Từ macOS 26 và iOS 26, Apple đã cung cấp một thế hệ nhận dạng giọng nói mới chạy trên thiết bị — SpeechAnalyzer và SpeechTranscriber, dưới đây gọi tắt là Apple Speech. Công cụ này chính xác hơn rõ rệt so với hệ thống đọc chính tả cũ. Bọn mình muốn biết nó thể hiện ra sao trong thực tế khi so với các mô hình mở chạy trên thiết bị mà mọi người tải về — Whisper, Parakeet, Qwen3-ASR và SenseVoice: tính năng nhận dạng giọng nói tích hợp của Apple hiện đã đủ tốt để bạn có thể bỏ hẳn ứng dụng phiên âm chưa?
Nó tốt hơn tính năng đọc chính tả bạn đã có đến mức nào?
Cho đến nay, tính năng nhận dạng giọng nói trên máy Mac vẫn dùng công cụ từ thời SFSpeechRecognizer, cũng là công cụ mà tính năng đọc chính tả của hệ thống hiện vẫn dùng (DictationTranscriber). macOS 26 và iOS 26 bổ sung API SpeechAnalyzer cùng mô-đun SpeechTranscriber. Bọn mình đã chạy cả hai trên phần kiểm thử FLEURS, khoảng 150 câu và 30 phút cho mỗi ngôn ngữ, trên cùng một máy Mac.
| Ngôn ngữ | Apple Dictation | Apple Speech |
|---|---|---|
| Tiếng Hàn | 7,11 | 4,31 |
| Tiếng Ý | 6,93 | 4,39 |
| Tiếng Tây Ban Nha (Mỹ Latinh) | 8,43 | 5,41 |
| Tiếng Đức | 12,69 | 6,26 |
| Tiếng Nhật | 9,37 | 6,36 |
| Tiếng Pháp | 17,10 | 7,61 |
| Tiếng Trung | 10,28 | 7,97 |
| Tiếng Quảng Đông | 10,18 | 8,69 |
| Tiếng Anh | 13,83 | 8,80 |
| Tiếng Bồ Đào Nha (Brasil) | 10,85 | 9,35 |
Mọi ngôn ngữ mà cả hai công cụ của Apple đã đo rõ ràng, sắp xếp theo tỷ lệ lỗi của Apple Speech; màu xanh lá đánh dấu giá trị tốt hơn trong hàng. Cùng một lượt chạy, cùng các đoạn âm thanh, cùng một máy Mac. CER cho tiếng Nhật, Hàn, Trung và Quảng Đông, WER cho các ngôn ngữ còn lại.
Apple Speech đã chính xác hơn ở cả mười ngôn ngữ mà hai công cụ đều đo rõ ràng. Tiếng Pháp và tiếng Đức đã giảm hơn một nửa số lỗi, ngôn ngữ trung vị giảm khoảng một phần ba, còn tiếng Bồ Đào Nha Brasil và tiếng Quảng Đông giảm khoảng một lỗi trong bảy lỗi.
Tính năng đọc chính tả vẫn hỗ trợ nhiều ngôn ngữ hơn. Trong lượt chạy này, Apple Speech đã cho kết quả ở 21 trong 83 cấu hình ngôn ngữ, còn tính năng đọc chính tả là 33, bao gồm ba ngôn ngữ mà công cụ mới còn thiếu ở đây: tiếng Hà Lan, tiếng Ba Lan và tiếng Nga, với 17,34, 13,50 và 13,13. Cũng không có danh sách cố định để trích dẫn. Tài nguyên ngôn ngữ thuộc về macOS, nên ứng dụng phải hỏi trong thời gian chạy xem một máy cụ thể có gì.
Vậy bạn có thể bỏ qua các mô hình phải tải về không?
Sáu công cụ, cùng các đoạn âm thanh, một máy Mac. Mười ngôn ngữ dưới đây thuộc nhóm được sử dụng nhiều nhất và được xếp theo thứ tự cố định, không liên quan đến điểm số.
| Ngôn ngữ | Apple Speech | Qwen3-ASR | Whisper Large | Whisper Small | Parakeet | SenseVoice |
|---|---|---|---|---|---|---|
| Tiếng Anh | 8,80 | 4,49 | 5,49 | 7,04 | 6,89 | 8,46 |
| Tiếng Đức | 6,26 | 2,85 | 4,05 | 8,67 | 6,26 | — |
| Tiếng Hà Lan | — | 7,36 | 5,69 | 16,75 | 8,58 | — |
| Tiếng Nga | — | 5,65 | 5,13 | 11,37 | 7,12 | — |
| Tiếng Ba Lan | — | 12,59 | 5,45 | 15,81 | 8,30 | — |
| Tiếng Nhật | 6,36 | 5,74 | 5,30 | 11,37 | — | 6,78 |
| Tiếng Hàn | 4,31 | 3,54 | 4,25 | 7,30 | — | 7,85 |
| Tiếng Pháp | 7,61 | 4,57 | 5,97 | 13,24 | 5,83 | — |
| Tiếng Trung | 7,97 | 6,49 | 7,97 | 20,50 | — | 7,69 |
| Tiếng Tây Ban Nha (Mỹ Latinh) | 5,41 | 3,38 | 3,62 | 6,22 | 4,86 | — |
Mười trong số những ngôn ngữ được sử dụng nhiều nhất, mỗi cột là một công cụ. Mỗi ô là tỷ lệ lỗi của công cụ đó, càng thấp càng tốt; màu xanh lá đánh dấu giá trị thấp nhất trong hàng, màu trắng là thấp thứ hai. Dùng CER cho tiếng Nhật, tiếng Hàn và tiếng Trung, WER cho các ngôn ngữ còn lại; không bao giờ gộp thành một con số. Lần chạy FLEURS do nhóm Whisper Notes thực hiện, trên một chiếc M5 MacBook Air, với giọng đọc.
Tên ngắn: Qwen3-ASR = Qwen3-ASR 1.7B, Whisper Large = Whisper Large V3 Turbo, Parakeet = Parakeet V3, SenseVoice = SenseVoice Small. Dấu gạch ngang có nghĩa là công cụ không có mô hình cho ngôn ngữ đó.
Qwen3-ASR 1.7B đã có tỷ lệ lỗi thấp nhất ở sáu trong mười ngôn ngữ, Whisper Large V3 Turbo dẫn bốn ngôn ngữ còn lại, còn Apple Speech không dẫn ngôn ngữ nào. Công cụ này đã tiến gần nhất ở tiếng Hàn, kém công cụ dẫn đầu hàng 0,77 điểm, sau đó là tiếng Nhật với 1,06 và tiếng Trung với 1,48; ở tiếng Trung, nó ngang Whisper Large V3 Turbo tại 7,97. Khoảng cách lớn nhất là ở tiếng Anh, 8,80 (Apple Speech) so với 4,49 (Qwen3-ASR 1.7B), còn tiếng Hà Lan, Ba Lan và Nga hoàn toàn không có kết quả Apple Speech.
So với Whisper Small, Apple Speech đã chính xác hơn ở tám trong mười ngôn ngữ mà cả hai đều đo rõ ràng. Hai ngôn ngữ nó đã thua là tiếng Anh, 8,80 (Apple Speech) so với 7,04 (Whisper Small), và tiếng Bồ Đào Nha Brasil, 9,35 so với 8,61.
Một phép đo được công bố vào tháng Bảy đã đo Apple Speech trên tiếng Anh so với Whisper Small và xếp Apple cao hơn. Phiên bản Whisper được đem ra so sánh rất quan trọng, và các đoạn âm thanh cũng vậy. Phép đo đó đã dùng LibriSpeech, tức giọng người kể sách nói đọc thành tiếng; bọn mình dùng FLEURS, gồm nhiều người nói khác nhau đọc các câu trên Wikipedia. Lượt chạy của bọn mình cho thấy khoảng cách ở tiếng Anh nhưng không thể chỉ ra nguyên nhân.
So với Whisper Large V3 Turbo, thứ tự đã đảo ngược. Apple Speech đã xếp sau ở tám trong mười ngôn ngữ đó, ngang bằng ở tiếng Trung với 7,97 và chỉ dẫn trước ở tiếng Quảng Đông, 8,69 (Apple Speech) so với 36,75 (Whisper Large V3 Turbo) — xem hàng tiếng Quảng Đông bên dưới. Ghi chú phát hành Turbo của OpenAI nêu tiếng Quảng Đông trong số những ngôn ngữ mà mô hình suy giảm mạnh nhất, nên 36,75 là một điểm yếu đã biết của Whisper chứ không phải điểm bất thường trong lượt chạy của bọn mình.
Ở tiếng Hàn, Apple Speech đã nhận sai khoảng một trong 23 ký tự. Mô hình chính xác nhất trong lượt chạy này, Qwen3-ASR 1.7B, đã nhận sai khoảng một trong 28 ký tự: 4,31 (Apple Speech) so với 3,54 (Qwen3-ASR 1.7B).
Parakeet V3 cần tải xuống 465 MB và đã chính xác hơn ở mọi ngôn ngữ châu Âu mà cả hai cùng hỗ trợ: 6,89 (Parakeet V3) so với 8,80 (Apple Speech) ở tiếng Anh, 5,83 so với 7,61 ở tiếng Pháp, 4,86 so với 5,41 ở tiếng Tây Ban Nha, 3,43 so với 4,39 ở tiếng Ý và 6,49 so với 9,35 ở tiếng Bồ Đào Nha Brasil; hai công cụ đã bằng nhau ở tiếng Đức với 6,26. Mô hình này không có tiếng Nhật, Hàn, Trung hay Quảng Đông; ở đó Apple Speech là công cụ duy nhất trong hai công cụ có thể dùng.
Sáu hàng mà Qwen3-ASR 1.7B đã dẫn đầu bao gồm tiếng Anh, Đức, Pháp và Tây Ban Nha.
SenseVoice Small đã chạy nhanh nhất ở đây, với 162,3× thời gian thực; ở tiếng Trung và tiếng Anh, công cụ này đã ngang với Apple Speech: 7,69 (SenseVoice Small) so với 7,97 (Apple Speech) và 8,46 so với 8,80. Ở tiếng Hàn, nó đã tụt xa, 7,85 (SenseVoice Small) so với 4,31 (Apple Speech).
Kích thước và tốc độ
| Công cụ | Tốc độ | Bộ nhớ đỉnh | Dung lượng tải xuống |
|---|---|---|---|
| SenseVoice Small | 162,3× thời gian thực | 0,95 GiB | 827 MB |
| Parakeet V3 | 75,6× thời gian thực | 0,09 GiB | 465 MB |
| Apple Speech | 30,8× thời gian thực | không được báo cáo | <5 MB |
| Qwen3-ASR 1.7B | 11,1× thời gian thực | 2,43 GiB | khoảng 2,5 GB |
| Whisper Small | 7,9× thời gian thực | 0,87 GiB | 600 MB |
| Whisper Large V3 Turbo | 3,0× thời gian thực | 1,87 GiB | khoảng 1,6 GB |
Tốc độ là giá trị trung vị của từng công cụ trên mười ba ngôn ngữ mà bài viết này đo được rõ ràng, chỉ tính những ngôn ngữ công cụ đó đã chạy — thông lượng khi xử lý từng mục riêng lẻ, một chỉ số chẩn đoán chứ không phải độ trễ của sản phẩm. Bộ nhớ đỉnh là mức cao nhất của nhóm tiến trình trong lần chạy này. Apple Speech giải mã bên trong một dịch vụ macOS không thuộc về ứng dụng gọi, nên bất kỳ con số nào ở đó cũng không mang cùng ý nghĩa với năm công cụ còn lại.
Apple Speech đã chạy ở 30,8× thời gian thực, sau Parakeet V3 ở 75,6× và SenseVoice Small ở 162,3×. Gói ngôn ngữ được macOS tải xuống một lần và dùng chung cho mọi ứng dụng, nên không có gì được phân bổ trong tiến trình riêng của ứng dụng. Dịch vụ thực hiện giải mã vẫn dùng bộ nhớ nhưng bọn mình không thể quy chính xác phần đó; vì vậy, bọn mình không báo cáo con số nào thay vì ghi số không.
Whisper Large V3 Turbo là công cụ chậm nhất ở đây với 3,0× thời gian thực và đã có tỷ lệ lỗi thấp nhất ở bốn trong mười hàng, với khoảng 1,6 GB trên ổ đĩa. Qwen3-ASR 1.7B đã dẫn sáu hàng còn lại, với khoảng 2,5 GB trên ổ đĩa và bộ nhớ đỉnh 2,43 GiB. Whisper Small với 600 MB là phép so sánh hợp lý cho một công cụ tích hợp.
Apple Speech phù hợp với những ngôn ngữ nào?
Theo từng ngôn ngữ:
- Tiếng Anh: không phù hợp. Apple Speech đã đạt 8,80; Qwen3-ASR 1.7B (4,49) hoặc Whisper Large V3 Turbo (5,49) rõ ràng chính xác hơn.
- Tiếng Đức: không phù hợp. Apple Speech đã đạt 6,26; Qwen3-ASR 1.7B (2,85) hoặc Whisper Large V3 Turbo (4,05) rõ ràng chính xác hơn.
- Tiếng Hà Lan, tiếng Nga và tiếng Ba Lan: Apple Speech không có mô hình cho ba ngôn ngữ này. Whisper Large V3 Turbo đã chính xác nhất ở cả ba, lần lượt đạt 5,69, 5,13 và 5,45.
- Tiếng Nhật: dùng được. Apple Speech đã đạt 6,36, xếp sau Whisper Large V3 Turbo ở mức 5,30.
- Tiếng Hàn: dùng được. Apple Speech đã đạt 4,31, xếp sau Qwen3-ASR 1.7B ở mức 3,54.
- Tiếng Pháp: không phù hợp. Apple Speech đã đạt 7,61; Qwen3-ASR 1.7B (4,57) hoặc Parakeet V3 (5,83) rõ ràng chính xác hơn.
- Tiếng Trung: dùng được. Apple Speech đã đạt 7,97, ngang với Whisper Large V3 Turbo; công cụ chính xác nhất là Qwen3-ASR 1.7B ở mức 6,49.
- Tiếng Tây Ban Nha: không phù hợp. Apple Speech đã đạt 5,41; Qwen3-ASR 1.7B (3,38) hoặc Whisper Large V3 Turbo (3,62) rõ ràng chính xác hơn.
Trong lượt chạy này, các mô hình tải về vẫn vượt trội về độ chính xác: mọi hàng trong bảng chính đều đã do Qwen3-ASR 1.7B hoặc Whisper Large V3 Turbo dẫn đầu. Apple Speech là một lựa chọn thực tế cho tiếng Hàn, Nhật và Trung; với các ngôn ngữ châu Âu, Parakeet V3 là lựa chọn nên dùng.
Trong Whisper Notes cho Mac, Parakeet V3 vẫn là mô hình mặc định. Trong ứng dụng Mac tải từ trang web của chúng tôi, Apple Speech có thể chọn làm mô hình tùy chọn trên macOS 26 trở lên, và ứng dụng chỉ đưa ra một ngôn ngữ khi macOS báo rằng máy Mac của bạn hỗ trợ ngôn ngữ đó.
Apple Speech là cách bài viết này gọi tắt SpeechTranscriber của Apple, API chạy trên thiết bị mà mọi ứng dụng Mac đều có thể gọi trên macOS 26 trở lên. Đây là công cụ của hệ thống chứ không phải mô hình bạn tải xuống: Whisper Notes cho Mac có thể dùng nó ở bản tải từ trang web của chúng tôi, với gói ngôn ngữ do macOS cung cấp. Các mô hình mà ứng dụng tự tải xuống vẫn là Whisper, Parakeet V3, SenseVoice và Qwen3-ASR ở bản đó, còn trên iPhone và bản Mac App Store là Whisper, Parakeet V3 và SenseVoice. Bảng theo từng công cụ chính là danh sách ngôn ngữ mà Whisper, Parakeet V3 và SenseVoice hỗ trợ.
Ngoài mười ngôn ngữ
| Ngôn ngữ | Apple Speech | Qwen3-ASR | Whisper Large | Whisper Small | Parakeet | SenseVoice |
|---|---|---|---|---|---|---|
| Tiếng Ý | 4,39 | 2,58 | 2,58 | 7,64 | 3,43 | — |
| Tiếng Quảng Đông | 8,69 | 6,44 | 36,75 | 119,01 | — | 37,23 |
| Tiếng Bồ Đào Nha (Brasil) | 9,35 | 5,17 | 5,44 | 8,61 | 6,49 | — |
| Tiếng Hindi | 101,50 | 13,19 | 29,64 | 61,26 | — | — |
Bốn ngôn ngữ khác trong cùng lượt chạy. Cùng các cột, màu sắc và tên viết tắt như trên; CER cho tiếng Quảng Đông, WER cho các ngôn ngữ còn lại.
Kết quả tiếng Hindi của Apple Speech đã bị loại khỏi thứ hạng của hàng đó vì lý do bên dưới. Tỷ lệ lỗi có thể vượt 100% vì từ được chèn thêm cũng được tính vào tử số.
Tiếng Ý với 4,39 (Apple Speech) đã xếp sau vị trí bằng nhau 2,58 của Qwen3-ASR 1.7B và Whisper Large V3 Turbo. Tiếng Quảng Đông là ngôn ngữ duy nhất mà Apple Speech đã xếp trên Whisper Large V3 Turbo, 8,69 (Apple Speech) so với 36,75 (Whisper Large V3 Turbo), còn Qwen3-ASR 1.7B dẫn đầu với 6,44. Tiếng Bồ Đào Nha Brasil đạt 9,35 (Apple Speech), một trong hai hàng mà Whisper Small, với 8,61, đã dẫn trước.
Tiếng Hindi đã cho một kiểu kết quả khác. Apple Speech đã viết tiếng Hindi bằng chữ cái tiếng Anh thay vì viết theo cách viết riêng của tiếng Hindi, nên gần như mọi từ đều bị tính là sai và tỷ lệ vượt 100%. Tiếng Telugu, Urdu, Punjabi, Bengali, Nepali, Malayalam, Marathi, Kannada, Gujarati và Tamil cũng đã cho kết quả theo cách đó, tất cả đều trên 100%, nên không được đưa vào bảng.
SpeechAnalyzer hoạt động như thế nào
SpeechAnalyzer thay thế API nhận dạng giọng nói mà Apple đã cung cấp từ iOS 10 trên mọi nền tảng Apple trừ watchOS. Ứng dụng tạo một SpeechAnalyzer, thêm các mô-đun rồi đưa âm thanh vào dưới dạng chuỗi bất đồng bộ do chính ứng dụng điền dữ liệu; SpeechTranscriber là mô-đun chuyển giọng nói thành văn bản. Kết quả trở về dưới dạng chuỗi thứ hai, thường trên một tác vụ khác, và mỗi vùng đệm cùng mỗi kết quả đều có mã thời gian theo dòng thời gian riêng của âm thanh.
Một phiên, ba tác vụ: âm thanh đi vào dưới dạng AsyncSequence, SpeechAnalyzer và SpeechTranscriber phân tích nó, còn kết quả trở về dưới dạng AsyncSequence thứ hai để giao diện đọc. Nguồn: Apple, phiên 277 của WWDC25.
Kết quả được gửi về hai lần. Mọi nội dung nằm trong vùng mà Apple gọi là phạm vi khả biến vẫn có thể được thay bằng kết quả tốt hơn; mọi nội dung bên ngoài vùng đó là kết quả cuối cùng. Nhờ vậy, ứng dụng có thể hiển thị bản chép thô khi bạn vẫn đang nói rồi sửa lại sau đó. Apple nêu năm mục tiêu thiết kế cho mô hình SpeechTranscriber: âm thanh dài, lời nói hội thoại, người nói ở xa, độ trễ thấp và quyền riêng tư, tức là mô hình chạy trên thiết bị. Ghi chú, Ghi âm, Nhật ký và tính năng tóm tắt cuộc gọi đều được xây dựng trên mô hình này.
Năm mục tiêu thiết kế mà Apple công bố cho mô hình SpeechTranscriber. Nguồn: Apple, phiên 277 của WWDC25.
Các mô hình không nằm trong bất kỳ ứng dụng nào. Chúng được tải từ máy chủ Apple thông qua AssetInventory, do hệ thống lưu trữ và cập nhật rồi được dùng chung giữa các ứng dụng. Chúng không làm tăng kích thước tải xuống của ứng dụng, và việc giải mã diễn ra bên ngoài tiến trình gọi. Khi SpeechTranscriber không có mô hình cho một ngôn ngữ hoặc thiết bị, DictationTranscriber tiếp quản bằng chính các mô hình mà tính năng đọc chính tả của hệ thống dùng.
Phương pháp và giới hạn
Năm trong sáu công cụ ở các bảng này là những mô hình Whisper Notes tải xuống. Mỗi công cụ đã phiên âm cùng các đoạn âm thanh, theo cùng thứ tự, lần lượt từng đoạn, trên một chiếc M5 MacBook Air (32 GB, macOS 27.0). Âm thanh lấy từ phần kiểm thử của Google FLEURS ở bản sửa đổi 70bb2e84, khoảng 150 câu và 30 phút cho mỗi ngôn ngữ. Một hàm băm cố định của mã định danh mục trong chính tập dữ liệu đã sắp xếp các mục theo thứ tự, và bọn mình lấy chuỗi mục đầy đủ ngắn nhất vượt quá ba mươi phút; không có đầu ra mô hình nào tham gia vào lựa chọn đó. Mỗi ô đã được dựng lại từ chứng từ riêng rồi kiểm tra lại; cả 285 ô đều đã vượt qua. Điểm số là tỷ lệ lỗi từ khi các từ được phân tách bằng khoảng trắng, và tỷ lệ lỗi ký tự cho tiếng Nhật, Hàn, Trung và Quảng Đông; hai tỷ lệ này không bao giờ được gộp thành một con số.
Bạn có thể kiểm tra các cột Whisper bằng số liệu của chính OpenAI. Với mười hai ngôn ngữ mà OpenAI công bố kết quả FLEURS cho Whisper Large V3 Turbo, số liệu của bọn mình cách số liệu đó trung bình 0,7 điểm, và mười trong mười hai nằm trong khoảng 95% của lượt chạy; với mười một ngôn ngữ ngoài các hàng ngôn ngữ Ấn Độ, số liệu Whisper Small của bọn mình cách trung bình 1,0 điểm so với bảng theo ngôn ngữ trong bài báo Whisper. Cột Apple Speech được tạo từ cùng các đoạn âm thanh, cùng bộ chấm điểm và cùng bộ chuẩn hóa.
FLEURS là giọng đọc sạch. Không điều gì ở đây cho biết các công cụ này hoạt động ra sao trong phòng ồn hoặc suốt cuộc họp kéo dài hai giờ, và bọn mình chưa đo khoảng cách giữa chúng trong các tình huống đó. Tất cả đã chạy trên một máy. Với khoảng 150 câu cho mỗi ngôn ngữ, hai công cụ cách nhau dưới khoảng một điểm được xem là ngang nhau; bảng đã đánh dấu các trường hợp bằng nhau hoàn toàn theo cách đó, chẳng hạn ở tiếng Ý, nơi Qwen3-ASR 1.7B và Whisper Large V3 Turbo đều đã đạt 2,58.
Câu hỏi thường gặp
Apple Speech hay Whisper Small: cái nào chính xác hơn?
Apple Speech, ở tám trong mười ngôn ngữ mà cả hai đều đo rõ ràng. Nó thua tiếng Anh, 8,80 (Apple Speech) so với 7,04 (Whisper Small), và tiếng Bồ Đào Nha Brasil, 9,35 so với 8,61. Khoảng cách lớn nhất của nó là tiếng Trung, 7,97 (Apple Speech) so với 20,50 (Whisper Small); tiếng Pháp, 7,61 so với 13,24; tiếng Nhật, 6,36 so với 11,37; và tiếng Quảng Đông, 8,69 so với 119,01. Whisper Small cần tải xuống 600 MB và đã chạy ở 7,9× thời gian thực, so với 30,8× của Apple Speech.
Apple Speech hay Parakeet V3: cái nào chính xác hơn?
Parakeet V3, ở mọi ngôn ngữ châu Âu mà cả hai cùng hỗ trợ: 6,89 (Parakeet V3) so với 8,80 (Apple Speech) ở tiếng Anh, 5,83 so với 7,61 ở tiếng Pháp, 4,86 so với 5,41 ở tiếng Tây Ban Nha, 3,43 so với 4,39 ở tiếng Ý và 6,49 so với 9,35 ở tiếng Bồ Đào Nha Brasil; hai công cụ bằng nhau ở tiếng Đức với 6,26. Parakeet V3 không có tiếng Nhật, Hàn, Trung hay Quảng Đông, nên ở đó Apple Speech là công cụ duy nhất trong hai công cụ có thể dùng. Parakeet V3 cần tải xuống 465 MB và đã chạy ở 75,6× thời gian thực, còn Apple Speech ở 30,8×.
Apple Speech hay Whisper Large V3 Turbo: cái nào chính xác hơn?
Whisper Large V3 Turbo, ở tám trong mười ngôn ngữ mà cả hai đều đo rõ ràng: tiếng Anh 5,49 (Whisper Large V3 Turbo) so với 8,80 (Apple Speech), tiếng Đức 4,05 so với 6,26, tiếng Nhật 5,30 so với 6,36, tiếng Hàn 4,25 so với 4,31, tiếng Pháp 5,97 so với 7,61, tiếng Tây Ban Nha 3,62 so với 5,41, tiếng Ý 2,58 so với 4,39, tiếng Bồ Đào Nha Brasil 5,44 so với 9,35. Hai công cụ bằng nhau ở tiếng Trung với 7,97; Apple Speech chỉ dẫn trước ở tiếng Quảng Đông, 8,69 (Apple Speech) so với 36,75 (Whisper Large V3 Turbo). Turbo còn hỗ trợ tiếng Hà Lan, Nga và Ba Lan, với 5,69, 5,13 và 5,45. Mô hình này khoảng 1,6 GB và là công cụ chậm nhất ở đây, 3,0× thời gian thực.
Apple Speech hỗ trợ những ngôn ngữ nào?
Trong lượt chạy của bọn mình, Apple Speech đã cho kết quả ở 21 trong 83 cấu hình: tiếng Anh, Đức, Pháp, Tây Ban Nha, Ý, Bồ Đào Nha (Brasil), Nhật, Hàn, Trung, Quảng Đông, và mười một ngôn ngữ Nam Á — Hindi, Telugu, Urdu, Punjabi, Bengali, Nepali, Malayalam, Marathi, Kannada, Gujarati và Tamil — nơi nó trả lời bằng chữ cái tiếng Anh chứ không theo cách viết riêng của chúng. Không có tiếng Hà Lan, Ba Lan hay Nga; macOS quyết định danh sách theo từng máy. Công cụ này gần các mô hình dẫn đầu nhất ở tiếng Hàn, Nhật và Trung, kém 0,77, 1,06 và 1,48; xa nhất ở tiếng Anh, 8,80 (Apple Speech) so với 4,49 (Qwen3-ASR 1.7B); và đã vượt tính năng đọc chính tả cũ ở cả mười ngôn ngữ mà hai công cụ đều đo. Whisper trong Whisper Notes hỗ trợ toàn bộ danh sách ngôn ngữ của ứng dụng trên mọi kênh.
SpeechAnalyzer là gì, và có giống Apple Dictation không?
SpeechAnalyzer là API Apple đã giới thiệu tại WWDC 2025 và phát hành trong macOS 26 cùng iOS 26. SpeechTranscriber là công cụ phiên âm bên trong, được bài viết này gọi là Apple Speech; tính năng đọc chính tả là công cụ tương thích cũ hơn. Bọn mình đã chạy cả hai, và Apple Speech đã chính xác hơn ở cả mười ngôn ngữ mà hai công cụ đều đo rõ ràng. Tính năng đọc chính tả hỗ trợ nhiều ngôn ngữ hơn, 33 cấu hình so với 21, bao gồm tiếng Hà Lan, Ba Lan và Nga với WER 17,34%, 13,50% và 13,13% (đọc chính tả), so với 5,69%, 5,45% và 5,13% (Whisper Large V3 Turbo).
Âm thanh có rời khỏi máy Mac khi tôi dùng Apple Speech không?
Apple mô tả SpeechTranscriber là tính năng nhận dạng giọng nói trên thiết bị: macOS tải tài nguyên ngôn ngữ xuống một lần và quá trình nhận dạng diễn ra cục bộ. Bọn mình đã đo độ chính xác và tốc độ, không đo hành vi mạng, nên mô tả phần đó theo cách Apple mô tả. Các công cụ mà Whisper Notes tự tải xuống — Whisper, Parakeet V3, SenseVoice và Qwen3-ASR — chạy trên GPU hoặc Neural Engine của chính máy Mac mà không cần tài khoản hay API key; phiên âm hoạt động khi tắt mạng trên mọi kênh. Apple Speech có trong ứng dụng Mac tải từ trang web của chúng tôi, trên macOS 26 trở lên: một công cụ của hệ thống chạy trên máy Mac của bạn, với gói ngôn ngữ do macOS tải xuống.
Tại sao các con số này không khớp với độ chính xác trên bản ghi của tôi?
Vì FLEURS là giọng đọc ngắn và sạch, còn bản ghi của bạn thì không. Lượt chạy của bọn mình là phép hiệu chuẩn trên một tập dữ liệu công khai: khoảng 150 câu và 30 phút cho mỗi ngôn ngữ, một chiếc M5 MacBook Air, cùng các đoạn âm thanh cho mọi công cụ. Nó cho biết một công cụ có phù hợp với ngôn ngữ của bạn hay không, chứ không dự đoán kết quả bạn sẽ nhận được trong cuộc họp, với âm thanh nhiễu hay tệp dài hai giờ.
Thử ngay
Năm mô hình có thể tải xuống ở đây — Whisper Small, Whisper Large V3 Turbo, Parakeet V3, SenseVoice Small và Qwen3-ASR 1.7B — đều có trong ứng dụng Whisper Notes cho Mac tải từ trang web của chúng tôi, tại Cài đặt, rồi Mô hình phiên âm. Trên macOS 26 trở lên, Apple Speech xuất hiện trong cùng danh sách đó; nếu đã cài ứng dụng rồi, bạn hãy cập nhật lên phiên bản mới nhất.
Nếu các con số của bọn mình không khớp với trải nghiệm của bạn ở một ngôn ngữ, hãy gửi email đến mac@whispernotes.app. Ghi chú phát hành đầy đủ: whispernotes.app/changelog.
Nguồn: lượt chạy của bọn mình trên phần kiểm thử của Google FLEURS ở bản sửa đổi 70bb2e84, tài liệu SpeechAnalyzer của Apple, và lượt chạy Qwen3-ASR ba mươi ngôn ngữ trước đó.
Tải xuống cho macOS