SenseVoice vs Qwen3-ASR: nên dùng mô hình nào cho tiếng Trung, Nhật, Hàn?

Số liệu về độ chính xác do chúng tôi tự đo. Chúng tôi chạy SenseVoice Small, Qwen3-ASR và Whisper Large V3 Turbo trên cùng các câu đọc của FLEURS, khoảng 30 phút cho mỗi ngôn ngữ, với đúng các mô hình mà Whisper Notes cung cấp. Tốc độ là con số app hiển thị trên thẻ của từng mô hình, lấy từ một bài test riêng trên các đoạn âm thanh ngắn. Mọi thông tin còn lại dựa trên cách app Mac đang hoạt động hiện nay.

Qwen3-ASR chính xác hơn SenseVoice bao nhiêu?

Tỷ lệ lỗi ký tự (CER) với tiếng Trung, tiếng Nhật và tiếng Hàn, tỷ lệ lỗi từ (WER) với tiếng Anh; càng thấp càng tốt. Màu xanh lá đánh dấu giá trị thấp nhất ở mỗi hàng. Chúng tôi tự chạy trên bộ test FLEURS, khoảng 30 phút và 139 đến 180 câu đọc cho mỗi ngôn ngữ, trên máy Mac. SenseVoice chạy với ngôn ngữ đã được chọn. Chỉ gồm giọng đọc rõ ràng: phòng ồn, cuộc họp và bản ghi dài không nằm trong phạm vi bài test.

Qwen3-ASR mắc ít lỗi hơn SenseVoice ở mọi ngôn ngữ chúng tôi thử. Với tiếng Trung và tiếng Nhật, chênh lệch khoảng một điểm phần trăm: 6,49% (Qwen3-ASR) so với 7,69% (SenseVoice) ở tiếng Trung, và 5,74% so với 6,78% ở tiếng Nhật. Tiếng Hàn chênh lệch nhiều nhất: số ký tự sai của SenseVoice nhiều hơn gấp đôi, 7,85% so với 3,54%. Với tiếng Anh, cứ khoảng 22 từ thì Qwen3-ASR sai một, còn SenseVoice khoảng 12 từ đã sai một.

Whisper Large V3 Turbo bám khá sát Qwen3-ASR. Đây là mô hình chính xác nhất trong cả ba ở tiếng Nhật, đứng thứ hai ở tiếng Hàn và tiếng Anh, nhưng kém SenseVoice một chút ở tiếng Trung.

SenseVoice nhanh hơn Qwen3-ASR bao nhiêu?

Màu xanh lá đánh dấu mô hình nhanh hơn. Đây là tốc độ hiển thị trên thẻ mô hình trong app: chỉ tính thời gian xử lý của engine, không gồm thời gian nạp mô hình, đo trên các đoạn âm thanh ngắn trong một bài test riêng theo cách dùng hằng ngày trên máy Mac. SenseVoice đạt 115,2× khi đã chọn ngôn ngữ và 131× khi tự nhận diện ngôn ngữ; Qwen3-ASR đo được 7,65× trước khi làm tròn. Thời gian cho một giờ âm thanh được tính từ các tốc độ này và đã làm tròn.

SenseVoice nhanh gấp hơn 15 lần. Với một bản ghi dài một giờ, đó là chênh lệch giữa khoảng nửa phút và khoảng tám phút. Nếu bạn thường chép lời bản ghi dài, hoặc cần có văn bản ngay, khác biệt này quan trọng hơn một điểm phần trăm độ chính xác. Còn nếu bạn chờ được vài phút và muốn ít phải sửa hơn, thì khác biệt này không quan trọng bằng.

Chọn ngôn ngữ để chính xác hơn một chút

Khi đã chọn ngôn ngữ, SenseVoice mắc ít lỗi hơn so với để Tự động ở cả bốn ngôn ngữ: 7,69% so với 7,90% ở tiếng Trung, 6,78% so với 6,87% ở tiếng Nhật, 7,85% so với 8,09% ở tiếng Hàn và 8,46% so với 8,51% ở tiếng Anh. Chênh lệch nhỏ, nhưng đều theo cùng một hướng. Chúng tôi không chạy Qwen3-ASR hay Whisper ở chế độ Tự động nên không có số liệu cho hai mô hình này; bản thân app cũng ghi rằng: “Ngoại trừ Parakeet, chọn ngôn ngữ thường chính xác hơn Tự động.”

Parakeet là ngoại lệ: trong Whisper Notes, chỉ định ngôn ngữ lại khiến nó kém chính xác hơn, vì vậy nó luôn tự nhận diện ngôn ngữ (xem Parakeet Ultra vs Parakeet V3). Trên Mac, tùy chọn này là Ngôn ngữ trong mục Chép lời của Cài đặt.

Bản ghi dài mất bao lâu?

Trong một bài test trước đây với bản ghi thật, trên Apple M4 Pro, SenseVoice chép lời một tập podcast phỏng vấn tiếng Trung dài 27 phút trong 13,83 giây. Whisper Large V3 Turbo mất 2 phút 4 giây cho cùng tệp đó. Qwen3-ASR không có trong bài test này. Bài test đó chạy trên phiên bản app cũ hơn; tốc độ khi đó khoảng 117× thời gian thực, khớp với mức 115–131× trên thẻ mô hình hiện nay.

Ước tính sơ bộ từ bài test đó, một cuộc họp hay bài giảng dài một giờ sẽ mất khoảng nửa phút với SenseVoice và khoảng bốn phút rưỡi với Whisper Large V3 Turbo trên chiếc Mac ấy. Theo các tốc độ ở trên, Qwen3-ASR sẽ cần khoảng tám phút.

Không mô hình nào xử lý một tệp dài trong một lượt. Trong app Mac, SenseVoice chia âm thanh thành các đoạn dài tối đa 30 giây, cắt ở chỗ ngắt nghỉ, và hiện văn bản của từng đoạn ngay khi xử lý xong. Qwen3-ASR cũng xử lý theo từng đoạn dài tối đa 30 giây, cắt ở chỗ yên lặng nhất gần mỗi giới hạn, và chữ hiện ra dần ngay trong lúc mô hình đang chép lời. Dù dùng mô hình nào, bản chép lời cũng hiện dần từng đoạn, và bạn có thể bắt đầu đọc trước khi cả tệp được xử lý xong.

Tôi dùng được mô hình nào trên thiết bị của mình?

Màu xanh lá nghĩa là có, màu hổ phách nghĩa là không có.

Trên iPhone, SenseVoice là lựa chọn nhanh cho tiếng Trung, tiếng Nhật và tiếng Hàn, còn Whisper Small là phương án thay thế.

Vì sao lại có hai bản Mac? Bản Mac App Store hoạt động trong các giới hạn Apple đặt ra cho app trên App Store, nên một vài tính năng chỉ có ở bản Mac tải từ trang web của chúng tôi: nhập liệu giọng nói bằng phím Fn, trợ lý AI chạy trên máy và công cụ dòng lệnh (bối cảnh). Cả hai bản đều có cùng các mô hình nhận dạng giọng nói.

Mỗi mô hình cần gì trên Mac

Dung lượng tải về và nhãn bộ nhớ theo đúng những gì hiển thị trong bản Mac hiện tại tải từ trang web của chúng tôi. Màu hổ phách đánh dấu yêu cầu cần kiểm tra trước khi tải. Bộ nhớ đỉnh lấy từ cùng bài test theo cách dùng hằng ngày với các tốc độ ở trên; GiB lớn hơn GB khoảng 7%.

Không mô hình nào được tích hợp sẵn. Mỗi mô hình chỉ tải về một lần, từ thẻ của nó trong Cài đặt, rồi chạy ngoại tuyến. SenseVoice nhẹ hơn hẳn: dung lượng tải về chỉ khoảng một phần năm, bộ nhớ chưa tới một nửa so với Qwen3-ASR. Trên máy Mac có dưới 16 GB bộ nhớ, thẻ Qwen3-ASR hiển thị ghi chú bộ nhớ màu cam để cảnh báo. Để so sánh, Whisper Large V3 Turbo tải về khoảng 2 GB, và thẻ của nó ghi khoảng 2,4 GB bộ nhớ.

Nên dùng mô hình nào?

• Ít lỗi nhất, trên Mac: Qwen3-ASR 1.7B, có trong cả hai bản Mac. Nó vượt SenseVoice ở cả bốn ngôn ngữ trong bài test. Riêng tiếng Nhật, Whisper Large V3 Turbo còn chính xác hơn một chút, 5,30% so với 5,74%.
• Tốc độ, bản ghi dài, máy Mac ít bộ nhớ, hoặc iPhone: SenseVoice Small. Một giờ âm thanh mất khoảng nửa phút thay vì khoảng tám phút, và nó chỉ cần một phần nhỏ dung lượng tải về và bộ nhớ.
• Độ chính xác cho tiếng Nhật hoặc tiếng Hàn khi không dùng Qwen3-ASR 1.7B (mô hình này cần macOS 15): Whisper Large V3 Turbo, 5,30% so với 6,78% của SenseVoice ở tiếng Nhật và 4,25% so với 7,85% ở tiếng Hàn. Mô hình này chậm hơn SenseVoice nhiều.
• Ngôn ngữ khác: Parakeet, mô hình tích hợp sẵn, cho tiếng Anh và 24 ngôn ngữ châu Âu khác (xem Parakeet Ultra vs Parakeet V3), và Whisper cho các ngôn ngữ còn lại. Bạn có thể xem so sánh Qwen3-ASR 1.7B với Whisper trên 30 ngôn ngữ trong bài đánh giá Qwen3-ASR vs Whisper của chúng tôi. Tỷ lệ lỗi của mọi mô hình trên 42 ngôn ngữ được đặt cạnh nhau trong bảng so sánh mô hình theo ngôn ngữ.

Cần biết thêm điều gì?

• Nhãn người nói, dấu thời gian và phụ đề dùng được với cả hai. SenseVoice và Qwen3-ASR đều trả về dấu thời gian, nên nhãn người nói và xuất phụ đề SRT hoạt động như nhau với cả hai mô hình.
• Chữ Trung giản thể hay phồn thể theo ngôn ngữ hệ thống. Sau khi chép lời, Whisper Notes chuyển văn bản tiếng Trung sang chữ giản thể hoặc phồn thể ngay trên máy Mac, theo ngôn ngữ hệ thống của bạn. Nếu bạn đặt ngôn ngữ là 简体中文 (tiếng Trung giản thể) hoặc 繁體中文 (tiếng Trung phồn thể), lựa chọn đó sẽ được dùng thay cho ngôn ngữ hệ thống.
• Phương ngữ chưa được kiểm tra. Thẻ mô hình của chính Qwen liệt kê 30 ngôn ngữ cùng 22 phương ngữ và giọng địa phương tiếng Trung. Whisper Notes không có tùy chọn phương ngữ riêng: bạn chọn tiếng Trung hoặc Tự động, phần còn lại do mô hình xử lý. Chúng tôi chưa thử phương ngữ, nên không thể nói mỗi mô hình xử lý chúng tốt đến đâu.
• Qwen3-ASR đang ở giai đoạn Beta. Nếu nó dừng đột ngột, Whisper Notes sẽ tắt nó ở lần khởi động sau và chuyển sang mô hình khác để app vẫn mở được. Bạn có thể chọn lại Qwen3-ASR trong Cài đặt để thử lại.
• Số liệu của chúng tôi chỉ áp dụng cho giọng đọc rõ ràng. Các câu FLEURS được đọc to trong môi trường yên tĩnh. Cuộc họp, phòng ồn, micro đặt xa và giọng địa phương nặng có thể khiến khoảng cách nới rộng hoặc thu hẹp.
• Câu trộn tiếng Trung và tiếng Anh chưa được kiểm tra. Chúng tôi chưa đo cách mỗi mô hình xử lý câu chuyển qua lại giữa tiếng Trung và tiếng Anh, nên hãy thử với một bản ghi điển hình của bạn trước khi chọn hẳn một mô hình.

Chuyển mô hình như thế nào?

Trên Mac, mở Cài đặt và cuộn đến Mô hình chép lời. Mỗi mô hình có một thẻ ghi tốc độ, thế mạnh, số ngôn ngữ hỗ trợ, lượng bộ nhớ cần dùng và dung lượng tải về. Để tải một mô hình, bấm vào thẻ của nó hoặc vào mũi tên tải xuống trên thẻ; khi đã cài xong, bấm vào thẻ để chuyển sang mô hình đó. Liên kết ngôn ngữ trên mỗi thẻ (Ngôn ngữ được hỗ trợ, hoặc 30 ngôn ngữ được hỗ trợ trên thẻ Qwen3-ASR 1.7B) liệt kê mọi ngôn ngữ, kèm tỷ lệ lỗi chúng tôi đo được cho từng ngôn ngữ.

Cài đặt → Mô hình chép lời trong bản Mac tải từ trang web của chúng tôi

Sau đó, chọn một ngôn ngữ cụ thể ở mục Ngôn ngữ trong phần Chép lời thay vì để Tự động.

SenseVoice là gì?

Theo bài báo FunAudioLLM: SenseVoice-Small có 234 triệu tham số và xử lý 10 giây âm thanh trong 70 ms; Whisper-Large-V3 có 1.550 triệu tham số và mất 1.281 ms. Cả hai đều đo trên GPU trung tâm dữ liệu, không phải trên Mac.

Qwen3-ASR do nhóm Qwen của Alibaba phát triển và phát hành theo giấy phép Apache 2.0. Trong Whisper Notes, mô hình này chạy trên GPU của Mac qua MLX, ở dạng lượng tử hóa 8-bit. Kết quả so sánh với Whisper trên 30 ngôn ngữ có trong bài đánh giá Qwen3-ASR của chúng tôi.

Câu hỏi thường gặp

Dùng thử

SenseVoice có trong Whisper Notes trên iPhone và Mac, còn Qwen3-ASR (Beta) có trên Mac. Bấm các nút bên dưới để tải app iPhone từ App Store hoặc bản Mac từ trang web của chúng tôi. Nếu có thắc mắc, hãy gửi email tới support@whispernotes.app.

Tải cho iOS Tải cho macOS