我們想弄清楚一件事：有沒有哪個本機模型，在你講的語言上比 Whisper Large V3 更準？於是我們拿 FLEURS 資料集把這幾個模型都跑了一遍。
FLEURS 是 Google 的資料集，收錄 102 種語言的朗讀語音。我們從每種語言抽出約 75 句，讓這五個模型聽同一批片段、同樣的順序：
- Parakeet V3
- Whisper Large V3 Turbo
- SenseVoice Small
- Whisper Small
- Qwen3-ASR 1.7B
結果大致是這樣。
Qwen3-ASR 1.7B 對 Whisper Large V3 Turbo——我們自己跑的 FLEURS，一台 M5 MacBook Air，朗讀語音，短片段。
| Qwen3-ASR 1.7B | Whisper Large V3 Turbo | |
|---|---|---|
| 支援語言 | 30 種 | 101 種 |
| 明顯優勢 | 粵語、印地語、泰語、越南語、法語（5 種） | 芬蘭語、匈牙利語、希臘語等 11 種 |
| 速度 | 即時速度的 8.7 倍 | 即時速度的 2.4 倍 |
| 峰值記憶體 | 2.43 GiB | 1.87 GiB |
| 下載大小 | 約 2.5 GB | 約 1.6 GB |
除了各自的強項語言之外，兩者的準確率差距不大。
Whisper Large V3 和 Qwen3-ASR 詳細比較
全部 30 種語言，依 Qwen 領先最多排到落後最多，兩欄都是數字越低越好。
我們自己跑的 FLEURS，一台 M5 MacBook Air，朗讀語音。中文、粵語、日語、韓語、泰語為字錯率，其餘為詞錯率；標綠表示領先幅度超出配對的 95% 誤差範圍。
| 語言 | Qwen3-ASR 1.7B | Whisper Large V3 Turbo |
|---|---|---|
| 粵語 | 6.00 | 37.97 |
| 印地語 | 13.67 | 30.42 |
| 泰語 | 5.92 | 12.95 |
| 越南語 | 5.07 | 9.79 |
| 波斯語 | 26.98 | 30.03 |
| 阿拉伯語 | 14.14 | 15.75 |
| 印尼語 | 4.97 | 6.50 |
| 法語 | 3.98 | 5.39 |
| 中文 | 5.69 | 6.88 |
| 英語 | 5.07 | 5.92 |
| 德語 | 3.51 | 4.10 |
| 日語 | 5.39 | 5.71 |
| 韓語 | 3.51 | 3.70 |
| 西班牙語 | 3.60 | 3.76 |
| 義大利語 | 2.98 | 3.05 |
| 俄語 | 5.98 | 5.51 |
| 葡萄牙語 | 5.64 | 4.91 |
| 馬其頓語 | 17.81 | 16.64 |
| 馬來語 | 11.60 | 10.18 |
| 荷蘭語 | 7.65 | 5.63 |
| 土耳其語 | 8.34 | 5.53 |
| 丹麥語 | 20.12 | 14.92 |
| 波蘭語 | 12.78 | 5.32 |
| 羅馬尼亞語 | 18.97 | 8.22 |
| 菲律賓語 | 20.44 | 9.37 |
| 瑞典語 | 20.04 | 8.72 |
| 捷克語 | 23.92 | 11.15 |
| 希臘語 | 30.20 | 12.97 |
| 芬蘭語 | 26.08 | 6.54 |
| 匈牙利語 | 36.35 | 13.66 |
我們自己做的配對測試，FLEURS 測試集版本 70bb2e84，每種語言約 75 句，一台 M5 MacBook Air。
Qwen3-ASR 1.7B 明顯勝出的 5 種。錯誤率百分比（Qwen 對 Turbo）：粵語（6.0 對 38.0）、印地語（13.7 對 30.4）、泰語（5.9 對 13.0）、越南語（5.1 對 9.8）、法語（4.0 對 5.4）。粵語、泰語算字錯率，其餘算詞錯率。它的優勢集中在按字計分的語言上：中文、粵語、日語、韓語、泰語這五種它平均 5.3%，Turbo 是 13.4%；按詞計分的另外二十五種剛好相反，它平均 14.0%，Turbo 是 10.2%。
Whisper Large V3 Turbo 明顯勝出的 11 種。錯誤率百分比（Qwen 對 Turbo），全部是詞錯率：匈牙利語（36.4 對 13.7）、希臘語（30.2 對 13.0）、芬蘭語（26.1 對 6.5）、捷克語（23.9 對 11.2）、菲律賓語（20.4 對 9.4）、丹麥語（20.1 對 14.9）、瑞典語（20.0 對 8.7）、羅馬尼亞語（19.0 對 8.2）、波蘭語（12.8 對 5.3）、土耳其語（8.3 對 5.5）、荷蘭語（7.7 對 5.6）。
接近或打平的 14 種。英語（5.1 對 5.9）、德語（3.5 對 4.1）、西班牙語（3.6 對 3.8）、義大利語（3.0 對 3.1）、俄語（6.0 對 5.5）、葡萄牙語（5.6 對 4.9）；中文（5.7 對 6.9）、日語（5.4 對 5.7）、韓語（3.5 對 3.7）算字錯率。另外還有阿拉伯語、印尼語、波斯語、馬來語、馬其頓語。這一檔的差距都很小，全落在 95% 區間裡，這一輪的資料分不出高下。
粵語是唯一一行真的會改變選擇的。同一批音訊上，Whisper Large V3 Turbo 是 37.97% 字錯率，我們先前推薦拿來做粵語的 SenseVoice Small 是 36.71%，兩個都在 37% 上下；Qwen3-ASR 1.7B 是 6.00%。在這套朗讀語音上，前面兩個數字都撐不起粵語，所以舊的建議從現在起要帶上這個但書。
Qwen3-ASR 1.7B 有多快？
五個引擎都在同一套測試、同一台機器（M5 MacBook Air）上量出來，彼此之間至少是可比的。
同一次 FLEURS 測試裡，各引擎在自己支援的語言上的即時倍率中位數，一台 M5 MacBook Air，朗讀語音。
| 引擎 | 語言數 | 本輪速度中位數（短片段） |
|---|---|---|
| SenseVoice Small | 6 種語言 | 161.0 倍 |
| Parakeet TDT 0.6B v3 | 25 | 82.9 倍 |
| Qwen3-ASR 1.7B | 標稱 30 種 | 8.7 倍 |
| Whisper Small | 101 | 6.4 倍 |
| Whisper Large V3 Turbo | 101 | 2.4 倍 |
這些是短片段測試台的數字，比同樣的引擎處理長錄音時要低。這一欄只用來在這一輪裡橫向比較各引擎，別處不算數。
同一套測試裡，Parakeet V3 和 SenseVoice Small 比 Qwen3-ASR 快了大約一個數量級。換成長檔案而不是短片段，Parakeet 在 M4 Pro 上跑到過即時速度的 103 倍，SenseVoice 是 52 倍以上（另一套音訊上的另一種量法，但指向一致）。
Qwen3-ASR 落在中間。本輪短片段測試裡它不是最慢的，最慢的是 Whisper Large V3 Turbo。不過它在不同語言之間的落差比誰都大，希臘語 2.7 倍，日語 12.4 倍。
Qwen3-ASR 佔多少記憶體和磁碟？
峰值記憶體是同一次 FLEURS 測試中逐個項目觀測到的行程最大佔用，一台 M5 MacBook Air，朗讀語音，短片段。
| 引擎 | 下載大小 | 本輪峰值記憶體 |
|---|---|---|
| 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 | 約 1.6 GB | 1.87 GiB |
| Qwen3-ASR 1.7B | 約 2.5 GB | 2.43 GiB |
兩條軸上 Qwen3-ASR 都是五個裡面最重的：下載約 2.5 GB，本輪行程峰值記憶體 2.43 GiB；Whisper Large V3 Turbo 是約 1.6 GB 和 1.87 GiB。
8 GB 記憶體的機器有更輕的路可以走。Parakeet V3 用 465 MB 和 0.09 GiB 涵蓋 25 種語言，Whisper Small 用 600 MB 和 0.87 GiB 涵蓋 101 種。
我們怎麼測的：FLEURS、30 種語言、一台 Mac
Qwen3-ASR 1.7B 用的是 MLX 8-bit 版本，Whisper Large V3 Turbo 用的是 whisper.cpp 的 ggml 版本，跑在 Metal 上。資料是 Google FLEURS 測試集 70bb2e84 版（CC-BY-4.0），102 種語言裡跑了 83 種，每種約 75 句、約 15 分鐘，所有模型聽同一批片段、同樣的順序；配對比較的是 Qwen 標稱的那 30 種。以空格斷詞的語言用詞錯率，中文、粵語、日語、韓語、泰語用字錯率，兩者不合併成單一分數；誤差範圍是每格 10,000 次項目層級自助重抽樣。機器是一台 M5 MacBook Air，32 GB，macOS 26.5，兩個模型都沒有空輸出或失敗。
FLEURS 是朗讀語音，不是會議，也不是聽寫。朗讀集的排名在真實音訊面前失效過兩次，所以我們不往長錄音外推：這些表是用來判斷一個模型在你的語言上值不值得一試，不是你實際會拿到的準確率。真實會議上的評測跑完會另外寫一篇。
該不該用 Qwen3-ASR 取代 Whisper Large V3？
按語言來看，在 Mac 版 Whisper Notes 裡，我們會這樣回答。
- 如果你要轉錄粵語、印地語、泰語、越南語或法語：選 Qwen3-ASR 1.7B。
- 如果你要轉錄中文、日語、韓語、英語、德語、西班牙語或義大利語：它只領先一點點，我們也只敢講這一點點。兩個模型都可以用，波斯語、阿拉伯語、印尼語、俄語、葡萄牙語、馬其頓語和馬來語也一樣。
- 如果你要轉錄芬蘭語、匈牙利語、希臘語、捷克語、瑞典語、丹麥語、波蘭語、羅馬尼亞語、菲律賓語、土耳其語或荷蘭語：繼續用 Whisper Large V3 Turbo，這十一種它都明顯勝出。
- 如果你在意的是速度和佔用：這個引擎不適合。同一套測試裡 Parakeet V3 和 SenseVoice Small 快了一個數量級，下載大小也只有它的零頭；Whisper Small 用 600 MB 涵蓋 101 種語言，本輪 6.4 倍。
- 如果你用的是 iPhone 版或 Mac App Store 版：這個引擎還沒有進到那兩個管道，粵語在那裡請用 SenseVoice。
這是 Mac 版 Whisper Notes 把阿里巴巴開源的 Qwen3-ASR 移植到裝置上的版本：開放權重轉成 Apple MLX 的 8-bit，跑在你自己 Mac 的 GPU 上，音訊不必上傳到阿里巴巴的伺服器。它和 Mac 直接下載版（DMG）1.5.0 裡被 SenseVoice 換掉的那個 0.6B 不是同一個模型。
基本用法（Mac 直接下載版 DMG 1.6.0 及以後）：設定 → 轉錄模型 → Qwen3-ASR 1.7B。模型第一次使用時會在 App 內下載，約 2.5 GB。它需要 macOS 15 以上、Apple 晶片，建議 16 GB 記憶體；App 其餘部分在 macOS 14 上就能跑。按引擎劃分的語言表在語言支援頁上。本機 CLI 和 MCP 伺服器接受 qwen、qwen3、qwen3-asr 三個名字。
不想換的話什麼都不用改，Parakeet V3 仍然是預設。
常見問題
Qwen3-ASR 比 Whisper Large V3 Turbo 更準嗎？
要看語言，而且比數接近對半。在我們自己用 Mac 版 Whisper Notes 跑的 FLEURS 測試裡，兩個模型共同支援的 30 種語言中，Qwen3-ASR 1.7B 贏 15 種，Whisper Large V3 Turbo 贏 15 種。Qwen 明顯領先的是粵語（6.00% 對 37.97% 字錯率）、印地語（13.67% 對 30.42% 詞錯率）、泰語、越南語和法語。Turbo 明顯領先的是芬蘭語（6.54% 對 26.08% 詞錯率）、匈牙利語、希臘語、捷克語、瑞典語、丹麥語、波蘭語、羅馬尼亞語、菲律賓語、土耳其語和荷蘭語。30 個差距裡有 14 個落在誤差範圍內，應該當成平手。如果你的語言在 Qwen 領先的那一欄，而且你用的是 Whisper Notes 的 Mac 直接下載版（DMG），就選 Qwen3-ASR；其餘情況、以及 Qwen 那 30 種以外的所有語言，選 Whisper Large V3 Turbo——它涵蓋全部 101 種語言。
iPhone 版或 Mac App Store 版能用 Qwen3-ASR 嗎？
目前它在 Whisper Notes 的 Mac 直接下載版（DMG）1.6.0 及以後的版本裡。Mac App Store 版計畫在後續版本陸續支援新引擎，確切時間我們還說不準。在那之前，iPhone 版和 Mac App Store 版有三個引擎系列——Whisper、Parakeet V3、SenseVoice——而 Qwen 認得的每一種語言，那邊的 Whisper 也都涵蓋。按模型數量算，Mac App Store 版目前是四個，直接下載版是五個，因為 Whisper 有 Small 和 Large V3 Turbo 兩檔。如果你要在 iPhone 上轉錄粵語，那裡請用 SenseVoice。
中文、日語、韓語該選 Qwen3-ASR 還是 SenseVoice？
準確率很接近，速度差很遠。我們的 FLEURS 測試裡，Qwen3-ASR 中文字錯率 5.69%、日語 5.39%、韓語 3.51%；SenseVoice Small 在同一批音訊上分別是 7.06%、6.85%、7.82%。但同一輪裡 SenseVoice 的即時倍率中位數是 161 倍，Qwen 是 8.7 倍；下載大小是 827 MB 對約 2.5 GB；而且 SenseVoice 在 iPhone 和兩個 Mac 版本上都能用。除非你要轉錄的是粵語——那裡 Qwen3-ASR 是 6.00% 字錯率、SenseVoice 是 36.71%，差距大到值得多等一下——否則選 SenseVoice。
Qwen3-ASR 1.7B 的系統需求是什麼？
需要一台 Apple 晶片的 Mac，macOS 15 或更新版本，建議 16 GB 記憶體，另外約 2.5 GB 磁碟空間放模型。這比 Mac 版 Whisper Notes 其餘部分的要求更高——App 本身在 macOS 14 以上就能執行。我們的測試裡這個模型的行程峰值記憶體是 2.43 GiB，五個引擎裡最高。如果你的 Mac 是 8 GB 記憶體，Whisper Small 用 600 MB 涵蓋同樣的 101 種語言，Parakeet V3 用 465 MB 涵蓋 25 種歐洲語言。
用 Qwen3-ASR 的時候，音訊會離開我的 Mac 嗎？
不會。阿里巴巴確實也把 Qwen3-ASR 做成雲端服務，透過 DashScope 的即時 API 和錄音檔轉寫 API 提供，那條路徑需要把音訊上傳到他們的伺服器。Whisper Notes 不使用那些介面。它把開放權重當成 MLX 8-bit 模型跑在你 Mac 自己的 GPU 上，不需要帳號，不需要 API key，斷網也能轉錄。App 裡每個引擎系列、每個通路都是這樣。
為什麼這些數字和我在自己的錄音上得到的準確率對不起來？
因為 FLEURS 是短句、乾淨的朗讀語音，而你的錄音不是。我們這一輪是在公開資料集上做的校準：每種語言約 75 句，一台 M5 MacBook Air，所有模型聽同樣的片段。它適合判斷某個模型在某種語言上值不值得一試，不能用來預測你在會議、吵雜環境、帶口音的語音或兩小時長檔上的準確率。
去試試看
Qwen3-ASR 1.7B 在 Mac 版 Whisper Notes 1.6.0 及以後的直接下載版（DMG）裡。位置是設定 → 轉錄模型。免費試用額度是 10,000 字，夠你把自己的語言跑一遍，然後來反駁上面那幾張表。
某種語言上我們的數字和你的實際體驗對不起來，寫信到 mac@whispernotes.app 告訴我們。完整更新說明：whispernotes.app/changelog。
以上所有資料的來源：我們在 Google FLEURS 測試集 70bb2e84 版本上的測試、Qwen3-ASR 1.7B 模型卡，以及語言支援頁上按引擎劃分的語言表——那張表由 App 原始碼生成。
下載 Mac 版