Ми хотіли відповісти на одне запитання: чи є локальна модель, яка розпізнає твою мову точніше за Whisper Large V3? Тому ми прогнали ці моделі на датасеті FLEURS.
FLEURS — датасет Google із начитаним мовленням 102 мовами. Ми взяли приблизно по 75 речень на мову й прогнали ті самі записи, у тому самому порядку, через п'ять моделей:
- Parakeet V3
- Whisper Large V3 Turbo
- SenseVoice Small
- Whisper Small
- Qwen3-ASR 1.7B
Ось що вийшло.
Qwen3-ASR 1.7B проти Whisper Large V3 Turbo — наш власний прогін FLEURS, один M5 MacBook Air, начитане мовлення, короткі фрагменти.
| Qwen3-ASR 1.7B | Whisper Large V3 Turbo | |
|---|---|---|
| Підтримувані мови | 30 | 101 |
| Явні переваги | кантонська, гінді, тайська, в'єтнамська, французька (5) | фінська, угорська, грецька та ще 8 мов (11) |
| Швидкість | 8,7× реального часу | 2,4× реального часу |
| Пікова пам'ять | 2,43 GiB | 1,87 GiB |
| Розмір завантаження | близько 2,5 GB | близько 1,6 GB |
Поза сильними мовами кожної моделі різниця в точності невелика.
Whisper Large V3 проти Qwen3-ASR: докладне порівняння
Усі 30 мов — від найбільшого виграшу Qwen до найбільшого програшу. В обох стовпцях менше означає краще.
Наш власний прогін FLEURS, один M5 MacBook Air, начитане мовлення. Для китайської, кантонської, японської, корейської та тайської — CER, для решти — WER; зеленим позначено відрив, ширший за парні 95 % інтервали.
| Мова | Qwen3-ASR 1.7B | Whisper Large V3 Turbo |
|---|---|---|
| Кантонська | 6,00 | 37,97 |
| Гінді | 13,67 | 30,42 |
| Тайська | 5,92 | 12,95 |
| В'єтнамська | 5,07 | 9,79 |
| Перська | 26,98 | 30,03 |
| Арабська | 14,14 | 15,75 |
| Індонезійська | 4,97 | 6,50 |
| Французька | 3,98 | 5,39 |
| Китайська | 5,69 | 6,88 |
| Англійська | 5,07 | 5,92 |
| Німецька | 3,51 | 4,10 |
| Японська | 5,39 | 5,71 |
| Корейська | 3,51 | 3,70 |
| Іспанська | 3,60 | 3,76 |
| Італійська | 2,98 | 3,05 |
| Російська | 5,98 | 5,51 |
| Португальська | 5,64 | 4,91 |
| Македонська | 17,81 | 16,64 |
| Малайська | 11,60 | 10,18 |
| Нідерландська | 7,65 | 5,63 |
| Турецька | 8,34 | 5,53 |
| Данська | 20,12 | 14,92 |
| Польська | 12,78 | 5,32 |
| Румунська | 18,97 | 8,22 |
| Філіппінська | 20,44 | 9,37 |
| Шведська | 20,04 | 8,72 |
| Чеська | 23,92 | 11,15 |
| Грецька | 30,20 | 12,97 |
| Фінська | 26,08 | 6,54 |
| Угорська | 36,35 | 13,66 |
Наш власний парний прогін на тестовому спліті FLEURS, ревізія 70bb2e84, приблизно 75 речень на мову, один M5 MacBook Air.
П'ять мов, де Qwen3-ASR 1.7B виграє впевнено. Частка помилок у відсотках, Qwen проти Turbo: кантонська (6,0 проти 38,0), гінді (13,7 проти 30,4), тайська (5,9 проти 13,0), в'єтнамська (5,1 проти 9,8), французька (4,0 проти 5,4). Кантонську й тайську рахують за символами, решту — за словами. Перевага Qwen — у мовах, які рахують за символами: на китайській, кантонській, японській, корейській і тайській він дав у середньому 5,3 % проти 13,4 % у Turbo. На решті двадцяти п'яти, де рахунок іде за словами, у нього в середньому 14,0 % проти 10,2 % у Turbo.
Одинадцять мов, де Whisper Large V3 Turbo виграє впевнено. Частка помилок у відсотках, Qwen проти Turbo, скрізь рахунок за словами: угорська (36,4 проти 13,7), грецька (30,2 проти 13,0), фінська (26,1 проти 6,5), чеська (23,9 проти 11,2), філіппінська (20,4 проти 9,4), данська (20,1 проти 14,9), шведська (20,0 проти 8,7), румунська (19,0 проти 8,2), польська (12,8 проти 5,3), турецька (8,3 проти 5,5), нідерландська (7,7 проти 5,6).
Чотирнадцять мов, де відриву майже немає. Англійська (5,1 проти 5,9), німецька (3,5 проти 4,1), іспанська (3,6 проти 3,8), італійська (3,0 проти 3,1), російська (6,0 проти 5,5), португальська (5,6 проти 4,9); китайську (5,7 проти 6,9), японську (5,4 проти 5,7) і корейську (3,5 проти 3,7) рахують за символами. Далі — арабська, індонезійська, перська, малайська та македонська. Усі відриви тут маленькі й уміщаються в 95 % інтервал, тож цей прогін не розділяє двох моделей.
Кантонська — єдиний рядок, який справді змінює рішення: 6,00 % проти 37,97 %. SenseVoice Small, який ми раніше називали відповіддю для кантонської, дав на тих самих записах 36,71 % CER. На цьому наборі начитаного мовлення планку не бере жоден із двох, тож стара рекомендація віднині йде із цим застереженням.
Наскільки швидкий Qwen3-ASR 1.7B?
Усі п'ять рушіїв виміряно на тому самому стенді, на одній машині (M5 MacBook Air), тож між собою вони порівнянні.
Медіанний коефіцієнт реального часу за мовами кожного рушія в тому самому прогоні FLEURS, один M5 MacBook Air, начитане мовлення.
| Рушій | Мови | Медіанна швидкість у цьому прогоні (короткі фрагменти) |
|---|---|---|
| SenseVoice Small | 6 мов | 161,0× |
| Parakeet TDT 0.6B v3 | 25 | 82,9× |
| Qwen3-ASR 1.7B | 30 заявлених | 8,7× |
| Whisper Small | 101 | 6,4× |
| Whisper Large V3 Turbo | 101 | 2,4× |
Це цифри зі стенда на коротких фрагментах, і вони нижчі за те, що ті самі рушії видають на довгому записі. Стовпець годиться лише для порівняння рушіїв між собою всередині цього прогону.
Parakeet V3 і SenseVoice Small на тому самому стенді приблизно на порядок швидші за Qwen3-ASR. На довгих файлах, а не на коротких фрагментах, Parakeet виходив на 103× реального часу на M4 Pro, а SenseVoice — на 52× і вище: інший вимір на іншому аудіо, але висновок той самий.
Qwen3-ASR посередині. У цьому прогоні на коротких фрагментах він не був найповільнішим: найповільнішим виявився Whisper Large V3 Turbo. Але розкид за мовами в нього більший, ніж у решти: від 2,7× на грецькій до 12,4× на японській.
Скільки Qwen3-ASR займає пам'яті та місця на диску?
Пікова пам'ять — максимальний обсяг процесу, зафіксований на елементах того самого прогону FLEURS, один M5 MacBook Air, начитане мовлення, короткі фрагменти.
| Рушій | Розмір завантаження | Пікова пам'ять у цьому прогоні |
|---|---|---|
| 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 | близько 1,6 GB | 1,87 GiB |
| Qwen3-ASR 1.7B | близько 2,5 GB | 2,43 GiB |
За обома осями Qwen3-ASR найважчий із п'яти: близько 2,5 GB завантаження і 2,43 GiB пікової пам'яті процесу в цьому прогоні проти приблизно 1,6 GB і 1,87 GiB у Whisper Large V3 Turbo.
На машині з 8 GB є легший шлях. Parakeet V3 закриває 25 мов у 465 MB і 0,09 GiB, а Whisper Small — 101 мову в 600 MB і 0,87 GiB.
Як ми вимірювали: FLEURS, 30 мов, один Mac
Qwen3-ASR 1.7B працював як збірка MLX 8-bit, Whisper Large V3 Turbo — як збірка ggml для whisper.cpp на Metal. Дані — тестовий спліт Google FLEURS ревізії 70bb2e84 (CC-BY-4.0): 83 мови зі 102, приблизно по 75 речень і 15 хвилин на кожну, ті самі записи в тому самому порядку для всіх моделей; парне порівняння — це 30 мов Qwen. WER для мов із пробілами між словами, CER для китайської, кантонської, японської, корейської та тайської, без зведення в одне число; інтервали — бутстреп за елементами, 10 000 перевибірок. Один M5 MacBook Air, 32 GB, macOS 26.5, жодна з двох моделей не дала порожніх виводів чи збоїв.
FLEURS — це начитане мовлення, а не нарада й не диктування. Рейтинги на начитаному мовленні двічі не пережили в нас зустріч зі справжнім аудіо, тож ми не переносимо їх на довгі записи: ці таблиці кажуть, чи варто пробувати модель твоєю мовою, а не яку точність ти отримаєш. Про оцінку Qwen3-ASR 1.7B на справжніх нарадах буде окремий текст.
Чи варто переходити з Whisper Large V3 на Qwen3-ASR?
Ось як ми відповіли б на це за мовами, всередині Whisper Notes для Mac.
- Якщо ти розшифровуєш кантонську, гінді, тайську, в'єтнамську чи французьку — бери Qwen3-ASR 1.7B.
- Якщо ти розшифровуєш китайську, японську, корейську, англійську, німецьку, іспанську чи італійську — він попереду на волосину, і на більше ми не претендуємо. Підійде будь-яка з двох моделей; те саме з перською, арабською, індонезійською, російською, португальською, македонською та малайською.
- Якщо ти розшифровуєш фінську, угорську, грецьку, чеську, шведську, данську, польську, румунську, філіппінську, турецьку чи нідерландську — лишайся на Whisper Large V3 Turbo. Усі одинадцять він виграв упевнено.
- Якщо тобі важать швидкість або місце на диску — цей рушій не підійде. Parakeet V3 і SenseVoice Small виявилися на порядок швидшими, а важать у рази менше; Whisper Small закриває 101 мову в 600 MB на 6,4×.
- Якщо в тебе iPhone або збірка з Mac App Store — рушія там поки немає. На цих каналах кантонську закриває SenseVoice.
Це перенесення відкритої моделі Alibaba Qwen3-ASR на пристрій, зроблене в Whisper Notes для Mac: відкриті ваги переведено в Apple MLX у 8-bit, і вони працюють на власному GPU твого Mac, аудіо не йде на сервери Alibaba. Це не та сама модель, що 0.6B, яку SenseVoice замінив у прямому завантаженні для Mac (DMG) 1.5.0.
Як увімкнути (пряме завантаження для Mac, DMG 1.6.0 і новіші): Налаштування → Модель транскрипції → Qwen3-ASR 1.7B. Модель завантажується у самому застосунку під час першого використання і важить близько 2,5 GB. Потрібен macOS 15 або новіший на Apple silicon, рекомендовано 16 GB пам'яті; решта застосунку працює на macOS 14. Список мов за рушіями — на сторінці підтримки мов. Локальний CLI та MCP-сервер приймають «qwen», «qwen3» і «qwen3-asr».
Якщо міняти не хочеться, міняти нічого й не треба: Parakeet V3 і далі стоїть за замовчуванням.
Поширені запитання
Чи точніший Qwen3-ASR за Whisper Large V3 Turbo?
Залежить від мови, і рахунок майже рівний. У нашому прогоні FLEURS усередині Whisper Notes для Mac на 30 мовах, які покривають обидві моделі, Qwen3-ASR 1.7B був попереду в 15, а Whisper Large V3 Turbo — у 15. Qwen упевнено вів на кантонській (6,00 % проти 37,97 % CER), гінді (13,67 % проти 30,42 % WER), тайській, в'єтнамській і французькій. Turbo впевнено вів на фінській (6,54 % проти 26,08 % WER), угорській, грецькій, чеській, шведській, данській, польській, румунській, філіппінській, турецькій і нідерландській. Чотирнадцять із тридцяти відривів уміщаються в інтервали похибки й читаються як нічия. Обирай Qwen3-ASR, якщо твоя мова в його виграшному стовпці і в тебе пряме завантаження Whisper Notes для Mac (DMG); у решті випадків і для будь-якої мови поза тими 30 — Whisper Large V3 Turbo: у нього їх 101.
Чи можна користуватися Qwen3-ASR на iPhone або у версії з Mac App Store?
Сьогодні він є у прямому завантаженні Whisper Notes для Mac (DMG), починаючи з версії 1.6.0. Версія з Mac App Store має отримати новіші рушії в наступних релізах, але дати в нас немає. Поки що в застосунку для iPhone і у збірці з Mac App Store три сімейства рушіїв — Whisper, Parakeet V3 і SenseVoice — і кожну мову, яку розпізнає Qwen, там покриває Whisper. Якщо рахувати моделями, у збірці з Mac App Store їх сьогодні чотири, а в прямому завантаженні п'ять, бо Whisper постачається і як Small, і як Large V3 Turbo. Якщо кантонська потрібна на iPhone, там для цього є SenseVoice.
Qwen3-ASR чи SenseVoice для китайської, японської та корейської?
За точністю вони близько, за швидкістю — дуже далеко одне від одного. У нашому прогоні FLEURS Qwen3-ASR дав 5,69 % CER на китайській, 5,39 % на японській і 3,51 % на корейській; SenseVoice Small на тих самих записах — 7,06 %, 6,85 % і 7,82 %. При цьому SenseVoice ішов на медіанних 161× реального часу проти 8,7× у Qwen, важить 827 MB проти приблизно 2,5 GB і доступний на iPhone та в обох збірках для Mac. Обирай SenseVoice, якщо тільки не розшифровуєш кантонську: там у Qwen3-ASR 6,00 % CER проти 36,71 % у SenseVoice, і відрив достатньо великий, щоб зачекати довше.
Які системні вимоги в Qwen3-ASR 1.7B?
Mac на Apple silicon із macOS 15 або новішою, рекомендовано 16 GB пам'яті, плюс близько 2,5 GB на диску під саму модель. Це вище, ніж у решти Whisper Notes для Mac, який працює на macOS 14 і новіших. У нашому прогоні пікова пам'ять процесу в моделі дійшла до 2,43 GiB — найвищий результат із п'яти рушіїв. На Mac із 8 GB той самий список зі 101 мови закриває Whisper Small у 600 MB, а 25 європейських мов — Parakeet V3 у 465 MB.
Чи залишає аудіо мій Mac, коли я користуюся Qwen3-ASR?
Ні. Alibaba пропонує Qwen3-ASR і як хмарний сервіс — через API DashScope Real-time і FileTrans, куди аудіо завантажується на їхні сервери. Whisper Notes ними не користується. Він запускає відкриті ваги локально, як модель MLX 8-bit на GPU твого Mac, без облікового запису й без API-ключа, і розшифровка працює з вимкненою мережею. Так само влаштоване кожне сімейство рушіїв у застосунку, на будь-якому каналі.
Чому ці цифри не збігаються з точністю на моїх записах?
Тому що FLEURS — це коротке, чисте, начитане мовлення, а твої записи — ні. Наш прогін — це калібрування на відкритому датасеті: приблизно по 75 речень на мову, один M5 MacBook Air, ті самі записи для всіх моделей. Він корисний, щоб зрозуміти, чи варто пробувати модель конкретною мовою, і не передбачає твоєї точності на нараді, на шумному аудіо, на мовленні з акцентом чи на двогодинному файлі.
Спробуй
Qwen3-ASR 1.7B є у Whisper Notes для Mac 1.6.0 і новіших, тільки в прямому завантаженні (DMG). Налаштування → Модель транскрипції. Безкоштовний пробний період — 10 000 слів: вистачить, щоб прогнати свою мову й посперечатися з таблицями вище.
Якщо знайдеш мову, де наші цифри розходяться з твоїм досвідом, напиши на mac@whispernotes.app. Повний список змін: whispernotes.app/changelog.
Джерела всього сказаного вище: наш прогін на тестовому спліті Google FLEURS ревізії 70bb2e84, картка моделі Qwen3-ASR 1.7B і таблиця мов за рушіями на сторінці підтримки мов, яка генерується з вихідного коду застосунку.
Завантажити для macOS