันนี้ด้วย ถ้ามีแอปอยู่แล้วให้อัปเดตเป็นเวอร์ชันล่าสุด

หากตัวเลขของเราไม่ตรงกับประสบการณ์ของคุณในภาษาหนึ่ง โปรดส่งอีเมลถึง mac@whispernotes.app บันทึกประจำรุ่นฉบับเต็ม: whispernotes.app/changelog

แหล่งที่มา: การทดสอบของเราบนส่วนทดสอบของ Google FLEURS ที่รุ่น 70bb2e84 เอกสาร SpeechAnalyzer ของ Apple และ การทดสอบ Qwen3-ASR สามสิบภาษา ก่อนหน้านี้

ดาวน์โหลดสำหรับ macOS