TL;DR — 三款 Mac 模型比較
| Parakeet V3 | SenseVoice Small | Whisper Large V3 Turbo | |
|---|---|---|---|
| 5 分鐘英語 | 2.91s (103×) | 5.8s (52×) | 20.92s (14.3×) |
| 27 分鐘中文 | 10.10s (161×) | 13.83s (118×) | 2 min 4s (13.1×) |
| 支援語言 | 25（歐洲語言） | 5（zh, en, ja, ko, yue） | 99+ |
| 下載大小 | 465 MB | 827 MB | 1.5 GB |
| 記憶體 | ~800 MB | ~700 MB | ~1.6 GB |
| 最適合 | 英語與歐洲語言 | 中文、日語、韓語、粵語 | 其他所有語言（99+） |
* 速度測試基於 Apple M4 Pro, 32 GB。5 分鐘英語 Podcast 和 27 分鐘中文 Podcast。即時倍率 = 音訊時長 ÷ 處理時間（越高越快）。SenseVoice 僅限 macOS。iOS 使用 Parakeet（透過 ANE）和 Whisper。
從 1.4.8 版本起，Mac 版 Whisper Notes 搭載 SenseVoice Small 作為中文、日語、韓語和粵語的專用轉寫引擎。它取代了 Qwen3-ASR，透過 MLX 在 Apple GPU 上運行，而非 CPU——27 分鐘的中文 Podcast 從 3 分 44 秒縮短到 13.83 秒。
為什麼替換 Qwen3-ASR
Qwen3-ASR 是一個不錯的模型，支援 30 種語言和 22 種中文方言，中文準確率接近頂尖水準。但它有一個隨音訊時長惡化的問題：速度。
Qwen3 採用自回歸架構——和 Whisper 一樣，逐幀處理音訊，永遠無法跳過。27 分鐘的中文 Podcast 需要 73 秒。堪用，但遠不是 Parakeet V3 在英語上提供的即時體驗。
更深層的問題在基礎架構。我們的 Qwen3 整合使用 sherpa-onnx，一個帶有 2,249 行 Swift 封裝的 C 函式庫，所有運算都走 CPU。GPU 完全閒置。
SenseVoice 同時解決了這兩個問題：非自回歸架構實現速度提升，Apple MLX 實現 GPU 加速。結果：同樣的硬體上 16.2 倍速度提升，程式碼從 2,249 行減少到 288 行。
效能測試
三個模型在同一台 Apple M4 Pro 上、同樣的音訊檔案、同樣的條件下運行。無雲端，無網路，純靠晶片。
| 模型 | 5 分鐘英語 | 27 分鐘中文 | 速度 (RTFx) |
|---|---|---|---|
| Parakeet V3 | 2.91s | 10.10s | 103–161× |
| SenseVoice Small | 5.8s | 13.83s | 52–118× |
| Whisper Large V3 Turbo | 20.92s | 2 min 4s | 13–14× |
| Qwen3-ASR（已移除） | — | 73s | 4.7× |
SenseVoice 大約是 Parakeet V3 速度的一半——但依然快得驚人。27 分鐘的 Podcast 在 14 秒內完成。按下轉寫，等一次呼吸，文字就出來了。
對比 Whisper 的 2 分 4 秒或舊版 Qwen3 的 73 秒。架構比參數量更重要。
FunAudioLLM 論文官方推理效能測試：SenseVoice-Small 處理 10 秒音訊僅需 70ms（A800 GPU）。Whisper-Large-V3 需要 1,281ms。原始推理延遲相差 18 倍。
| 模型 | 載入時間 | 記憶體 | 下載大小 |
|---|---|---|---|
| Parakeet V3 | 0.77s | ~800 MB | 465 MB |
| SenseVoice Small | 0.81s | ~700 MB | 827 MB |
| Whisper Small | 1.03s | ~487 MB | 600 MB |
| Whisper Large V3 Turbo | 3.18s | ~1.6 GB | 3 GB |
* 載入時間和記憶體基於 Apple M4 Pro, 32 GB 測量。
SenseVoice 在一秒內載入完畢，記憶體佔用比 Parakeet 還少。在 8 GB 的 Mac 上也能和其他應用程式一起順暢運行。
SenseVoice 為什麼更快：架構 + 執行環境
Qwen3-ASR 和 SenseVoice 之間的速度差距來自兩個獨立因素。
因素一：模型架構。 Qwen3-ASR 是自回歸的——逐個產生 token，每個都依賴前一個。SenseVoice 使用非自回歸（NAR）編碼器，平行處理整段音訊。僅憑這一架構差異，無論運行在什麼硬體上，SenseVoice 都從根本上更快。
因素二：執行環境。 我們的 Qwen3-ASR 整合使用 sherpa-onnx，在 CPU 上運行。SenseVoice 透過 Apple MLX 運行，將運算路由到 GPU。Qwen3 也能用 MLX 運行嗎？能——但它仍然會比 SenseVoice 慢，因為自回歸瓶頸在架構而非執行環境。
| Qwen3-ASR（舊） | SenseVoice（新） | |
|---|---|---|
| 架構 | 自回歸（逐 token） | 非自回歸（平行處理） |
| 執行環境 | sherpa-onnx (CPU) | Apple MLX (GPU) |
| 27 分鐘中文 | 224 秒 | 13.83 秒 |
| 綜合加速 | 基準值 | 快 16.2 倍 |
| 程式碼量 | 168 MB C 框架 + 2,249 行 Swift | 288 行 Swift Actor |
* 同一段 27 分鐘中文 Podcast，Apple M4 Pro。16.2 倍加速同時包含架構（NAR vs AR）和執行環境（GPU vs CPU）的改進。
程式碼也變簡單了。新的 SenseVoice 實作是一個 288 行的 Swift Actor，直接與 MLX 通訊，取代了 168 MB 的 C 框架。程式碼更少，bug 更少，應用程式更小。
五種語言，做到極致
SenseVoice 不追求面面俱到。它專注於五種語言：
| 語言 | SenseVoice-Small | Whisper-Large-V3 | 勝者 |
|---|---|---|---|
| 中文 (zh-CN) | 10.78% CER | 12.55% CER | SenseVoice (-14%) |
| 粵語 (yue) | 7.09% CER | 10.41% CER | SenseVoice (-32%) |
| 日語 (ja) | 11.96% CER | 10.34% CER | Whisper（略優） |
| 韓語 (ko) | 8.28% CER | 5.59% CER | Whisper |
| 英語 (en) | 14.71% WER | 9.39% WER | Whisper（建議用 Parakeet） |
* CommonVoice 效能測試，CER = 字元錯誤率，WER = 單詞錯誤率。越低越好。來源：FunAudioLLM 論文 (2024)。SenseVoice-Small 推理延遲：10 秒音訊 70ms（A800 GPU），比 Whisper-Large-V3 快 15 倍以上。
CommonVoice 效能測試：SenseVoice-Small（黃色）vs Whisper-Small（藍色）vs Whisper-Large-V3（橘色）。越低越好。來源：FunAudioLLM 論文
數據說明了一切。SenseVoice 在中文和粵語準確率上大幅領先 Whisper，而 Whisper 在日語、韓語和英語上更準確。但 SenseVoice 比 Whisper-Large-V3 快 15 倍以上。在實際使用中，速度差異往往比幾個百分點的準確率更重要。
粵語的結果值得特別一提。Whisper-Small 在粵語上的 CER 高達 38.97%——幾乎無法使用。即便是 Whisper-Large-V3 也只做到 10.41%。SenseVoice 達到了 7.09%。在 SenseVoice 之前，沒有好的方法在 Mac 上本地轉寫粵語。如果你講粵語，這個模型就是為你而生的。
SenseVoice 韓語轉寫：帶時間戳字幕的影片匯入
實測：27 分鐘中文 Podcast
我們用 SenseVoice 和 Whisper Large V3 Turbo 在同一台 M4 Pro 上轉寫了一集 27 分鐘的《十三邀》（Thirteen Invitations），一檔中文訪談 Podcast。以 ElevenLabs Scribe（雲端）作為參考。兩個本地模型的錯誤數量大致相當，但類型不同：
| SenseVoice | Whisper Large V3 | |
|---|---|---|
| 耗時 | 13.83s | 2 min 4s |
| 錯誤數（5 分鐘樣本） | ~15–20 | ~12–15 |
| 最嚴重錯誤 | 时差→食堂 | 西昌→西藏（Xīchāng→Xīzàng，相差 4,000 公里） |
| 錯誤模式 | 同音字混淆 | 地理/事實性錯誤 |
* 與 ElevenLabs Scribe（雲端參考，也並非完美）手動比較。兩個本地模型都正確寫出了「根深蒂固」，而 Scribe 寫錯了。
準確率相當。速度快 9 倍。在實際中文轉寫場景中，Whisper 還沒載入完，SenseVoice 已經給你一份可用的文稿了。
什麼時候用哪個模型
Mac 版 Whisper Notes 現已搭載四個語音模型，各自針對不同場景最佳化：
| 你的需求 | 推薦模型 | 原因 |
|---|---|---|
| 英語或歐洲語言，追求極致速度 | Parakeet V3 | 103× 即時，最低錯誤率。預設選擇。 |
| 中文、日語、韓語或粵語 | SenseVoice Small | 52–118× 即時。唯一支援粵語的模型。 |
| 99+ 語言中的任何一種（阿拉伯語、泰語、俄語等） | Whisper Large V3 Turbo | 語言覆蓋最廣。速度較慢但通用性強。 |
| 低記憶體需求（舊款 Mac） | Whisper Small | 487 MB 記憶體。適合 8 GB Mac。 |
設定 → 轉寫模型：為你的語言選擇合適的引擎
設定中的模型選擇器展示了全部四個選項，包含下載大小、支援語言數和記憶體需求。SenseVoice 在首次使用時下載（約 827 MB），之後儲存在本地。
取捨
SenseVoice 不是萬能模型。以下是它做不到的事：
• 僅支援 5 種語言。 如果你需要泰語、俄語、阿拉伯語、印地語或 Whisper 支援的其他 90 多種語言，請繼續使用 Whisper。
• 僅限 Mac。 SenseVoice 透過 Apple MLX 運行，需要 macOS。iPhone 上無法使用。iOS 使用者可使用 Parakeet（歐洲語言）和 Whisper。
• 低音量音訊特性。 在非常短或非常安靜的片段中，SenseVoice 有時會無視所選語言而輸出中文。手動設定語言（而非「自動」）可以減少這種情況。
• 不支援串流處理。 與 Whisper 的串流模式不同，SenseVoice 在錄音結束後處理完整音訊。對於長檔案，它會在靜音處自動分段，逐步顯示結果。
這些是架構層面的限制，不是 bug。一個用 5 種語言訓練的模型，把這 5 種語言做到了極致。Whisper 的 99+ 語言支援意味著更慢的速度和更高的單語言錯誤率。
試試看
SenseVoice 已在 Mac 版 Whisper Notes v1.4.8 及更高版本中提供。前往 設定 → 轉寫模型 → SenseVoice Small（約 827 MB）下載。需要 Apple Silicon Mac（M1 或更新）。
如果你正在使用 Parakeet V3 且主要用英語聽寫，無需切換。SenseVoice 適用於當你需要中文、日語、韓語或粵語——並且希望快速完成。
下載 Mac 版
完整更新日誌：whispernotes.app/changelog
問題或回饋：mac@whispernotes.app