TL;DR
| Parakeet V3 | เปรียบเทียบกับ Whisper | |
|---|---|---|
| ความเร็ว | ~60× ของเวลาจริงบน Apple Silicon | Turbo ~14× ของเวลาจริงบน M4 Pro เครื่องเดียวกัน |
| ภาษาที่รองรับ | 25 | 100+ |
| อัตราข้อผิดพลาดภาษาอังกฤษ (WER) | 6.32% | Turbo 7.83% |
| อัตราข้อผิดพลาดเฉลี่ย 25 ภาษา (WER) | 12.0% | 12.6% |
| อาการหลอน | แทบไม่พบเลยขณะเงียบในการทดสอบของเรา | อาจเกิดขึ้นได้ขณะเงียบ |
| เหมาะกับ | อังกฤษและยุโรป | เอเชีย, อาหรับ, 100+ |
* ความเร็ว: การวัดของเราเองบน Apple Silicon (58× กับพอดแคสต์, 63× กับการประชุม). WER ภาษาอังกฤษ: Hugging Face Open ASR Leaderboard. ค่าเฉลี่ย 25 ภาษา: benchmark FLEURS. พฤติกรรมขณะเงียบเป็นข้อสังเกตจากผลิตภัณฑ์ของเรา ไม่ใช่การรับประกันว่าปราศจากข้อผิดพลาดโดยสิ้นเชิง
Whisper Notes สำหรับ Mac ใช้ NVIDIA Parakeet TDT 0.6B เป็นเอนจินแปลงเสียงเป็นข้อความตัวเริ่มต้น บน Apple Silicon มันทำงานที่ราว 60× ของเวลาจริง และบน Open ASR Leaderboard มันแม่นยำกว่า Whisper Large V3 Turbo สำหรับภาษาอังกฤษ — 6.32% เทียบกับ 7.83% โมเดล Whisper ยังคงมีให้เลือกใช้ถ้าคุณต้องการภาษาอื่น
ทำไมเราถึงเปลี่ยนโมเดลเริ่มต้น
Whisper ดีนะ แต่มันถูกออกแบบมาเป็นโมเดลอเนกประสงค์ รองรับกว่า 100 ภาษา แปลภาษาได้ สร้าง timestamp ได้ — เหมือนมีดพับสวิสเลย แต่ข้อแลกเปลี่ยนคือความเร็ว ถ้าจะพิมพ์ดิกเทชันภาษาอังกฤษ ที่แค่อยากให้ตัวอักษรขึ้นจอเร็วๆ มันเกินความจำเป็นไป
ตอนที่ใช้ Whisper กับปุ่ม Fn สำหรับดิกเทชันทั้งระบบ พูดประมาณหนึ่งนาที ต้องรอ 3–5 วินาทีหลังปล่อยปุ่ม ข้อความถึงจะขึ้นมา
พอใช้ Parakeet ข้อความเท่ากันนั้นขึ้นมาในราวหนึ่งวินาทีหรือน้อยกว่า สั้นพอที่จะไม่รู้สึกว่าต้องรอ
Parakeet V3 เร็วแค่ไหน?
นี่คือผลการวัดสองครั้งของเราเอง — ทั้งสองเอนจินกับไฟล์เสียงเดียวกัน บน Mac เครื่องเดียวกัน:
| โมเดล | พอดแคสต์ภาษาอังกฤษ 5 นาที (M4 Pro) |
|---|---|
| Whisper Large V3 Turbo | 20.92 วินาที — 14.3× ของเวลาจริง |
| Parakeet TDT 0.6B v3 | 2.91 วินาที — 103× ของเวลาจริง |
บนเครื่องที่เล็กกว่า ช่องว่างนี้ก็ยังอยู่ บน M5 Air ของเรา Parakeet ถอดเสียงการประชุมความยาว 17.5 นาทีได้ใน 16.7 วินาที หรือราว 60× ของเวลาจริง
อะไรทำให้ Parakeet v3 เร็วขนาดนี้
ตัวเข้ารหัส (encoder) ของ Whisper อ่านเสียงเป็นหน้าต่างยาว 30 วินาทีในครั้งเดียว จากนั้นตัวถอดรหัส (decoder) จะเขียนข้อความทีละโทเค็น และคาดว่าจะต้องเขียนอะไรสักอย่างเสมอ แม้ในช่วงเงียบ
Parakeet เป็นโมเดลแบบ transducer มันบีบอัดเสียง 8× ก่อน แล้วทำนายแต่ละโทเค็นพร้อมกับว่าโทเค็นนั้นยาวแค่ไหน จึงกระโดดไปข้างหน้าได้แทนที่จะไล่ทีละเฟรม ในช่วงเงียบมันจะปล่อยโทเค็น "blank" แล้วไปต่อ
ทั้งความเร็วและช่วงหยุดที่สะอาดกว่ามาจากตรงนี้ บน M4 Pro มันถอดเสียงหนึ่งชั่วโมงได้ในเวลาไม่ถึงหนึ่งนาที ด้วยพารามิเตอร์น้อยกว่า Whisper Large V3 Turbo และอัตราผิดพลาดภาษาอังกฤษต่ำกว่า
Benchmark: Parakeet v3 เทียบกับ Whisper
ยิ่งต่ำยิ่งดี: Parakeet V3 ซึ่งเล็กกว่าครึ่งหนึ่งของ Whisper Large V3 ห่างจากโมเดลนั้นไม่เกินหนึ่งจุดในทั้งสามชุดทดสอบ ส่วน Seamless M4T v2 ที่ใหญ่กว่าได้ค่าต่ำที่สุด
บน Hugging Face Open ASR Leaderboard Parakeet v3 มี WER ภาษาอังกฤษเฉลี่ย 6.32% ด้วยพารามิเตอร์ 600M — น้อยกว่าครึ่งของ Whisper Large V3 ที่มี 1.55B:
| โมเดล | พารามิเตอร์ | WER เฉลี่ย | ความเร็ว (RTFx) |
|---|---|---|---|
| Parakeet TDT 0.6B v3 | 0.6B | 6.32% | 3,333x |
| Canary 1B v2 | 1.0B | 7.15% | 749x |
| Whisper Large V3 Turbo | 0.8B | 7.83% | 350x |
WER ต่ำกว่า = ผิดพลาดน้อยกว่า RTFx สูงกว่า = เร็วกว่า Parakeet นำทั้งสองด้าน และด้วยพารามิเตอร์ 600M มันเล็กที่สุดในสามโมเดล จึงรันบน Apple Silicon ได้ดีโดยไม่ต้องใช้หน่วยความจำมาก
WER หลายภาษา: ครบทั้ง 25 ภาษา
ลีดเดอร์บอร์ดด้านบนครอบคลุมเฉพาะภาษาอังกฤษ นี่คือภาพรวมทั้งหมด — โมเดลทั้งสามตัวที่มีใน Whisper Notes เปรียบเทียบกันอย่างไรในทั้ง 25 ภาษาที่ Parakeet รองรับ วัดจาก benchmark FLEURS WER ต่ำกว่า = ถอดเสียงผิดพลาดน้อยกว่า ค่าที่ดีที่สุดระหว่าง Large V3 กับ Parakeet ถูกไฮไลต์ในแต่ละแถว:
| ภาษา | Whisper Small | Whisper Large V3 | Parakeet V3 |
|---|---|---|---|
| บัลแกเรีย | 37.3 | 12.9 | 12.6 |
| โครเอเชีย | 33.4 | 11.1 | 12.5 |
| เช็ก | 37.6 | 11.3 | 11.0 |
| เดนมาร์ก | 32.8 | 12.6 | 18.4 |
| ดัตช์ | 16.4 | 5.6 | 7.5 |
| อังกฤษ | 6.1 | 4.3 | 4.9 |
| เอสโตเนีย | 51.3 | 19.1 | 17.7 |
| ฟินแลนด์ | 24.0 | 7.7 | 13.2 |
| ฝรั่งเศส | 15.0 | 6.3 | 5.2 |
| เยอรมัน | 10.2 | 4.3 | 5.0 |
| กรีก | 30.8 | 27.0 | 20.7 |
| ฮังการี | 38.9 | 14.1 | 15.7 |
| อิตาลี | 9.8 | 2.3 | 3.0 |
| ลัตเวีย | 53.2 | 18.3 | 22.8 |
| ลิทัวเนีย | 65.6 | 22.3 | 20.4 |
| มอลตา | 92.2 | 68.9 | 20.5 |
| โปแลนด์ | 14.7 | 4.7 | 7.3 |
| โปรตุเกส | 7.3 | 3.7 | 4.8 |
| โรมาเนีย | 29.8 | 8.2 | 12.4 |
| รัสเซีย | 11.4 | 4.2 | 5.5 |
| สโลวัก | 33.3 | 8.4 | 8.8 |
| สโลวีเนีย | 49.3 | 19.9 | 24.0 |
| สเปน | 5.6 | 3.1 | 3.5 |
| สวีเดน | 20.8 | 7.9 | 15.1 |
| ยูเครน | 19.3 | 6.5 | 6.8 |
| ค่าเฉลี่ย | 29.8 | 12.6 | 12.0 |
WER (%) บน FLEURS ข้อมูล Whisper Small จาก Radford et al.; ข้อมูล Large V3 และ Parakeet V3 จาก เปเปอร์ NVIDIA Canary-1B-v2
เมื่อดูรายภาษา Whisper Large V3 นำหน้าเล็กน้อยในภาษาส่วนใหญ่ แต่ Parakeet V3 ตามมาติดๆ เมื่อดูค่าเฉลี่ย (12.0% เทียบกับ 12.6%) และนำในเจ็ดภาษา โดยเห็นชัดที่สุดในภาษามอลตาและกรีก อีกทั้งยังลดอัตราข้อผิดพลาดเฉลี่ยของ Whisper Small ลงราว 60% ข้อได้เปรียบในทางปฏิบัติคือการได้ทุกอย่างพร้อมกัน: ความแม่นยำหลายภาษาระดับ Large V3 ที่ราว 60× ของเวลาจริงบน Apple Silicon ใช้ทรัพยากรขณะรันน้อยกว่า และจัดการช่วงเงียบได้น่าเชื่อถือกว่ามากในการทดสอบดิกเทชันของเรา
ทำไมมันจึงมีอาการหลอนน้อยกว่าขณะเงียบ
ถ้าคุณเคยใช้ Whisper สำหรับดิกเทชัน คุณคงเคยเห็นมันหลอนตอนเงียบ — พูดซ้ำวลีเดิม แต่งคำขึ้นมาเอง หรือพิมพ์ "Subtitles by Amara.org" ออกมาจากไหนไม่รู้ เรื่องนี้เกิดขึ้นเพราะ decoder แบบ autoregressive ของ Whisper คาดหวังจะสร้างข้อความตลอดเวลา แม้จะไม่มีอะไรให้ถอดเสียงก็ตาม
สถาปัตยกรรมแบบ transducer ของ Parakeet สามารถปล่อยเอาต์พุตว่างได้ แทนที่จะฝืนสร้างโทเคนข้อความออกมา ในการทดสอบดิกเทชันทั้งระบบของเรา สิ่งนี้ทำให้มันมีโอกาสน้อยกว่า Whisper มากที่จะเติมช่วงหยุดพูดด้วยข้อความซ้ำๆ หรือข้อความที่ไม่เกี่ยวข้อง แต่มันก็ยังเป็นโมเดลเสียงพูดอยู่ดี ดังนั้นคำกล่าวที่ถูกต้องคือ "มีโอกาสน้อยกว่า" ไม่ใช่ "ไม่มีทางเกิดขึ้นเลย"
ภาษาที่ Parakeet รองรับ
Parakeet v3 รองรับ 25 ภาษา: 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
ครอบคลุมยุโรปเกือบทั้งหมด แต่ไม่รวมภาษาจีน ญี่ปุ่น เกาหลี อาหรับ หรือฮินดี สำหรับภาษาจีน ญี่ปุ่น เกาหลี และกวางตุ้ง ให้เลือก SenseVoice ส่วนภาษาอาหรับ ฮินดี และภาษาอื่นๆ นอกชุดภาษาของ Parakeet ให้ใช้ Whisper Large V3 Turbo หากต้องการเช็กว่าภาษาไหนรองรับโดยเอนจินใด ดูได้ที่ หน้าภาษาที่ Whisper, Parakeet V3 และ SenseVoice รองรับ
Parakeet V3 มาในตัวและถูกเลือกไว้ ส่วน Whisper Small และ Whisper Large V3 Turbo เป็นตัวเลือกดาวน์โหลดเพิ่มที่ทำงานบนเครื่องเช่นกัน
ตัวเลือกโมเดลใน Whisper Notes
เปิดการตั้งค่าเพื่อสลับระหว่างโมเดล:
- Parakeet V3 (ค่าเริ่มต้น) — เร็วที่สุด เหมาะที่สุดสำหรับภาษาอังกฤษและภาษายุโรป
- SenseVoice Small — เร็วที่สุดสำหรับภาษาจีน ญี่ปุ่น เกาหลี และกวางตุ้ง
- Whisper Small — เบา รองรับ 100+ ภาษา
- Whisper Large V3 Turbo — ครอบคลุมกว้างถึง 100+ ภาษา
ทุกโมเดลรัน 100% ในเครื่อง Mac ของคุณ ไม่ต้องใช้อินเทอร์เน็ต ไม่มีคลาวด์ ไม่มีข้อมูลออกจากอุปกรณ์ของคุณ
แล้ว Parakeet V2 ล่ะ?
ถ้าคุณเคยใช้ V2 อาจสงสัยว่าเทียบกันแล้วเป็นอย่างไร V2 เป็นโมเดลภาษาอังกฤษเท่านั้น — และความแม่นยำภาษาอังกฤษของมันจริงๆ แล้วดีกว่า V3 เล็กน้อย (WER 6.05% เทียบกับ 6.32%) V3 แลกส่วนต่างเล็กๆ นี้กับการรองรับ 25 ภาษา ทั้งสองรุ่นแม่นยำกว่า Whisper อย่างมีนัยสำคัญ
| Parakeet V2 | Parakeet V3 | Whisper Large V3 Turbo | |
|---|---|---|---|
| WER ภาษาอังกฤษ | 6.05% | 6.32% | 7.83% |
| ภาษา | อังกฤษเท่านั้น | 25 | 100+ |
สรุป: ถ้าคุณต้องการแค่ภาษาอังกฤษ V2 และ V3 ดีเยี่ยมทั้งคู่ V3 เป็นค่าเริ่มต้นใน Whisper Notes เพราะการรองรับหลายภาษาสำคัญสำหรับผู้ใช้ส่วนใหญ่ — และความแตกต่างในความแม่นยำภาษาอังกฤษแทบไม่มีนัยสำคัญ
แล้ว WhisperKit ล่ะ?
WhisperKit คือเฟรมเวิร์ก Swift แบบโอเพนซอร์สของ Argmax สำหรับรันโมเดล Whisper บนอุปกรณ์ Apple มันเป็นชุดเครื่องมือสำหรับนักพัฒนา ไม่ใช่แอปสำหรับผู้ใช้ทั่วไป — และมันรัน Whisper ไม่ใช่ Parakeet (ซึ่งเป็นตระกูลโมเดลของ NVIDIA) ถ้าคุณอยากได้การถอดเสียงบนอุปกรณ์สไตล์ WhisperKit โดยไม่ต้องเขียน Swift เอง Whisper Notes ก็รวมแนวคิดเดียวกันมาเป็นแอปสำเร็จรูปให้แล้ว: Parakeet V3, Whisper (Mac ใช้ Large V3 Turbo ส่วน iPhone ใช้ Small) และ SenseVoice ทั้งหมดรันในเครื่องบน Mac และ iPhone
กำลังเปรียบเทียบตัวเลือกแบบโลคัลทั้งหมดอยู่? โมเดลแปลงเสียงเป็นข้อความบนอุปกรณ์ทุกตัว — Whisper รุ่นต่างๆ, Parakeet V3, SenseVoice และ Voxtral — ถูกนำมาเปรียบเทียบแบบเคียงข้างกันบนหน้าเปรียบเทียบโมเดล Whisper ของเรา เพิ่งรู้จัก Whisper ใช่ไหม? เริ่มจากคู่มือการถอดเสียงด้วย Whisper — โมเดลนี้คืออะไร มีวิธีรันแบบไหนบ้าง และมีค่าใช้จ่ายเท่าไร
คำถามที่พบบ่อย
Parakeet V3 ดีกว่า Whisper ไหม?
สำหรับภาษาอังกฤษและภาษายุโรป ส่วนใหญ่แล้วใช่ Open ASR Leaderboard รายงาน WER ภาษาอังกฤษของ Parakeet ที่ 6.32% เทียบกับ 7.83% ของ Turbo และในการทดสอบบน M4 Pro ของเราเอง Parakeet ทำได้ 103× ของเวลาจริง ส่วน Turbo อยู่ที่ 14.3× แต่ Whisper ยังครอบคลุมภาษามากกว่ามาก ดังนั้นถ้าภาษาของคุณอยู่นอก 25 ภาษาของ Parakeet ก็ให้เลือก Turbo
Parakeet V3 รองรับภาษาอะไรบ้าง?
Parakeet V3 รองรับ 25 ภาษา: 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
รัน Parakeet V3 บน Mac ได้ไหม?
ได้ Whisper Notes สำหรับ Mac มาพร้อม Parakeet V3 เป็นเอนจินเริ่มต้น มันรัน 100% ในเครื่องบน Apple Silicon — ไม่ต้องใช้อินเทอร์เน็ต ไม่มีคลาวด์ ไม่มีข้อมูลออกจากอุปกรณ์ของคุณ ดาวน์โหลด Whisper Notes สำหรับ Mac มาลองได้เลย ใช้ฟรีสัปดาห์ละ 5,000 คำ
Parakeet V3 มีอาการหลอนเหมือน Whisper ไหม?
น้อยกว่ามากในการทดสอบช่วงเงียบของเรา แต่ไม่มีโมเดลเสียงพูดตัวไหนสมควรได้รับคำว่า "ไม่มีทางเกิดขึ้น" Parakeet สามารถปล่อยเอาต์พุตว่างระหว่างช่วงหยุดพูดได้ ขณะที่ decoder แบบ autoregressive ของ Whisper มีแนวโน้มมากกว่าที่จะสร้างวลีซ้ำๆ หรือข้อความที่ไม่เกี่ยวข้องเมื่ออินพุตเป็นความเงียบ
Parakeet V2 กับ V3 — ควรใช้ตัวไหน?
Parakeet V2 รองรับเฉพาะภาษาอังกฤษ โดยมีความแม่นยำภาษาอังกฤษดีกว่าเล็กน้อย (WER 6.05% เทียบกับ 6.32%) V3 แลกส่วนต่างเล็กน้อยนั้นกับการรองรับ 25 ภาษายุโรป และเป็นค่าเริ่มต้นใน Whisper Notes ถ้าคุณไม่ได้ถอดเสียงเฉพาะภาษาอังกฤษล้วนๆ จนต้องไล่ล่าเศษเสี้ยวเปอร์เซ็นต์สุดท้าย ให้ใช้ V3
Parakeet V3 รองรับภาษาญี่ปุ่น จีน หรือเกาหลีไหม?
ไม่ — ทั้ง 25 ภาษาของมันเป็นภาษายุโรปทั้งหมด สำหรับภาษาจีน ญี่ปุ่น เกาหลี หรือกวางตุ้ง Whisper Notes มี SenseVoice ซึ่งคุณเลือกใช้กับภาษาเหล่านั้นและทำงานที่ 52× ของเวลาจริงหรือดีกว่า พร้อมกับโมเดล Whisper ให้ใช้ ทั้งหมดรันแบบออฟไลน์ได้ทั้งบน Mac และ iPhone
Parakeet V3 ใหญ่แค่ไหน?
600 ล้านพารามิเตอร์ — ไฟล์ดาวน์โหลดขนาด 465 MB เป็นโมเดลที่เล็กที่สุดในบิลด์ Mac ทั้งสองแบบ ส่วน Whisper Large V3 Turbo มีขนาดดาวน์โหลดประมาณ 1.6 GB ในแอปเดียวกัน และ Qwen3-ASR 1.7B (Beta) ซึ่งมีเฉพาะในเวอร์ชัน Mac ที่ดาวน์โหลดตรงจากเว็บไซต์ มีขนาดประมาณ 2.5 GB
ลองใช้เลย
Parakeet V3 คือเอนจินเริ่มต้นของ Whisper Notes ทั้งบน iPhone และ Mac
มีคำถามหรือข้อเสนอแนะ? ส่งอีเมลมาที่ support@whispernotes.app
ดาวน์โหลดสำหรับ iOS