นอกจาก Whisper แล้ว Whisper Notes ยังมีอีกสองโมเดลที่ทำงานได้ดีกับภาษาจีน ญี่ปุ่น และเกาหลี คือ SenseVoice Small และ Qwen3-ASR 1.7B (ต่อไปนี้เรียกว่า Qwen3-ASR) ทั้งสองตัวทำงานแบบออฟไลน์บนอุปกรณ์ของคุณ SenseVoice เร็ว ส่วน Qwen3-ASR ผิดน้อยกว่า เราจึงอยากรู้ว่า ถ้าใช้กับภาษาจีน ญี่ปุ่น และเกาหลี ควรเลือกตัวไหน?
ตัวเลขความแม่นยำเป็นผลที่เราวัดเอง เราให้ SenseVoice Small, Qwen3-ASR และ Whisper Large V3 Turbo ถอดเสียงประโยคที่อ่านออกเสียงชุดเดียวกันจาก FLEURS ภาษาละประมาณ 30 นาที โดยใช้โมเดลเวอร์ชันเดียวกับที่อยู่ใน Whisper Notes ส่วนความเร็วเป็นตัวเลขที่แอปแสดงบนการ์ดของแต่ละโมเดล ซึ่งมาจากการทดสอบอีกชุดหนึ่งด้วยคลิปสั้น ข้อมูลที่เหลือทั้งหมดอิงจากการทำงานของแอป Mac ในปัจจุบัน
Qwen3-ASR แม่นยำกว่า SenseVoice แค่ไหน?
| ภาษา | Qwen3-ASR 1.7B | SenseVoice Small | Whisper Large V3 Turbo |
|---|---|---|---|
| ภาษาจีน | 6.49% | 7.69% | 7.97% |
| ภาษาญี่ปุ่น | 5.74% | 6.78% | 5.30% |
| ภาษาเกาหลี | 3.54% | 7.85% | 4.25% |
| ภาษาอังกฤษ | 4.49% | 8.46% | 5.49% |
ภาษาจีน ญี่ปุ่น และเกาหลีใช้อัตราความผิดพลาดระดับตัวอักษร (CER) ภาษาอังกฤษใช้อัตราความผิดพลาดระดับคำ (WER) ยิ่งต่ำยิ่งดี สีเขียวคือค่าต่ำสุดในแต่ละแถว เราวัดเองบนชุดทดสอบ FLEURS ภาษาละประมาณ 30 นาที หรือ 139 ถึง 180 ประโยคที่อ่านออกเสียง บน Mac โดยตั้งภาษาให้ SenseVoice ไว้ ผลนี้ครอบคลุมเฉพาะเสียงอ่านที่ชัดเจน ไม่รวมห้องที่มีเสียงรบกวน การประชุม หรือไฟล์บันทึกเสียงยาว
Qwen3-ASR ผิดน้อยกว่า SenseVoice ในทุกภาษาที่เราทดสอบ ภาษาจีนและญี่ปุ่นต่างกันราวหนึ่งจุดเปอร์เซ็นต์ คือ 6.49% (Qwen3-ASR) เทียบกับ 7.69% (SenseVoice) ในภาษาจีน และ 5.74% เทียบกับ 6.78% ในภาษาญี่ปุ่น ภาษาเกาหลีต่างกันมากที่สุด โดย SenseVoice ถอดตัวอักษรผิดมากกว่าสองเท่า คือ 7.85% เทียบกับ 3.54% ส่วนภาษาอังกฤษ Qwen3-ASR ผิดราวหนึ่งคำในทุก 22 คำ และ SenseVoice ผิดราวหนึ่งคำในทุก 12 คำ
Whisper Large V3 Turbo ทำได้ใกล้เคียงกับ Qwen3-ASR โดยแม่นยำที่สุดในสามตัวสำหรับภาษาญี่ปุ่น และได้อันดับสองในภาษาเกาหลีกับภาษาอังกฤษ แต่ตามหลัง SenseVoice เล็กน้อยในภาษาจีน
SenseVoice เร็วกว่า Qwen3-ASR แค่ไหน?
| โมเดล | ความเร็ว (× เวลาจริง) | เสียงหนึ่งชั่วโมงใช้เวลาราว |
|---|---|---|
| SenseVoice Small | 115.2–131× | ประมาณ 30 วินาที |
| Qwen3-ASR 1.7B | 7.6× | ประมาณ 8 นาที |
สีเขียวคือโมเดลที่เร็วกว่า ตัวเลขเหล่านี้เป็นความเร็วที่แสดงบนการ์ดโมเดลในแอป นับเฉพาะเวลาประมวลผลของเอนจิน ไม่รวมเวลาโหลดโมเดล วัดด้วยคลิปสั้นในการทดสอบการใช้งานทั่วไปอีกชุดหนึ่งบน Mac SenseVoice ทำได้ 115.2× เมื่อตั้งภาษาไว้ และ 131× เมื่อให้ตรวจจับภาษาอัตโนมัติ ส่วน Qwen3-ASR วัดได้ 7.65× ก่อนปัดเศษ เวลาสำหรับเสียงหนึ่งชั่วโมงคำนวณจากความเร็วเหล่านี้และปัดเศษแล้ว
SenseVoice เร็วกว่าเกิน 15 เท่า ไฟล์บันทึกเสียงยาวหนึ่งชั่วโมงใช้เวลาราวครึ่งนาที เทียบกับราวแปดนาที ถ้าคุณถอดเสียงไฟล์ยาว หรืออยากได้ข้อความทันที ความต่างนี้สำคัญกว่าความแม่นยำที่ต่างกันหนึ่งจุด แต่ถ้ารอได้สักไม่กี่นาทีและอยากแก้ข้อความน้อยลง ความต่างนี้ก็ไม่สำคัญเท่าไร
ตั้งภาษาไว้เพื่อให้แม่นยำขึ้นอีกเล็กน้อย
เมื่อตั้งภาษาไว้ SenseVoice ผิดน้อยกว่าตอนใช้ “อัตโนมัติ” ในทั้งสี่ภาษา คือ 7.69% เทียบกับ 7.90% ในภาษาจีน 6.78% เทียบกับ 6.87% ในภาษาญี่ปุ่น 7.85% เทียบกับ 8.09% ในภาษาเกาหลี และ 8.46% เทียบกับ 8.51% ในภาษาอังกฤษ ความต่างไม่มาก แต่ทั้งหมดไปในทางเดียวกัน เราไม่ได้ทดสอบ Qwen3-ASR หรือ Whisper แบบอัตโนมัติ จึงไม่มีตัวเลขของสองตัวนี้ ส่วนคำแนะนำในแอประบุว่า ยกเว้น Parakeet แล้ว การเลือกภาษามักแม่นยำกว่าการใช้แบบอัตโนมัติ
Parakeet เป็นข้อยกเว้น ใน Whisper Notes การบอกภาษาให้ Parakeet ทำให้แม่นยำน้อยลง แอปจึงปล่อยให้มันตรวจจับภาษาเองเสมอ (ดู Parakeet Ultra vs Parakeet V3) บน Mac การตั้งค่านี้อยู่ที่ ภาษา ในส่วน การถอดเสียง ของหน้าการตั้งค่า
ไฟล์บันทึกเสียงยาวใช้เวลานานแค่ไหน?
ในการทดสอบก่อนหน้านี้ด้วยไฟล์เสียงจริงบน Apple M4 Pro นั้น SenseVoice ถอดเสียงพอดแคสต์สัมภาษณ์ภาษาจีนตอนหนึ่งความยาว 27 นาทีเสร็จใน 13.83 วินาที ส่วน Whisper Large V3 Turbo ใช้เวลา 2 นาที 4 วินาทีกับไฟล์เดียวกัน การทดสอบนั้นไม่ได้รวม Qwen3-ASR และใช้แอปเวอร์ชันก่อนหน้า แต่ความเร็วที่ได้ราว 117× ของเวลาจริงก็ใกล้เคียงกับ 115–131× บนการ์ดโมเดลในตอนนี้
ถ้าประมาณคร่าว ๆ จากการทดสอบนั้น บน Mac เครื่องนั้น SenseVoice จะใช้เวลาราวครึ่งนาทีกับการประชุมหรือการบรรยายยาวหนึ่งชั่วโมง และ Whisper Large V3 Turbo จะใช้ราวสี่นาทีครึ่ง ส่วน Qwen3-ASR จากความเร็วข้างต้นจะใช้ราวแปดนาที
ทั้งสองโมเดลไม่ได้ประมวลผลไฟล์ยาวรวดเดียว ในแอป Mac นั้น SenseVoice แบ่งเสียงเป็นช่วงละไม่เกิน 30 วินาที โดยตัดตรงจังหวะที่หยุดพูด และแสดงข้อความของแต่ละช่วงทันทีที่เสร็จ Qwen3-ASR ก็ทำงานเป็นช่วงละไม่เกิน 30 วินาทีเช่นกัน โดยตัดตรงจุดที่เงียบที่สุดใกล้ขีดจำกัดของแต่ละช่วง และข้อความจะทยอยปรากฏขึ้นระหว่างที่โมเดลกำลังเขียน ไม่ว่าแบบไหน ข้อความถอดเสียงจะค่อย ๆ เพิ่มขึ้นทีละช่วง คุณจึงเริ่มอ่านได้ก่อนที่ทั้งไฟล์จะเสร็จ
อุปกรณ์ของฉันใช้ตัวไหนได้บ้าง?
| โมเดล | iPhone | เวอร์ชัน Mac App Store | แอป Mac จากเว็บไซต์ของเรา |
|---|---|---|---|
| SenseVoice Small | ได้ | ได้ | ได้ |
| Qwen3-ASR 1.7B | ไม่ได้ | ได้ (เบต้า) | ได้ (เบต้า) |
| Whisper Large V3 Turbo | ไม่ได้ | ได้ | ได้ |
| Whisper Small | ได้ | ได้ | ได้ |
สีเขียวหมายถึงใช้ได้ สีอำพันหมายถึงใช้ไม่ได้
บน iPhone นั้น SenseVoice คือตัวเลือกที่เร็วสำหรับภาษาจีน ญี่ปุ่น และเกาหลี โดยมี Whisper Small เป็นอีกทางเลือก
ทำไม Mac ถึงมีสองเวอร์ชัน? เวอร์ชัน Mac App Store ต้องทำงานภายใต้ข้อจำกัดที่ Apple กำหนดไว้สำหรับแอปใน App Store ฟีเจอร์บางอย่างจึงมีเฉพาะในแอป Mac จากเว็บไซต์ของเรา ได้แก่ การพิมพ์ด้วยเสียงด้วยปุ่ม Fn ผู้ช่วย AI ในเครื่อง และเครื่องมือบรรทัดคำสั่ง (ที่มาของเรื่องนี้) ทั้งสองเวอร์ชันมีโมเดลเสียงชุดเดียวกัน
แต่ละตัวต้องใช้อะไรบน Mac
| SenseVoice Small | Qwen3-ASR 1.7B | |
|---|---|---|
| ขนาดดาวน์โหลด | ประมาณ 450 MB | ประมาณ 2.5 GB |
| หน่วยความจำตามการ์ดโมเดล | ประมาณ 700 MB | ประมาณ 2.6 GB |
| หน่วยความจำสูงสุดในการทดสอบของเรา | 0.95 GiB | 2.43 GiB |
| Mac | ชิป Apple | ชิป Apple, macOS 15 ขึ้นไป |
| หน่วยความจำที่แนะนำ | ไม่ได้ระบุขั้นต่ำ | แนะนำ 16 GB |
ขนาดดาวน์โหลดและหน่วยความจำตามที่แสดงในแอป Mac จากเว็บไซต์ของเราเวอร์ชันปัจจุบัน สีอำพันคือข้อกำหนดที่ควรตรวจสอบก่อนดาวน์โหลด หน่วยความจำสูงสุดมาจากการทดสอบการใช้งานทั่วไปชุดเดียวกับความเร็วข้างต้น หน่วย GiB ใหญ่กว่า GB ราว 7%
ทั้งสองโมเดลไม่ได้ติดมากับแอป แต่ละตัวต้องดาวน์โหลดครั้งเดียวจากการ์ดของมันในการตั้งค่า แล้วจึงใช้งานแบบออฟไลน์ได้ SenseVoice เบากว่ามาก โดยมีขนาดดาวน์โหลดราวหนึ่งในห้าของ Qwen3-ASR และใช้หน่วยความจำไม่ถึงครึ่งด้วยซ้ำ บน Mac ที่มีหน่วยความจำน้อยกว่า 16 GB การ์ดของ Qwen3-ASR จะแสดงหมายเหตุเรื่องหน่วยความจำเป็นสีส้มเพื่อเตือน เพื่อเปรียบเทียบ Whisper Large V3 Turbo มีขนาดดาวน์โหลดราว 2 GB และการ์ดของมันระบุหน่วยความจำราว 2.4 GB
ควรใช้ตัวไหน?
- ผิดน้อยที่สุดบน Mac: Qwen3-ASR 1.7B มีในทั้งสองเวอร์ชันบน Mac ชนะ SenseVoice ในทั้งสี่ภาษาที่เราทดสอบ แต่ในภาษาญี่ปุ่น Whisper Large V3 Turbo แม่นยำกว่าอีกเล็กน้อย คือ 5.30% เทียบกับ 5.74%
- เน้นความเร็ว ไฟล์บันทึกเสียงยาว Mac ที่หน่วยความจำน้อย หรือ iPhone: SenseVoice Small เสียงหนึ่งชั่วโมงใช้เวลาราวครึ่งนาทีแทนที่จะเป็นราวแปดนาที และใช้พื้นที่ดาวน์โหลดกับหน่วยความจำเพียงส่วนน้อย
- ต้องการความแม่นยำในภาษาญี่ปุ่นหรือเกาหลีโดยไม่ใช้ Qwen3-ASR 1.7B (ซึ่งต้องใช้ macOS 15): Whisper Large V3 Turbo ได้ 5.30% เทียบกับ 6.78% ของ SenseVoice ในภาษาญี่ปุ่น และ 4.25% เทียบกับ 7.85% ในภาษาเกาหลี แต่ช้ากว่า SenseVoice มาก
- ภาษาอื่น: Parakeet ซึ่งเป็นโมเดลที่ติดมากับแอป สำหรับภาษาอังกฤษและภาษายุโรปอื่นอีก 24 ภาษา (ดู Parakeet Ultra vs Parakeet V3) และ Whisper สำหรับภาษาที่เหลือ ผลเปรียบเทียบ Qwen3-ASR 1.7B กับ Whisper ใน 30 ภาษาอยู่ในผลทดสอบ Qwen3-ASR เทียบกับ Whisper ของเรา ส่วนอัตราความผิดพลาดของทั้งหกโมเดลใน 42 ภาษา เทียบกันได้ในตารางเปรียบเทียบโมเดลแยกตามภาษา
มีอะไรอีกที่ควรรู้?
- ป้ายผู้พูด ตราเวลา และคำบรรยายใช้ได้กับทั้งสองตัว SenseVoice และ Qwen3-ASR ให้ตราเวลาทั้งคู่ ป้ายผู้พูดและการส่งออกคำบรรยายแบบ SRT จึงทำงานเหมือนกันไม่ว่าจะใช้โมเดลไหน
- ภาษาจีนตัวย่อหรือตัวเต็มจะเป็นไปตามภาษาของระบบ หลังถอดเสียงเสร็จ Whisper Notes จะแปลงข้อความภาษาจีนเป็นอักษรตัวย่อหรือตัวเต็มบน Mac ของคุณตามภาษาของระบบ ถ้าคุณตั้งภาษาเป็น 简体中文 (ภาษาจีนตัวย่อ) หรือ 繁體中文 (ภาษาจีนตัวเต็ม) ตัวเลือกนั้นจะเป็นตัวกำหนดแทน
- ยังไม่ได้ทดสอบภาษาถิ่น การ์ดโมเดลของ Qwen เองระบุว่ารองรับ 30 ภาษา และภาษาถิ่นกับสำเนียงจีนอีก 22 แบบ Whisper Notes ไม่มีตัวเลือกภาษาถิ่นแยก คุณเลือกภาษาจีนหรืออัตโนมัติ แล้วโมเดลจะจัดการส่วนที่เหลือเอง เรายังไม่ได้ทดสอบภาษาถิ่น จึงบอกไม่ได้ว่าแต่ละโมเดลรับมือได้ดีแค่ไหน
- Qwen3-ASR ยังเป็นเบต้า ถ้าโมเดลนี้หยุดทำงานกะทันหัน Whisper Notes จะปิดการใช้งานเมื่อเปิดแอปครั้งถัดไปและสลับไปใช้โมเดลอื่น เพื่อให้แอปยังเปิดได้ คุณเลือก Qwen3-ASR อีกครั้งในการตั้งค่าเพื่อลองใหม่ได้
- ตัวเลขของเราเป็นผลกับเสียงอ่านที่ชัดเจน ประโยคใน FLEURS อ่านออกเสียงในที่เงียบ ส่วนการประชุม ห้องที่มีเสียงรบกวน ไมโครโฟนที่อยู่ไกล และสำเนียงที่หนัก อาจทำให้ส่วนต่างเปลี่ยนไปได้ทั้งสองทาง
- ยังไม่ได้ทดสอบประโยคที่ปนภาษาจีนกับอังกฤษ เรายังไม่ได้วัดว่าแต่ละโมเดลรับมือกับประโยคที่สลับไปมาระหว่างภาษาจีนกับภาษาอังกฤษได้อย่างไร จึงควรลองกับไฟล์บันทึกเสียงแบบที่คุณใช้เป็นประจำก่อนตัดสินใจเลือก
จะสลับโมเดลได้อย่างไร?
บน Mac ให้เปิดการตั้งค่าแล้วเลื่อนลงไปที่ โมเดลถอดเสียง แต่ละโมเดลมีการ์ดที่บอกความเร็ว งานที่เหมาะ จำนวนภาษาที่รองรับ หน่วยความจำที่ต้องใช้ และขนาดดาวน์โหลด หากจะดาวน์โหลดโมเดล ให้คลิกที่การ์ดหรือลูกศรดาวน์โหลดบนการ์ด เมื่อติดตั้งแล้ว ให้คลิกการ์ดเพื่อสลับไปใช้โมเดลนั้น ลิงก์ภาษาบนการ์ดแต่ละใบ (ภาษาที่รองรับ หรือ รองรับ 30 ภาษา บนการ์ด Qwen3-ASR 1.7B) แสดงทุกภาษาพร้อมอัตราความผิดพลาดที่เราวัดได้
การตั้งค่า → โมเดลถอดเสียง ในแอป Mac จากเว็บไซต์ของเรา
จากนั้นตั้ง ภาษา ในส่วน การถอดเสียง แทนที่จะปล่อยไว้เป็น “อัตโนมัติ”
SenseVoice คืออะไร?
| ผู้พัฒนา | FunAudioLLM, Tongyi Lab, Alibaba Group |
| เปิดตัว | กรกฎาคม 2024 พร้อมงานวิจัย FunAudioLLM |
| ขนาด | 234 ล้านพารามิเตอร์ ดาวน์โหลดราว 450 MB ในแอป Mac จากเว็บไซต์ของเรา |
| ภาษา | จีน กวางตุ้ง อังกฤษ ญี่ปุ่น และเกาหลี |
| การออกแบบ | แบบ non-autoregressive คือเขียนข้อความของเสียงทั้งช่วงในขั้นตอนเดียว แทนที่จะเขียนทีละส่วนต่อกันไป |
| สัญญาอนุญาต | FunASR Model Open Source License Agreement |
| ทำงานบน | อุปกรณ์ของคุณแบบออฟไลน์ บน Mac ใช้ GPU ผ่าน MLX ของ Apple |
| ใน Whisper Notes | iPhone, เวอร์ชัน Mac App Store และแอป Mac จากเว็บไซต์ของเรา |
จากงานวิจัย FunAudioLLM: SenseVoice-Small มี 234 ล้านพารามิเตอร์ และประมวลผลเสียง 10 วินาทีใน 70 ms ส่วน Whisper-Large-V3 มี 1,550 ล้านพารามิเตอร์ และใช้เวลา 1,281 ms ทั้งคู่วัดบน GPU ในศูนย์ข้อมูล ไม่ใช่บน Mac
Qwen3-ASR มาจากทีม Qwen ของ Alibaba ภายใต้สัญญาอนุญาต Apache 2.0 ใน Whisper Notes โมเดลนี้ทำงานบน GPU ของ Mac ผ่าน MLX แบบ 8 บิต ผลเปรียบเทียบกับ Whisper ใน 30 ภาษาอยู่ในผลทดสอบ Qwen3-ASR ของเรา
คำถามที่พบบ่อย
SenseVoice หรือ Qwen3-ASR ตัวไหนดีกว่าสำหรับภาษาจีน ญี่ปุ่น และเกาหลี?
ถ้าต้องการให้ผิดน้อยที่สุด เลือก Qwen3-ASR 1.7B ในการทดสอบ FLEURS ของเรา โมเดลนี้ได้ CER 6.49% ในภาษาจีน 5.74% ในภาษาญี่ปุ่น และ 3.54% ในภาษาเกาหลี เทียบกับ 7.69%, 6.78% และ 7.85% ของ SenseVoice Small ถ้าต้องการความเร็ว เลือก SenseVoice ซึ่งทำงานที่ 115.2–131× ของเวลาจริง เทียบกับ 7.6× ของ Qwen3-ASR ทั้งนี้ Qwen3-ASR (เบต้า) ใช้ได้บน Mac มีทั้งในเวอร์ชัน Mac App Store และแอป Mac จากเว็บไซต์ของเรา ส่วน SenseVoice มีบน iPhone ด้วย
SenseVoice ดีกว่า Whisper ไหม?
เร็วกว่ามาก และใกล้เคียงกันในภาษาจีน ในการทดสอบ FLEURS ของเรา SenseVoice Small แม่นยำกว่า Whisper Large V3 Turbo เล็กน้อยในภาษาจีน (7.69% เทียบกับ 7.97%) แต่แม่นยำน้อยกว่าในภาษาญี่ปุ่น (6.78% เทียบกับ 5.30%) ภาษาเกาหลี (7.85% เทียบกับ 4.25%) และภาษาอังกฤษ (8.46% เทียบกับ 5.49%) บน Apple M4 Pro โมเดลนี้ถอดเสียงพอดแคสต์ภาษาจีนความยาว 27 นาทีเสร็จใน 13.83 วินาที ขณะที่ Whisper Large V3 Turbo ใช้เวลา 2 นาที 4 วินาที
SenseVoice หรือ Qwen3-ASR เขียนภาษาจีนตัวเต็มได้ไหม?
ได้ หลังถอดเสียงเสร็จ Whisper Notes จะแปลงข้อความเป็นภาษาจีนตัวย่อหรือตัวเต็มบน Mac ของคุณ ตามภาษาของระบบ หรือตามภาษาจีนที่คุณเลือกไว้ในตัวเลือกภาษา ซึ่งทำงานแบบเดียวกันทั้งกับ SenseVoice และ Qwen3-ASR 1.7B
SenseVoice ใช้บน iPhone ได้ไหม?
ได้ Whisper Notes บน iPhone มี SenseVoice ให้ใช้ควบคู่กับ Parakeet และ Whisper Small จึงถอดเสียงภาษาจีน ญี่ปุ่น เกาหลี กวางตุ้ง และอังกฤษแบบออฟไลน์บนโทรศัพท์ได้ ส่วน Qwen3-ASR 1.7B ไม่มีบน iPhone
ลองใช้งาน
SenseVoice มีอยู่ใน Whisper Notes ทั้งบน iPhone และ Mac ส่วน Qwen3-ASR (เบต้า) มีบน Mac ใช้ปุ่มด้านล่างเพื่อรับแอป iPhone จาก App Store หรือแอป Mac จากเว็บไซต์ของเรา มีคำถาม? ส่งอีเมลมาที่ support@whispernotes.app
ดาวน์โหลดสำหรับ iOS