เมื่อวันที่ 22 กันยายน 2026 Moondream ได้เปิดตัว Parakeet Ultra ซึ่งเป็น NVIDIA Parakeet TDT 0.6B v3 ที่เทรนต่อยอดแล้ว ใช้สถาปัตยกรรมเดิมและมีพารามิเตอร์ 600 ล้านตัวเท่าเดิม ตามการ์ดโมเดลของ Moondream อัตราความผิดพลาดระดับคำเฉลี่ยบน FLEURS ใน 25 ภาษาลดลงจาก 11.62% เหลือ 9.55% หรือผิดพลาดน้อยลงราว 17.8% สิ่งที่เราอยากรู้คือ เมื่อใช้งานจริง Parakeet Ultra แม่นกว่า Parakeet V3 แค่ไหนในแต่ละภาษา?
ก่อนหน้านี้เราเคยวัด Parakeet V3, Whisper, Qwen3-ASR และ SenseVoice บนชุดประโยค FLEURS ชุดตายตัวในการทดสอบ Apple SpeechAnalyzer เทียบกับ Whisperของเรา และการทดสอบ Qwen3-ASR เทียบกับ Whisperก็ใช้ชุดเดียวกันนี้กับ 30 ภาษา ครั้งนี้เราทดสอบ Parakeet Ultra บนชุดนี้ ตัวเลขทั้งหมดเป็นผลวัดของเราเองใน Whisper Notes บน Mac เครื่องเดียว และเรารายงานตามที่วัดได้อย่างตรงไปตรงมาที่สุด
Parakeet Ultra แม่นขึ้นแค่ไหน?
เราทดสอบทั้งสองโมเดลบนชุดทดสอบ FLEURS: 25 ภาษาที่ Parakeet รองรับ ประโยคที่อ่านออกเสียง 3,976 ประโยค รวมเสียง 12.55 ชั่วโมง ทุกประโยคถอดเสียงด้วยวิธีเดียวกับที่ Whisper Notes ใช้รันโมเดลนี้จริง
| ภาษา | Parakeet V3 | Parakeet Ultra |
|---|---|---|
| อังกฤษ | 6.89% | 5.89% |
| เยอรมัน | 4.69% | 3.72% |
| ดัตช์ | 7.59% | 6.91% |
| สเปน (ลาตินอเมริกา) | 4.73% | 3.77% |
| ฝรั่งเศส | 5.66% | 4.95% |
| โปแลนด์ | 8.02% | 6.34% |
| รัสเซีย | 6.99% | 5.72% |
| ยูเครน | 6.59% | 5.11% |
| ฟินแลนด์ | 13.72% | 10.03% |
| อิตาลี | 3.33% | 2.48% |
| โปรตุเกส (บราซิล) | 6.37% | 5.69% |
| สวีเดน | 16.18% | 13.12% |
| เช็ก | 13.70% | 10.85% |
| ลิทัวเนีย | 24.50% | 18.00% |
| ลัตเวีย | 30.25% | 20.70% |
| กรีก | 36.10% | 20.96% |
| เอสโตเนีย | 20.12% | 15.40% |
| สโลวัก | 11.84% | 8.58% |
| โรมาเนีย | 13.74% | 9.54% |
| เดนมาร์ก | 19.22% | 15.68% |
| ฮังการี | 18.78% | 13.63% |
| บัลแกเรีย | 14.05% | 12.28% |
| โครเอเชีย | 13.37% | 12.49% |
| สโลวีเนีย | 23.82% | 18.49% |
| มอลตา | 24.46% | 19.19% |
| รวมทั้ง 25 ภาษา | 13.99% | 10.63% |
อัตราความผิดพลาดระดับคำ ยิ่งต่ำยิ่งดี สีเขียว: Parakeet Ultra แม่นกว่าโดยส่วนต่างอยู่นอกช่วง 95% โครเอเชีย: ไม่มีความต่างที่ชัดเจน ผลวัดของเราเองใน Whisper Notes บน Mac ที่ใช้ Apple M5
เมื่อรวมทั้ง 25 ภาษา อัตราความผิดพลาดระดับคำลดลงจาก 13.99% เหลือ 10.63% หรือผิดพลาดน้อยลงราว 24% จากที่ผิดราวหนึ่งคำในทุกเจ็ดคำ เหลือหนึ่งคำในทุกเก้าคำ Parakeet Ultra แม่นกว่าใน 24 ภาษา และไม่มีภาษาใดที่แม่นน้อยลง
ภาษาใดดีขึ้นมากที่สุด?
อัตราความผิดพลาดระดับคำรายภาษา Parakeet V3 เป็นสีเทา และ Parakeet Ultra เป็นสีเขียว เรียงตามจำนวนจุดเปอร์เซ็นต์ที่ลดลง ที่มา: ผลวัดของเราเองใน Whisper Notes ชุดทดสอบ FLEURS
ภาษาที่ดีขึ้นมากที่สุดคือภาษาที่ Parakeet V3 อ่อนที่สุด ภาษาลัตเวียลดจาก 30.25% เหลือ 20.70% ลิทัวเนียจาก 24.50% เหลือ 18.00% สโลวีเนียจาก 23.82% เหลือ 18.49% และมอลตาจาก 24.46% เหลือ 19.19% ใน Whisper Notes ภาษากรีกลดลงมากที่สุด จาก 36.10% เหลือ 20.96% แต่ก็ยังสูงที่สุดใน 25 ภาษา ภาษาที่มีผู้ใช้มากเริ่มจากตัวเลขที่ต่ำกว่าและดีขึ้นน้อยกว่า คือระหว่าง 0.68 ถึง 1.27 จุดสำหรับภาษาอังกฤษ เยอรมัน สเปน ฝรั่งเศส อิตาลี โปรตุเกส ดัตช์ และรัสเซีย โดยทุกภาษายังอยู่นอกแถบความคลาดเคลื่อน
Parakeet Ultra ช้ากว่าไหม?
| Parakeet V3 | Parakeet Ultra | |
|---|---|---|
| ความเร็วในการประมวลผล | 74.5× ของเวลาจริง | 74.0× ของเวลาจริง |
| เวลาโหลดโมเดล (มัธยฐาน) | 0.10 วินาที | 0.10 วินาที |
คลิป FLEURS 200 คลิป แปดคลิปแรกของแต่ละภาษา รวมเสียง 37.2 นาที แต่ละคลิปรันบนทั้งสองโมเดลต่อกันทันที โดยสลับกันว่าโมเดลใดรันก่อน วัดเฉพาะเวลาประมวลผลของเอนจิน ไม่รวมการเริ่มโปรเซสหรือการโหลดโมเดล จึงไม่ใช่เวลาแฝงตั้งแต่ต้นจนจบในแอป Mac ที่ใช้ Apple M5, macOS 27.0
เราไม่พบความต่างที่วัดได้ Parakeet Ultra ทำงานที่ 74.0× ของเวลาจริง และ Parakeet V3 ที่ 74.5× อัตราส่วนความเร็วคือ 0.99 โดยช่วง 95% อยู่ที่ 0.94 ถึง 1.06 ที่ความเร็วระดับนี้ เสียงหนึ่งชั่วโมงใช้เวลาราว 49 วินาทีบน Mac เครื่องนี้ ไม่ว่าจะใช้โมเดลใด
ทั้งสองโมเดลมีสถาปัตยกรรมและจำนวนพารามิเตอร์เท่ากัน ต่างกันแค่ค่าน้ำหนัก ความเร็วที่เท่ากันจึงเป็นไปตามที่คาด Parakeet Ultra แม่นกว่าโดยเร็วเท่าเดิม
เมื่อมีเสียงรบกวนรอบข้าง ยังแม่นกว่าอยู่ไหม?
FLEURS เป็นเสียงพูดที่สะอาด เราจึงตรวจสอบเรื่องเสียงรบกวนในการทดสอบแยกต่างหาก โดยผสมเสียงรบกวนรอบข้างจากคลัง MUSAN เข้ากับประโยคที่อ่านออกเสียงจาก LibriSpeech และจาก FLEURS ภาษาเยอรมันและสเปน ที่อัตราส่วนสัญญาณต่อสัญญาณรบกวน 10, 5 และ 0 dB รวมเก้าเงื่อนไข 1,320 ประโยค รันบน Mac ด้วยโมเดล Core ML ตัวเดียวกับที่ Whisper Notes ใช้
| เงื่อนไข | Parakeet V3 | Parakeet Ultra | การเปลี่ยนแปลง |
|---|---|---|---|
| LibriSpeech test-other, 10 dB | 4.72% | 3.87% | −18% |
| LibriSpeech test-other, 5 dB | 5.71% | 4.86% | −15% |
| LibriSpeech test-other, 0 dB | 9.91% | 8.75% | −12% |
| FLEURS ภาษาเยอรมัน, 10 dB | 9.80% | 8.04% | −18% |
| FLEURS ภาษาเยอรมัน, 5 dB | 13.86% | 10.55% | −24% |
| FLEURS ภาษาเยอรมัน, 0 dB | 24.21% | 17.88% | −26% |
| FLEURS ภาษาสเปน, 10 dB | 11.17% | 5.46% | −51% |
| FLEURS ภาษาสเปน, 5 dB | 11.90% | 5.77% | −51% |
| FLEURS ภาษาสเปน, 0 dB | 13.43% | 6.96% | −48% |
| ค่าเฉลี่ยของเก้าเงื่อนไข | 11.63% | 8.02% | −31% |
การทดสอบเสียงรบกวนแยกต่างหาก ไม่ใช่การทดสอบ FLEURS ด้านบน: อัตราความผิดพลาดระดับคำเป็นเปอร์เซ็นต์ เงื่อนไขละ 200 ประโยคจาก LibriSpeech หรือ 120 ประโยคจาก FLEURS อัตราความผิดพลาดในตารางนี้เทียบกับตาราง FLEURS โดยตรงไม่ได้ ใช้ได้เฉพาะการเปลี่ยนแปลงเชิงสัมพัทธ์
เมื่อเฉลี่ยทั้งเก้าเงื่อนไข Parakeet Ultra ผิดพลาดน้อยกว่า Parakeet V3 ราว 31% และแม่นกว่าในทั้งเก้าเงื่อนไข โดยส่วนต่างเกินแถบความคลาดเคลื่อน ในภาษาเยอรมัน ยิ่งเสียงรบกวนมาก ส่วนที่ดีขึ้นก็ยิ่งมาก ส่วนภาษาสเปนผิดพลาดน้อยลงราวครึ่งหนึ่งในทุกระดับ
การระบุภาษากลับทำให้ Parakeet แย่ลง
ผู้ใช้ Whisper Notes หลายคนถามว่าทำไม Parakeet ไม่มีการตั้งค่าภาษา ที่จริงเราบอก Parakeet ได้ว่าจะเจอภาษาอะไร แต่ใน Whisper Notes การทำเช่นนั้นทำให้แม่นน้อยลงทั้งสองเวอร์ชัน เราวัดเรื่องนี้โดยรันทุกประโยคสองครั้ง ครั้งหนึ่งตรวจจับภาษาอัตโนมัติ อีกครั้งระบุภาษา
| ภาษา | Ultra, ระบุภาษา | Ultra, ตรวจจับอัตโนมัติ | V3, ระบุภาษา | V3, ตรวจจับอัตโนมัติ |
|---|---|---|---|---|
| เยอรมัน | 5.19 | 3.72 | 6.26 | 4.69 |
| ดัตช์ | 7.89 | 6.91 | 8.58 | 7.59 |
| สโลวีเนีย | 20.32 | 18.49 | 25.51 | 23.82 |
| กรีก | 34.00 | 20.96 | 36.49 | 36.10 |
| รวมทั้ง 25 ภาษา | 11.59 | 10.63 | 14.30 | 13.99 |
อัตราความผิดพลาดระดับคำเป็นเปอร์เซ็นต์ สีเขียวคือค่าที่ต่ำกว่าในคู่ของแต่ละโมเดล สำหรับ Parakeet Ultra ทุกส่วนต่างที่แสดงอยู่นอกช่วง 95% และ 18 จาก 25 ภาษาแม่นกว่าเมื่อตรวจจับอัตโนมัติ โดยไม่มีภาษาใดแม่นน้อยลง สำหรับ Parakeet V3 เราไม่ได้คำนวณช่วง
เราคาดว่าการระบุภาษาไม่ได้ช่วยให้ Parakeet ฟังได้ดีขึ้น เพียงแต่ลบคำที่ดูไม่เหมือนภาษานั้นออกจากข้อความถอดเสียง และชื่อเฉพาะกับคำยืมก็มักถูกลบไปโดยผิดพลาด ดังนั้น Parakeet ใน Whisper Notes จึงตรวจจับภาษาเองเสมอ ส่วน Whisper, SenseVoice และ Qwen3-ASR ให้คุณเลือกภาษาได้ และสำหรับ SenseVoice การเลือกภาษาทำให้อัตราความผิดพลาดต่ำลงเล็กน้อย
Parakeet Ultra เหมาะกับภาษาใด?
- ลัตเวีย ลิทัวเนีย สโลวีเนีย มอลตา ฮังการี เอสโตเนีย และกรีก ดีขึ้นมากที่สุด ระหว่าง 4.72 ถึง 15.14 จุด
- อังกฤษ เยอรมัน สเปน ฝรั่งเศส อิตาลี โปรตุเกส และดัตช์ มีอัตราความผิดพลาดต่ำอยู่แล้ว และดีขึ้นระหว่าง 0.68 ถึง 1.01 จุด ส่วนโครเอเชียไม่มีความต่างที่ชัดเจน
- ยูเครน เช็ก เอสโตเนีย ฮังการี ลิทัวเนีย และสโลวัก: ในการทดสอบ FLEURS ของเรา ตอนนี้ Parakeet Ultra มีอัตราความผิดพลาดต่ำกว่า Whisper Large V3 Turbo แล้ว
- ภาษานอกเหนือจาก 25 ภาษานี้ เช่น จีน ญี่ปุ่น เกาหลี อาหรับ และฮินดี: ใช้ SenseVoice Small สำหรับจีน กวางตุ้ง ญี่ปุ่น และเกาหลี และใช้ Whisper สำหรับภาษาที่เหลือในรายการภาษาของเรา โดยเป็น Whisper Large V3 Turbo บน Mac และ Whisper Small บน iPhone
Parakeet Ultra คืออะไร?
| ผู้พัฒนา | Moondream |
| โมเดลฐาน | NVIDIA Parakeet TDT 0.6B v3 |
| วันที่เปิดตัว | 22 กันยายน 2026 |
| ขนาด | พารามิเตอร์ 0.6B สถาปัตยกรรมและ tokenizer เดียวกับโมเดลฐาน ใช้พื้นที่ราว 600 MB ในแอป Mac |
| ภาษา | 25 ภาษายุโรปเดียวกับ Parakeet V3 |
| ข้อมูลที่ใช้เทรน | ไม่ได้เปิดเผย |
| สัญญาอนุญาต | CC BY 4.0; หน้าโมเดล: moondream/parakeet-ultra |
| ทำงานบน | อุปกรณ์ของคุณ แบบออฟไลน์ บน Apple Neural Engine ในรูปแบบที่ Fluid Inference แปลงเป็น Core ML |
| ใน Whisper Notes | มีในตัว ไม่ต้องดาวน์โหลดแยก: แอป Mac ที่ดาวน์โหลดจากเว็บไซต์ของเราตั้งแต่เวอร์ชัน 1.6.4 และแอป iPhone ตั้งแต่เวอร์ชัน 1.8.9 ในการตั้งค่าจะแสดงชื่อเป็น “Parakeet” บน Mac และ “Parakeet V3” บน iPhone |
เราเปรียบเทียบค่าน้ำหนักที่แปลงแล้วกับรุ่นที่ Moondream เผยแพร่ทีละเทนเซอร์ และพบว่าตรงกันภายในความละเอียดของการแปลง Moondream, NVIDIA และ Fluid Inference ไม่ได้รับรองหรือสนับสนุน Whisper Notes
เราทดสอบอย่างไร
ตัวเลขทั้งหมดวัดแบบครบกระบวนการใน Whisper Notes การรันโมเดลดิบที่อื่นจึงอาจได้ผลต่างออกไป เราใช้ชุดทดสอบ Google FLEURS: 25 ภาษา 3,976 ประโยค ด้วยประโยคและวิธีให้คะแนนเดียวกับการทดสอบก่อนหน้า อัตราความผิดพลาดระดับคำคำนวณรวมจากทุกคำในแต่ละภาษา ช่วง 95% ได้จากการสุ่มประโยคซ้ำ และทุกอย่างรันบน Mac ที่ใช้ Apple M5 หากระบุภาษาแทน ข้อสรุปก็ยังเหมือนเดิม (14.30% เหลือ 11.59%) และบนตัวอย่าง FLEURS อีกชุดหนึ่ง เราวัดการลดลงได้ 17.8% เท่ากับที่การ์ดโมเดลของ Moondream รายงาน
FLEURS เป็นเสียงอ่านที่สะอาดในคลิปที่สั้นกว่า 30 วินาที จึงไม่ครอบคลุมการประชุม เสียงจากระยะไกล สำเนียงหนัก และการบันทึกเสียงยาว ส่วน iPhone ใช้โมเดลเดียวกันและไม่ได้ทดสอบแยก
คำถามที่พบบ่อย
Parakeet Ultra กับ Parakeet V3 ตัวไหนแม่นกว่า?
Parakeet Ultra ใน 25 ภาษาของ FLEURS ใน Whisper Notes อัตราความผิดพลาดระดับคำอยู่ที่ 10.63% (Parakeet Ultra) เทียบกับ 13.99% (Parakeet V3) หรือผิดพลาดน้อยลงราว 24% แม่นกว่าใน 24 ภาษา และไม่มีภาษาใดที่แม่นน้อยลง ภาษาที่ดีขึ้นมากที่สุดคือกรีก จาก 36.10% เหลือ 20.96% และลัตเวีย จาก 30.25% เหลือ 20.70%
Parakeet Ultra ช้ากว่า Parakeet V3 ไหม?
ไม่ช้ากว่า บน Mac ที่ใช้ Apple M5 ทำงานที่ 74.0× ของเวลาจริง เทียบกับ 74.5× ของ Parakeet V3 อัตราส่วนความเร็ว 0.99 โดยช่วง 95% อยู่ที่ 0.94 ถึง 1.06 หรือราว 49 วินาทีสำหรับเสียงหนึ่งชั่วโมง ไม่ว่าจะใช้โมเดลใด
Parakeet Ultra รองรับภาษาอะไรบ้าง?
รองรับ 25 ภาษายุโรปเดียวกับ Parakeet V3 ได้แก่ บัลแกเรีย โครเอเชีย เช็ก เดนมาร์ก ดัตช์ อังกฤษ เอสโตเนีย ฟินแลนด์ ฝรั่งเศส เยอรมัน กรีก ฮังการี อิตาลี ลัตเวีย ลิทัวเนีย มอลตา โปแลนด์ โปรตุเกส โรมาเนีย รัสเซีย สโลวัก สโลวีเนีย สเปน สวีเดน และยูเครน สำหรับภาษาจีน กวางตุ้ง ญี่ปุ่น และเกาหลี Whisper Notes มี SenseVoice Small ให้ใช้ ส่วนภาษาอื่นใช้ Whisper
จะใช้ Parakeet Ultra ได้อย่างไร?
Parakeet Ultra คือโมเดล Parakeet ในตัวของ Whisper Notes: ในแอป Mac ที่ดาวน์โหลดจากเว็บไซต์ของเราตั้งแต่เวอร์ชัน 1.6.4 และแอป iPhone ตั้งแต่เวอร์ชัน 1.8.9 ไม่ต้องดาวน์โหลดแยก และถอดเสียงแบบออฟไลน์บนอุปกรณ์ของคุณ
ลองใช้เลย
ตอนนี้ Parakeet Ultra มีอยู่ใน Whisper Notes แล้ว ใช้ปุ่มด้านล่างเพื่อรับแอป iPhone จาก App Store หรือแอป Mac จากเว็บไซต์ของเรา มีคำถาม? ส่งอีเมลถึง support@whispernotes.app
ดาวน์โหลดสำหรับ iOS