เราอยากตอบคำถามเดียว: มีโมเดลที่รันในเครื่องตัวไหนถอดเสียงภาษาของคุณได้แม่นกว่า Whisper Large V3 หรือไม่? เราจึงทดสอบโมเดลเหล่านี้บนชุดข้อมูล FLEURS
FLEURS เป็นชุดข้อมูลของ Google ที่รวมเสียงอ่านใน 102 ภาษา เราหยิบมาภาษาละราว 75 ประโยค แล้วป้อนคลิปชุดเดียวกันตามลำดับเดียวกันให้โมเดล 5 ตัวนี้:
- Parakeet V3
- Whisper Large V3 Turbo
- SenseVoice Small
- Whisper Small
- Qwen3-ASR 1.7B
ผลออกมาเป็นแบบนี้
Qwen3-ASR 1.7B เทียบกับ Whisper Large V3 Turbo — การทดสอบ FLEURS ของเราเอง MacBook Air M5 เครื่องเดียว เสียงอ่าน คลิปสั้น
| Qwen3-ASR 1.7B | Whisper Large V3 Turbo | |
|---|---|---|
| ภาษาที่รองรับ | 30 | 101 |
| ข้อได้เปรียบชัดเจน | กวางตุ้ง ฮินดี ไทย เวียดนาม ฝรั่งเศส (5) | ฟินแลนด์ ฮังการี กรีก และอีก 8 ภาษา (11) |
| ความเร็ว | 8.7× ของเวลาจริง | 2.4× ของเวลาจริง |
| หน่วยความจำสูงสุด | 2.43 GiB | 1.87 GiB |
| ขนาดดาวน์โหลด | ประมาณ 2.5 GB | ประมาณ 1.6 GB |
นอกเหนือจากภาษาที่แต่ละโมเดลถนัด ความต่างด้านความแม่นยำถือว่าน้อย
Whisper Large V3 เทียบกับ Qwen3-ASR: การเปรียบเทียบแบบละเอียด
ครบทั้ง 30 ภาษา เรียงจากภาษาที่ Qwen ชนะขาดที่สุดไปจนถึงที่แพ้ขาดที่สุด ทั้งสองคอลัมน์ยิ่งต่ำยิ่งดี
การทดสอบ FLEURS ของเราเอง MacBook Air M5 เครื่องเดียว เสียงอ่าน ใช้ CER สำหรับภาษาจีน กวางตุ้ง ญี่ปุ่น เกาหลี และไทย ส่วนภาษาอื่นใช้ WER สีเขียวหมายถึงนำห่างเกินแถบความคลาดเคลื่อน 95% แบบจับคู่
| ภาษา | Qwen3-ASR 1.7B | Whisper Large V3 Turbo |
|---|---|---|
| กวางตุ้ง | 6.00 | 37.97 |
| ฮินดี | 13.67 | 30.42 |
| ไทย | 5.92 | 12.95 |
| เวียดนาม | 5.07 | 9.79 |
| เปอร์เซีย | 26.98 | 30.03 |
| อาหรับ | 14.14 | 15.75 |
| อินโดนีเซีย | 4.97 | 6.50 |
| ฝรั่งเศส | 3.98 | 5.39 |
| จีน | 5.69 | 6.88 |
| อังกฤษ | 5.07 | 5.92 |
| เยอรมัน | 3.51 | 4.10 |
| ญี่ปุ่น | 5.39 | 5.71 |
| เกาหลี | 3.51 | 3.70 |
| สเปน | 3.60 | 3.76 |
| อิตาลี | 2.98 | 3.05 |
| รัสเซีย | 5.98 | 5.51 |
| โปรตุเกส | 5.64 | 4.91 |
| มาซิโดเนีย | 17.81 | 16.64 |
| มลายู | 11.60 | 10.18 |
| ดัตช์ | 7.65 | 5.63 |
| ตุรกี | 8.34 | 5.53 |
| เดนมาร์ก | 20.12 | 14.92 |
| โปแลนด์ | 12.78 | 5.32 |
| โรมาเนีย | 18.97 | 8.22 |
| ฟิลิปิโน | 20.44 | 9.37 |
| สวีเดน | 20.04 | 8.72 |
| เช็ก | 23.92 | 11.15 |
| กรีก | 30.20 | 12.97 |
| ฟินแลนด์ | 26.08 | 6.54 |
| ฮังการี | 36.35 | 13.66 |
การทดสอบแบบจับคู่ของเราเองบนชุดทดสอบ FLEURS รุ่น 70bb2e84 ภาษาละราว 75 ประโยค MacBook Air M5 เครื่องเดียว
5 ภาษาที่ Qwen3-ASR 1.7B ชนะชัดเจน อัตราข้อผิดพลาดเป็นเปอร์เซ็นต์ Qwen เทียบกับ Turbo: กวางตุ้ง (6.0 เทียบกับ 38.0), ฮินดี (13.7 เทียบกับ 30.4), ไทย (5.9 เทียบกับ 13.0), เวียดนาม (5.1 เทียบกับ 9.8), ฝรั่งเศส (4.0 เทียบกับ 5.4) กวางตุ้งกับไทยวัดเป็นรายตัวอักษร ที่เหลือวัดเป็นรายคำ จุดแข็งของมันอยู่ที่ภาษาที่วัดเป็นรายตัวอักษร: ในภาษาจีน กวางตุ้ง ญี่ปุ่น เกาหลี และไทย มันทำได้เฉลี่ย 5.3% เทียบกับ 13.4% ของ Turbo ส่วนอีก 25 ภาษาที่วัดเป็นรายคำ มันทำได้เฉลี่ย 14.0% เทียบกับ 10.2% ของ Turbo
11 ภาษาที่ Whisper Large V3 Turbo ชนะชัดเจน อัตราข้อผิดพลาดเป็นเปอร์เซ็นต์ Qwen เทียบกับ Turbo วัดเป็นรายคำทั้งหมด: ฮังการี (36.4 เทียบกับ 13.7), กรีก (30.2 เทียบกับ 13.0), ฟินแลนด์ (26.1 เทียบกับ 6.5), เช็ก (23.9 เทียบกับ 11.2), ฟิลิปิโน (20.4 เทียบกับ 9.4), เดนมาร์ก (20.1 เทียบกับ 14.9), สวีเดน (20.0 เทียบกับ 8.7), โรมาเนีย (19.0 เทียบกับ 8.2), โปแลนด์ (12.8 เทียบกับ 5.3), ตุรกี (8.3 เทียบกับ 5.5), ดัตช์ (7.7 เทียบกับ 5.6)
14 ภาษาที่สูสีหรือเสมอกัน อังกฤษ (5.1 เทียบกับ 5.9), เยอรมัน (3.5 เทียบกับ 4.1), สเปน (3.6 เทียบกับ 3.8), อิตาลี (3.0 เทียบกับ 3.1), รัสเซีย (6.0 เทียบกับ 5.5), โปรตุเกส (5.6 เทียบกับ 4.9); ภาษาจีน (5.7 เทียบกับ 6.9), ญี่ปุ่น (5.4 เทียบกับ 5.7) และเกาหลี (3.5 เทียบกับ 3.7) วัดเป็นรายตัวอักษร จากนั้นก็มีอาหรับ อินโดนีเซีย เปอร์เซีย มลายู และมาซิโดเนีย ช่องว่างในกลุ่มนี้เล็กทั้งหมดและอยู่ในแถบ 95% การทดสอบรอบนี้จึงแยก 2 โมเดลออกจากกันไม่ได้
กวางตุ้งเป็นแถวเดียวที่เปลี่ยนการตัดสินใจ: 6.00% เทียบกับ 37.97% และ SenseVoice Small ซึ่งเราเคยเผยแพร่ไว้ว่าเป็นคำตอบสำหรับกวางตุ้ง ทำได้ 36.71% CER บนคลิปชุดเดียวกัน บนชุดเสียงอ่านนี้ทั้งสองตัวหลังยังไม่ผ่านเกณฑ์ คำแนะนำเดิมจึงมาพร้อมเงื่อนไขนี้นับจากนี้ไป
Qwen3-ASR 1.7B เร็วแค่ไหน?
เอนจินทั้ง 5 ตัว วัดในชุดทดสอบเดียวกันบนเครื่องเดียวกัน (MacBook Air M5) อย่างน้อยจึงเทียบกันเองได้
ค่ามัธยฐานของอัตราเทียบเวลาจริงในภาษาที่แต่ละเอนจินรองรับ จากการทดสอบ FLEURS รอบเดียวกัน MacBook Air M5 เครื่องเดียว เสียงอ่าน
| เอนจิน | ภาษา | ค่ามัธยฐานความเร็วในรอบนี้ (คลิปสั้น) |
|---|---|---|
| SenseVoice Small | 6 ตัวเลือก | 161.0× |
| Parakeet TDT 0.6B v3 | 25 | 82.9× |
| Qwen3-ASR 1.7B | 30 ตามที่ระบุ | 8.7× |
| Whisper Small | 101 | 6.4× |
| Whisper Large V3 Turbo | 101 | 2.4× |
ตัวเลขเหล่านี้มาจากชุดทดสอบคลิปสั้น และต่ำกว่าที่เอนจินเดียวกันทำได้กับไฟล์บันทึกยาว ใช้คอลัมน์นี้เพื่อเทียบเอนจินกันเองภายในการทดสอบรอบนี้เท่านั้น อย่าใช้กับอย่างอื่น
Parakeet V3 และ SenseVoice Small เร็วกว่า Qwen3-ASR ราวหนึ่งลำดับขั้นในชุดทดสอบเดียวกัน เมื่อเปลี่ยนเป็นไฟล์ยาวแทนคลิปสั้น Parakeet เคยทำได้ 103× ของเวลาจริงบน M4 Pro และ SenseVoice ทำได้ 52× ขึ้นไป — คนละการวัดบนคนละเสียง แต่ชี้ไปทางเดียวกัน
Qwen3-ASR อยู่ตรงกลาง มันไม่ใช่เอนจินที่ช้าที่สุดในการทดสอบคลิปสั้นรอบนี้ — Whisper Large V3 Turbo ต่างหากที่ช้าที่สุด — แต่มันแกว่งตามภาษามากกว่าตัวอื่น ตั้งแต่ 2.7× ในภาษากรีกไปจนถึง 12.4× ในภาษาญี่ปุ่น
Qwen3-ASR ใช้หน่วยความจำและพื้นที่ดิสก์เท่าไร?
หน่วยความจำสูงสุดคือปริมาณที่กระบวนการใช้สูงสุดเท่าที่สังเกตได้ตลอดรายการในการทดสอบ FLEURS รอบเดียวกัน MacBook Air M5 เครื่องเดียว เสียงอ่าน คลิปสั้น
| เอนจิน | ขนาดดาวน์โหลด | หน่วยความจำสูงสุดในรอบนี้ |
|---|---|---|
| Parakeet TDT 0.6B v3 | 465 MB | 0.09 GiB |
| Whisper Small | 600 MB | 0.87 GiB |
| SenseVoice Small | 827 MB | 0.95 GiB |
| Whisper Large V3 Turbo | ประมาณ 1.6 GB | 1.87 GiB |
| Qwen3-ASR 1.7B | ประมาณ 2.5 GB | 2.43 GiB |
ทั้งสองแกน Qwen3-ASR หนักที่สุดในบรรดา 5 ตัว: ดาวน์โหลดประมาณ 2.5 GB และใช้หน่วยความจำกระบวนการสูงสุด 2.43 GiB ในรอบนี้ เทียบกับประมาณ 1.6 GB และ 1.87 GiB ของ Whisper Large V3 Turbo
บนเครื่อง 8 GB ยังมีทางที่เบากว่า Parakeet V3 ครอบคลุม 25 ภาษาด้วย 465 MB และ 0.09 GiB ส่วน Whisper Small ครอบคลุม 101 ภาษาด้วย 600 MB และ 0.87 GiB
เราวัดอย่างไร: FLEURS, 30 ภาษา, Mac หนึ่งเครื่อง
Qwen3-ASR 1.7B รันเป็นบิลด์ MLX 8-bit ส่วน Whisper Large V3 Turbo รันเป็นบิลด์ ggml ของ whisper.cpp บน Metal ข้อมูลคือชุดทดสอบ Google FLEURS รุ่น 70bb2e84 (CC-BY-4.0): 83 ภาษาจากทั้งหมด 102 ภาษา ภาษาละราว 75 ประโยคและราว 15 นาที ใช้คลิปชุดเดียวกันตามลำดับเดียวกันกับทุกโมเดล ส่วนการเทียบแบบจับคู่คือ 30 ภาษาของ Qwen ใช้ WER กับภาษาที่แบ่งคำด้วยเว้นวรรค ใช้ CER กับภาษาจีน กวางตุ้ง ญี่ปุ่น เกาหลี และไทย ไม่เคยรวมเป็นตัวเลขเดียว แถบความคลาดเคลื่อนมาจากบูตสแตรปที่ระดับรายการ 10,000 รอบ เครื่องคือ MacBook Air M5 หนึ่งเครื่อง 32 GB macOS 26.5 ไม่มีเอาต์พุตว่างหรือความล้มเหลวจากโมเดลใดเลย
FLEURS เป็นเสียงอ่าน ไม่ใช่การประชุมและไม่ใช่ดิกเทชัน อันดับที่ได้จากเสียงอ่านเคยเอาตัวไม่รอดเมื่อเจอเสียงจริงมาแล้วสองครั้งในการทดสอบของเราเอง เราจึงไม่นำไปคาดการณ์ต่อกับไฟล์บันทึกยาว ตารางเหล่านี้บอกว่าโมเดลหนึ่งพอจะใช้กับภาษาของคุณได้ไหม ไม่ได้บอกว่าคุณจะได้ความแม่นยำเท่าไร การประเมิน Qwen3-ASR 1.7B บนการประชุมจริงจะเป็นบทความแยกต่างหาก
ควรใช้ Qwen3-ASR แทน Whisper Large V3 หรือไม่?
ไล่ทีละภาษา นี่คือคำตอบที่เราจะให้ภายใน Whisper Notes สำหรับ Mac
- ถ้าคุณถอดเสียงภาษากวางตุ้ง ฮินดี ไทย เวียดนาม หรือฝรั่งเศส: เลือก Qwen3-ASR 1.7B
- ถ้าคุณถอดเสียงภาษาจีน ญี่ปุ่น เกาหลี อังกฤษ เยอรมัน สเปน หรืออิตาลี: มันนำอยู่นิดเดียว และเราก็จะอ้างแค่นิดเดียวนั้น เลือกโมเดลไหนก็ได้ เช่นเดียวกับภาษาเปอร์เซีย อาหรับ อินโดนีเซีย รัสเซีย โปรตุเกส มาซิโดเนีย และมลายู
- ถ้าคุณถอดเสียงภาษาฟินแลนด์ ฮังการี กรีก เช็ก สวีเดน เดนมาร์ก โปแลนด์ โรมาเนีย ฟิลิปิโน ตุรกี หรือดัตช์: อยู่กับ Whisper Large V3 Turbo ต่อไป มันชนะครบทั้ง 11 ภาษาอย่างชัดเจน
- ถ้าสิ่งที่คุณสนใจคือความเร็วหรือพื้นที่ดิสก์: ไม่ใช่เอนจินตัวนี้ Parakeet V3 และ SenseVoice Small เร็วกว่าราวหนึ่งลำดับขั้นโดยมีขนาดดาวน์โหลดเพียงเศษเสี้ยว ส่วน Whisper Small ครอบคลุม 101 ภาษาด้วย 600 MB ที่ 6.4×
- ถ้าคุณใช้ iPhone หรือบิลด์จาก Mac App Store: เอนจินนี้ยังไปไม่ถึงตรงนั้น กวางตุ้งบนช่องทางเหล่านั้นให้เลือก SenseVoice
Whisper Notes สำหรับ Mac พอร์ต Qwen3-ASR แบบเปิดของ Alibaba มาไว้บนเครื่องของคุณแบบนี้: น้ำหนักแบบเปิดถูกแปลงเป็น Apple MLX ที่ 8-bit รันบน GPU ของ Mac คุณเอง โดยไม่มีเสียงไปถึงเซิร์ฟเวอร์ของ Alibaba มันไม่ใช่โมเดลเดียวกับรุ่น 0.6B ที่ SenseVoice เข้ามาแทนที่ในเวอร์ชันดาวน์โหลดตรง (DMG) 1.5.0
วิธีใช้งาน (Mac เวอร์ชันดาวน์โหลดตรง DMG 1.6.0 ขึ้นไป): การตั้งค่า จากนั้นโมเดลถอดเสียง จากนั้น Qwen3-ASR 1.7B โมเดลจะดาวน์โหลดในแอปเมื่อใช้ครั้งแรก ขนาดประมาณ 2.5 GB ต้องใช้ macOS 15 ขึ้นไปบน Apple silicon แนะนำหน่วยความจำ 16 GB ส่วนที่เหลือของแอปรันบน macOS 14 ได้ รายชื่อภาษาแยกตามเอนจินอยู่ในหน้ารองรับภาษาของเรา CLI และเซิร์ฟเวอร์ MCP ในเครื่องรับชื่อ "qwen", "qwen3" และ "qwen3-asr"
ถ้าคุณไม่อยากเปลี่ยน ก็ไม่ต้องเปลี่ยนอะไรเลย Parakeet V3 ยังเป็นค่าเริ่มต้นอยู่
คำถามที่พบบ่อย
Qwen3-ASR แม่นกว่า Whisper Large V3 Turbo ไหม?
ขึ้นอยู่กับภาษา และผลออกมาเกือบครึ่งต่อครึ่ง ในการทดสอบ FLEURS ของเราเองภายใน Whisper Notes สำหรับ Mac จาก 30 ภาษาที่ทั้งสองโมเดลรองรับร่วมกัน Qwen3-ASR 1.7B นำ 15 ภาษา และ Whisper Large V3 Turbo นำ 15 ภาษา Qwen นำชัดเจนในภาษากวางตุ้ง (6.00% เทียบกับ 37.97% CER), ฮินดี (13.67% เทียบกับ 30.42% WER), ไทย เวียดนาม และฝรั่งเศส ส่วน Turbo นำชัดเจนในภาษาฟินแลนด์ (6.54% เทียบกับ 26.08% WER), ฮังการี กรีก เช็ก สวีเดน เดนมาร์ก โปแลนด์ โรมาเนีย ฟิลิปิโน ตุรกี และดัตช์ อีก 14 จาก 30 ช่องว่างอยู่ในแถบความคลาดเคลื่อน ควรอ่านว่าเสมอกัน เลือก Qwen3-ASR ถ้าภาษาของคุณอยู่ในคอลัมน์ที่มันชนะและคุณใช้ Whisper Notes เวอร์ชัน Mac ดาวน์โหลดตรง (DMG) ส่วนกรณีอื่นทั้งหมด และทุกภาษาที่อยู่นอก 30 ภาษาของ Qwen ให้เลือก Whisper Large V3 Turbo เพราะ Whisper ครอบคลุมครบทั้ง 101 ตัวเลือก
ใช้ Qwen3-ASR บน iPhone หรือจาก Mac App Store ได้ไหม?
ตอนนี้มันอยู่ใน Whisper Notes เวอร์ชัน Mac ดาวน์โหลดตรง (DMG) ตั้งแต่เวอร์ชัน 1.6.0 เป็นต้นไป เวอร์ชัน Mac App Store มีแผนจะรับเอนจินใหม่กว่าในรุ่นถัดไป และเรายังไม่มีกำหนดวันที่ ระหว่างนี้แอป iPhone และเวอร์ชัน Mac App Store มีตระกูลเอนจิน 3 ตระกูล — Whisper, Parakeet V3 และ SenseVoice — และทุกภาษาที่ Qwen รู้จัก Whisper ที่นั่นก็ครอบคลุมเช่นกัน ถ้านับเป็นจำนวนโมเดล เวอร์ชัน Mac App Store มี 4 ตัวในวันนี้ ส่วนเวอร์ชันดาวน์โหลดตรงมี 5 ตัว เพราะ Whisper มาทั้ง Small และ Large V3 Turbo ถ้าคุณต้องการภาษากวางตุ้งบน iPhone ให้ใช้ SenseVoice ที่นั่น
ภาษาจีน ญี่ปุ่น และเกาหลี ควรใช้ Qwen3-ASR หรือ SenseVoice?
ความแม่นยำสูสีกัน แต่ความเร็วห่างกันมาก ในการทดสอบ FLEURS ของเรา Qwen3-ASR ทำได้ 5.69% CER ในภาษาจีน 5.39% ในภาษาญี่ปุ่น และ 3.51% ในภาษาเกาหลี ส่วน SenseVoice Small ทำได้ 7.06%, 6.85% และ 7.82% บนคลิปชุดเดียวกัน SenseVoice ทำค่ามัธยฐาน 161× ของเวลาจริงในรอบนั้น เทียบกับ 8.7× ของ Qwen ดาวน์โหลด 827 MB เทียบกับประมาณ 2.5 GB และมีให้ใช้ทั้งบน iPhone และ Mac ทั้งสองเวอร์ชัน เลือก SenseVoice เว้นแต่คุณกำลังถอดเสียงภาษากวางตุ้ง ซึ่ง Qwen3-ASR ทำได้ 6.00% CER เทียบกับ 36.71% ของ SenseVoice ช่องว่างตรงนั้นกว้างพอที่จะคุ้มกับการรอ
Qwen3-ASR 1.7B มีความต้องการของระบบอย่างไร?
ต้องใช้ Mac ที่เป็น Apple silicon บน macOS 15 ขึ้นไป แนะนำหน่วยความจำ 16 GB พร้อมพื้นที่ดิสก์อีกราว 2.5 GB สำหรับตัวโมเดล นั่นสูงกว่าส่วนที่เหลือของ Whisper Notes สำหรับ Mac ซึ่งรันได้ตั้งแต่ macOS 14 ขึ้นไป ในการทดสอบของเรา โมเดลใช้หน่วยความจำกระบวนการสูงสุด 2.43 GiB สูงที่สุดในบรรดาเอนจินทั้ง 5 ตัว บน Mac ที่มี 8 GB นั้น Whisper Small ครอบคลุมรายชื่อ 101 ภาษาเดียวกันด้วย 600 MB และ Parakeet V3 ครอบคลุม 25 ภาษายุโรปด้วย 465 MB
เสียงของฉันออกจากเครื่อง Mac ไหมเมื่อใช้ Qwen3-ASR?
ไม่ Alibaba มี Qwen3-ASR เป็นบริการคลาวด์ด้วย ผ่าน DashScope Real-time และ FileTrans API ซึ่งเส้นทางนั้นเสียงจะถูกอัปโหลดไปยังเซิร์ฟเวอร์ของพวกเขา Whisper Notes ไม่ได้ใช้ API เหล่านั้น มันรันน้ำหนักแบบเปิดในเครื่องเป็นโมเดล MLX 8-bit บน GPU ของ Mac คุณ ไม่ต้องมีบัญชี ไม่ต้องมี API key และถอดเสียงได้แม้ปิดเครือข่าย เอนจินทุกตระกูลในแอปเป็นแบบนี้เหมือนกันหมด ในทุกช่องทาง
ทำไมตัวเลขเหล่านี้ไม่ตรงกับความแม่นยำที่ฉันได้จากไฟล์บันทึกของตัวเอง?
เพราะ FLEURS เป็นเสียงอ่านสั้นและสะอาด ส่วนไฟล์บันทึกของคุณไม่ใช่ การทดสอบของเราเป็นการสอบเทียบบนชุดข้อมูลสาธารณะ: ภาษาละราว 75 ประโยค MacBook Air M5 เครื่องเดียว คลิปชุดเดียวกันสำหรับทุกโมเดล มันมีประโยชน์สำหรับถามว่าโมเดลหนึ่งพอจะใช้กับภาษาหนึ่งได้ไหม และมันไม่ใช่การทำนายความแม่นยำที่คุณจะได้จากการประชุม จากเสียงที่มีสัญญาณรบกวน จากเสียงที่มีสำเนียง หรือจากไฟล์ยาว 2 ชั่วโมง
ลองใช้เลย
Qwen3-ASR 1.7B อยู่ใน Whisper Notes สำหรับ Mac 1.6.0 ขึ้นไป เฉพาะเวอร์ชันดาวน์โหลดตรง (DMG) ไปที่การตั้งค่า จากนั้นโมเดลถอดเสียง รุ่นทดลองใช้ฟรีให้ 10,000 คำ พอสำหรับให้คุณลองภาษาของตัวเองแล้วมาเถียงกับตารางข้างบน
ถ้าคุณเจอภาษาที่ตัวเลขของเราไม่ตรงกับประสบการณ์ของคุณ ส่งอีเมลมาที่ mac@whispernotes.app บันทึกการเปลี่ยนแปลงฉบับเต็ม: whispernotes.app/changelog
แหล่งที่มาของทุกอย่างข้างต้น: การทดสอบ FLEURS ของเราบนชุดทดสอบ Google FLEURS รุ่น 70bb2e84, โมเดลการ์ด Qwen3-ASR 1.7B และตารางภาษาแยกตามเอนจินในหน้ารองรับภาษาของเรา ซึ่งสร้างขึ้นจากซอร์สโค้ดของแอปเอง
ดาวน์โหลดสำหรับ macOS