SenseVoice vs Qwen3-ASR: що обрати для китайської, японської та корейської?

Цифри точності — наші власні. Ми прогнали SenseVoice Small, Qwen3-ASR і Whisper Large V3 Turbo на тих самих прочитаних уголос реченнях FLEURS, приблизно по 30 хвилин на мову, з тими моделями, які постачає Whisper Notes. Швидкості — ті, що застосунок показує на картці кожної моделі; їх виміряно в окремому тесті на коротких фрагментах. Решта тексту описує, як застосунок для Mac працює зараз.

Наскільки Qwen3-ASR точніша за SenseVoice?

Для китайської, японської та корейської — частка помилкових символів (CER), для англійської — частка помилкових слів (WER); що менше, то краще. Зеленим позначено найменше значення в кожному рядку. Наш власний прогін на тестовому наборі FLEURS: близько 30 хвилин і від 139 до 180 прочитаних уголос речень на мову, на Mac. SenseVoice — із заданою мовою. Лише чисте начитане мовлення: шумні приміщення, наради й довгі записи сюди не входять.

Qwen3-ASR помиляється рідше за SenseVoice в кожній мові, яку ми перевіряли. У китайській і японській різниця становить приблизно один пункт: 6,49 % (Qwen3-ASR) проти 7,69 % (SenseVoice) у китайській і 5,74 % проти 6,78 % у японській. Найбільша різниця — у корейській: SenseVoice помиляється більш ніж удвічі частіше, 7,85 % символів проти 3,54 %. В англійській Qwen3-ASR помиляється приблизно в одному слові з 22, а SenseVoice — приблизно в одному з 12.

Whisper Large V3 Turbo за точністю близька до Qwen3-ASR. У японській вона була найточнішою з трьох, у корейській і англійській — другою, а в китайській трохи поступилася SenseVoice.

Наскільки SenseVoice швидша за Qwen3-ASR?

Зеленим позначено швидшу модель. Це швидкості, які застосунок показує на картках моделей: лише час роботи рушія, без завантаження моделі в пам’ять, виміряний на коротких фрагментах в окремому тесті звичайного використання на Mac. SenseVoice показала 115,2× із заданою мовою і 131× з автовизначенням; у Qwen3-ASR до округлення вийшло 7,65×. Час для години аудіо розраховано з цих швидкостей і округлено.

SenseVoice швидша більш ніж у 15 разів. Для годинного запису це приблизно пів хвилини проти приблизно восьми хвилин. Якщо ви розшифровуєте довгі записи або хочете отримати текст одразу, ця різниця важить більше, ніж пункт точності. Якщо ж ви можете зачекати кілька хвилин і хочете менше виправляти, вона не така важлива.

Задайте мову, щоб трохи підвищити точність

Із заданою мовою SenseVoice помилялася рідше, ніж з «Авто», в усіх чотирьох мовах: 7,69 % проти 7,90 % у китайській, 6,78 % проти 6,87 % у японській, 7,85 % проти 8,09 % у корейській і 8,46 % проти 8,51 % в англійській. Різниця невелика, але скрізь в один бік. Qwen3-ASR і Whisper з «Авто» ми не запускали, тож цифр для них немає; сам застосунок підказує, що, крім Parakeet, вибрана мова зазвичай дає точніший результат, ніж «Авто».

Parakeet — виняток: у Whisper Notes вказана мова робила його менш точним, тому він завжди визначає мову сам (див. Parakeet Ultra vs Parakeet V3). На Mac це параметр Мова в розділі Розпізнавання в Налаштуваннях.

Скільки часу потрібно на довгі записи?

У попередньому тесті з реальним записом на Apple M4 Pro SenseVoice розшифрувала 27-хвилинний випуск китайського подкасту з інтерв’ю за 13,83 секунди. На той самий файл Whisper Large V3 Turbo витратила 2 хвилини 4 секунди. Qwen3-ASR у тому тесті участі не брала. Той тест проводили на ранішій версії застосунку; швидкість, близько 117× реального часу, відповідає 115–131× на нинішній картці моделі.

Якщо грубо перерахувати результат того тесту, годинна нарада чи лекція зайняла б на тому самому Mac близько пів хвилини в SenseVoice і близько чотирьох з половиною хвилин у Whisper Large V3 Turbo. Судячи зі швидкостей вище, Qwen3-ASR впоралася б приблизно за вісім хвилин.

Жодна з моделей не обробляє довгий файл за один раз. У застосунку для Mac SenseVoice ділить аудіо на частини до 30 секунд, розрізаючи його на паузах, і показує текст кожної частини, щойно та готова. Qwen3-ASR теж працює частинами до 30 секунд, розрізаючи в найтихішому місці поблизу кожної межі, і текст з’являється поступово, у міру розпізнавання. В обох випадках розшифровка заповнюється частина за частиною, і читати можна ще до того, як оброблено весь файл.

Яку з них можна використовувати на моєму пристрої?

Зелений означає «доступно», бурштиновий — «недоступно».

На iPhone швидкий варіант для китайської, японської та корейської — SenseVoice, а альтернатива — Whisper Small.

Чому для Mac дві версії? Версія з Mac App Store працює в межах обмежень, які Apple встановлює для застосунків з App Store, тому деякі функції є лише у версії для Mac з нашого сайту: голосове введення за Fn, локальний AI-асистент та інструмент командного рядка (передісторія). Моделі розпізнавання мовлення в обох версіях однакові.

Що потрібно кожній моделі на Mac

Розміри завантаження й позначки пам’яті — як у поточній версії для Mac з нашого сайту. Бурштиновим позначено вимогу, яку варто перевірити перед завантаженням. Пікова пам’ять — із того самого тесту звичайного використання, що й швидкості вище; GiB приблизно на 7 % більший за GB.

Жодна з моделей не вбудована. Кожна завантажується один раз зі своєї картки в Налаштуваннях і далі працює офлайн. SenseVoice значно легша: її завантаження приблизно вп’ятеро менше, ніж у Qwen3-ASR, а пам’яті вона займає значно менше половини того, що займає Qwen3-ASR. На Mac, де менше 16 GB пам’яті, картка Qwen3-ASR показує примітку про пам’ять помаранчевим кольором як попередження. Для порівняння: Whisper Large V3 Turbo займає близько 2 GB для завантаження, а на її картці вказано близько 2,4 GB пам’яті.

Яку обрати?

• Найменше помилок, на Mac: Qwen3-ASR 1.7B, в обох версіях для Mac. Вона перевершила SenseVoice в усіх чотирьох мовах нашого тесту. У японській Whisper Large V3 Turbo була ще трохи точнішою: 5,30 % проти 5,74 %.
• Швидкість, довгі записи, Mac з меншим обсягом пам’яті або iPhone: SenseVoice Small. Година аудіо обробляється приблизно за пів хвилини замість приблизно восьми, а завантаження й пам’яті їй потрібно в рази менше.
• Точність для японської чи корейської без Qwen3-ASR 1.7B (їй потрібен macOS 15): Whisper Large V3 Turbo — 5,30 % проти 6,78 % у SenseVoice для японської і 4,25 % проти 7,85 % для корейської. Вона значно повільніша за SenseVoice.
• Інші мови: Parakeet, вбудована модель, — для англійської та 24 інших європейських мов (див. Parakeet Ultra vs Parakeet V3), а Whisper — для решти. Порівняння Qwen3-ASR 1.7B і Whisper у 30 мовах — у нашому тесті Qwen3-ASR vs Whisper. Частоту помилок кожної моделі у 42 мовах наведено в спільній таблиці моделей Whisper Notes.

Що ще варто знати?

• Мітки мовців, часові позначки й субтитри працюють з обома. І SenseVoice, і Qwen3-ASR видають часові позначки, тож мітки мовців і експорт субтитрів у SRT працюють однаково з будь-якою з двох моделей.
• Спрощена чи традиційна китайська залежить від мови системи. Після транскрипції Whisper Notes перетворює китайський текст на спрощені або традиційні ієрогліфи прямо на вашому Mac, відповідно до мови системи. Якщо ви задали мову 简体中文 (спрощена китайська) або 繁體中文 (традиційна китайська), вирішує цей вибір.
• Діалекти ми не перевіряли. У картці моделі, яку опублікувала сама Qwen, зазначено 30 мов і 22 китайські діалекти та акценти. Окремого налаштування діалекту у Whisper Notes немає: ви обираєте китайську або «Авто», а решту робить модель. Діалекти ми не тестували, тож не можемо сказати, наскільки добре з ними справляється кожна з моделей.
• Qwen3-ASR має статус Бета. Якщо вона колись неочікувано зупиниться, Whisper Notes вимкне її під час наступного запуску й перемкнеться на іншу модель, щоб застосунок усе одно відкрився. Щоб спробувати знову, ще раз виберіть Qwen3-ASR у Налаштуваннях.
• Наші цифри стосуються чистого начитаного мовлення. Речення FLEURS читають уголос у тиші. На нарадах, у шумних приміщеннях, з далеким мікрофоном чи сильним акцентом різниця може змінитися в будь-який бік.
• Змішане китайсько-англійське мовлення ми не перевіряли. Ми не вимірювали, як моделі справляються з реченнями, де мова перемикається між китайською та англійською, тож перш ніж зупинитися на одній із них, спробуйте типовий для вас запис.

Як перемкнути модель?

На Mac відкрийте Налаштування й прокрутіть до розділу Модель транскрипції. У кожної моделі є картка: швидкість, для чого вона найкраще підходить, скільки мов охоплює, скільки пам’яті потребує і скільки важить завантаження. Щоб завантажити модель, натисніть її картку або стрілку завантаження на ній; коли модель встановлено, натисніть картку, щоб перейти на неї. Посилання на мови на кожній картці (Підтримувані мови або 30 підтримуваних мов на картці Qwen3-ASR 1.7B) відкриває список усіх мов із нашим рівнем помилок для кожної.

Налаштування → Модель транскрипції у версії для Mac з нашого сайту

Потім у розділі Розпізнавання задайте параметр Мова, а не залишайте «Авто».

Що таке SenseVoice?

Зі статті FunAudioLLM: SenseVoice-Small має 234 мільйони параметрів і обробляє 10 секунд аудіо за 70 мс; Whisper-Large-V3 має 1 550 мільйонів і витрачає на це 1 281 мс. Обидва виміри зроблено на GPU в дата-центрі, а не на Mac.

Qwen3-ASR створила команда Qwen з Alibaba, модель поширюється за ліцензією Apache 2.0. У Whisper Notes вона працює на GPU Mac через MLX у 8-бітному форматі. Її результати порівняно з Whisper у 30 мовах — у нашому тесті Qwen3-ASR.

Часті запитання

Спробуйте

SenseVoice є у Whisper Notes на iPhone і Mac, а Qwen3-ASR (Бета) — лише на Mac. Кнопки нижче ведуть до застосунку для iPhone в App Store і до версії для Mac з нашого сайту. Маєте запитання? Пишіть на support@whispernotes.app.

Завантажити для iOS Завантажити для macOS