مقارنة نماذج تحويل الكلام إلى نص: Whisper vs SenseVoice وParakeet وغيرها
قسنا النماذج الاثني عشر لتحويل الكلام إلى نص المتاحة في هذه الأداة على الصوت نفسه بـ 5 لغات. معدل الخطأ هو نسبة ما تعرّف عليه النموذج خطأً من النص المُفرَّغ، ووقت المعالجة تقدير للمدة التي تستغرقها ساعة واحدة من الصوت. إن لم تكن متأكدًا من النموذج الذي تختاره، فابدأ بـ «التوصيات حسب اللغة والجهاز».
تاريخ القياس: 29 أكتوبر 2026
التوصيات حسب اللغة والجهاز
اليابانية
على حاسوب يدعم WebGPU، يكون Haas-ja v1.0 (710 MB) الأدق (معدل خطأ 5.2%). ويستغرق أيضًا نحو ثلث الوقت الذي يستغرقه SenseVoice Small. وهو النموذج الافتراضي في Chrome وEdge على هذه الحواسيب (باستثناء أجهزة Mac بشرائح Apple). على الهواتف والحواسيب التي لا تدعم WebGPU، اختر النموذج الافتراضي SenseVoice Small (240 MB). دقته تقارب دقة Whisper Large v3 Turbo (1.5 GB)، ويستغرق أقل من نصف الوقت.
الصينية والكورية
للصينية، النموذج الافتراضي SenseVoice Small أدق من أي نموذج Whisper. للكورية، على حاسوب يدعم WebGPU، يكون Whisper Large v3 Turbo (معدل خطأ 5.0%) وLarge v3 (4.6%) أدق من SenseVoice Small (7.9%). للغتين كلتيهما، يكون Qwen3-ASR 1.7B على حاسوب يدعم WebGPU بدقة SenseVoice Small أو أفضل.
الإنجليزية
على حاسوب يدعم WebGPU، يكون Whisper Large v3 Turbo (معدل خطأ 5.8%) أو Medium (5.7%) دقيقًا بما يكفي. الأدق هو Qwen3-ASR 1.7B (4.3%)، لكنه يُحمِّل نحو 5.2 GB في المرة الأولى ويستخدم نحو 5 GB من ذاكرة GPU. دقة Parakeet Ultra (500 MB) تقارب دقة Large v3 Turbo (5.7%)، ويستغرق نحو 1/7 من وقت معالجة Turbo. وهو النموذج الافتراضي على الحواسيب ذات الرسوميات المدمجة في Chrome أو Edge. على الهواتف، اختر SenseVoice Small (9.0%).
الإسبانية والألمانية ولغات أخرى
للإسبانية والألمانية والفرنسية والإيطالية والبرتغالية والروسية والبولندية والهولندية والأوكرانية والمجرية والتشيكية وغيرها من اللغات الأوروبية، اختر Parakeet Ultra (500 MB) على حاسوب يدعم WebGPU. معدل خطئه في الإسبانية 4.2%، أي ما يقارب Large v3 Turbo (4.4%)، ويستغرق نحو 1/7 من وقت معالجة Turbo. وهو النموذج الافتراضي لهذه اللغات الإحدى عشرة ولليونانية على الحواسيب ذات الرسوميات المدمجة في Chrome أو Edge. لكن أخطاء Whisper Large v3 Turbo في اليونانية أقل، لذا اختر Turbo حين تكون الدقة هي الأهم (وهو النموذج الافتراضي على الحواسيب ذات GPU مستقلة). للغات الأخرى، اختر Whisper Large v3 Turbo على حاسوب يدعم WebGPU. على الهواتف والحواسيب التي لا تدعم WebGPU، اختر النموذج الافتراضي FastConformer (175 MB) للإسبانية والفرنسية والإيطالية والألمانية. معدل خطئه في الإسبانية 9.2%، أعلى قليلًا من Whisper Small (7.7%)، لكنه يستغرق نحو 1/15 من وقت معالجة Small. للغات الأخرى، اختر Whisper Small أو أكبر.
الهواتف
لليابانية والصينية والكورية والإنجليزية، اختر النموذج الافتراضي SenseVoice Small. للإسبانية والفرنسية والإيطالية والألمانية، اختر النموذج الافتراضي FastConformer. تشغّل الهواتف نسخة أخف (8 بت) من Whisper، لذا يتجاوز معدل خطأ Tiny في اليابانية 70%. للغات الأخرى، يكون Whisper Small الأدق، لكن المعالجة تستغرق مدة تقارب طول الصوت أو أطول. للصوت الطويل، يُعد Whisper Base خيارًا أيضًا.
WebGPU طريقة يستخدم بها المتصفح GPU في الحسابات. وهي متاحة في Chrome وEdge وغيرهما على الحاسوب.
فتح أداة التفريغمقارنة SenseVoice vs Whisper (اليابانية والصينية والكورية والإنجليزية)
قارنّا SenseVoice Small بـ 4 نماذج من Whisper على الصوت المقروء نفسه (100 عبارة لكل لغة). يعمل SenseVoice Small على CPU في كل الأجهزة، بما فيها الهواتف. أما نتائج Whisper فمن حاسوب يدعم WebGPU.
- في الصينية، بلغ معدل الخطأ 7.9% في SenseVoice Small، وهو أقل من Medium (9.8%)، أقل نماذج Whisper أخطاءً.
- في اليابانية، كان SenseVoice Small (8.6%) مماثلًا تقريبًا لـ Whisper Medium (8.7%) وLarge v3 Turbo (8.9%)، وكانت أخطاء Large v3 (6.9%) أقل.
- في الإنجليزية، كانت أخطاء Whisper Small (7.3%) والنماذج الأكبر منه أقل من SenseVoice Small (9.0%). في الكورية، كان SenseVoice Small (7.9%) مماثلًا تقريبًا لـ Whisper Small (7.2%)، وكانت أخطاء Large v3 Turbo (5.0%) وLarge v3 (4.6%) أقل.
- على حاسوب الاختبار لدينا، استغرقت معالجة ساعة واحدة من الصوت نحو 7 دقائق مع SenseVoice Small على CPU، ونحو 16 دقيقة مع Whisper Large v3 Turbo على الرسوميات المدمجة. حجم التحميل في المرة الأولى 240 MB و1.5 GB على التوالي.
| النموذج | اليابانية | الإنجليزية | الكورية | الصينية | وقت معالجة ساعة من الصوت | التحميل في المرة الأولى |
|---|---|---|---|---|---|---|
| SenseVoice Small | 8.6% | 9.0% | 7.9% | 7.9% | نحو 7 دقيقة | 〜240 MB |
| Whisper Small | 14.1% | 7.3% | 7.2% | 14.5% | نحو 10 دقيقة | 〜925 MB |
| Whisper Medium | 8.7% | 5.7% | 5.7% | 9.8% | نحو 19 دقيقة | 〜650 MB |
| Whisper Large v3 Turbo | 8.9% | 5.8% | 5.0% | 9.9% | نحو 16 دقيقة | 〜1.5 GB |
| Whisper Large v3 | 6.9% | 5.6% | 4.6% | 11.5% | نحو 23 دقيقة | 〜2.0 GB |
لا يمكن اختيار SenseVoice Small للإسبانية وغيرها من اللغات الأوروبية في هذه الأداة، لذا نقارن 4 لغات فقط. وقت معالجة SenseVoice Small مقيس على CPU، ووقت Whisper على GPU. لقيم Whisper على الهواتف والحواسيب التي لا تدعم WebGPU، راجع الجدول في «على الهواتف والحواسيب التي لا تدعم WebGPU».
مقارنة Parakeet vs Whisper (الإنجليزية والإسبانية)
نموذج Parakeet في هذه الأداة هو Parakeet Ultra، وهو نموذج نشرته moondream بالبنية والمفردات نفسها التي في Parakeet TDT 0.6B v3 من NVIDIA، وحوّلناه للعمل على WebGPU. يعمل فقط على الحواسيب التي تدعم WebGPU. القيم مقيسة على الصوت المقروء نفسه (100 عبارة لكل لغة)، ولا يتضمن هذا الجدول Parakeet TDT 0.6B v2 وv3 نفسيهما.
- في الإنجليزية، كان Parakeet Ultra (معدل خطأ 5.7%) مماثلًا تقريبًا لـ Whisper Large v3 Turbo (5.8%) وMedium (5.7%) وLarge v3 (5.6%)، وكانت أخطاؤه أقل من Small (7.3%) وBase (11.5%).
- في الإسبانية، كان Parakeet Ultra (4.2%) مماثلًا تقريبًا لـ Whisper Large v3 Turbo (4.4%)، وكانت أخطاؤه أقل من Medium (5.3%) وLarge v3 (6.2%).
- على حاسوب الاختبار لدينا (رسوميات مدمجة)، استغرقت معالجة ساعة واحدة من الصوت نحو دقيقتين مع Parakeet Ultra، ونحو 16 دقيقة مع Whisper Large v3 Turbo، ونحو 23 دقيقة مع Large v3. حجم التحميل في المرة الأولى 500 MB، أي ثلث حجم Turbo (1.5 GB).
| النموذج | الإنجليزية | الإسبانية | وقت معالجة ساعة من الصوت | التحميل في المرة الأولى |
|---|---|---|---|---|
| Parakeet Ultra | 5.7% | 4.2% | نحو 2 دقيقة | 〜500 MB |
| Whisper Base | 11.5% | 13.2% | نحو 6 دقيقة | 〜280 MB |
| Whisper Small | 7.3% | 7.6% | نحو 10 دقيقة | 〜925 MB |
| Whisper Medium | 5.7% | 5.3% | نحو 19 دقيقة | 〜650 MB |
| Whisper Large v3 Turbo | 5.8% | 4.4% | نحو 16 دقيقة | 〜1.5 GB |
| Whisper Large v3 | 5.6% | 6.2% | نحو 23 دقيقة | 〜2.0 GB |
اللغتان الوحيدتان المقيستان بالشروط نفسها في هذه الصفحة هما الإنجليزية والإسبانية. يدعم Parakeet Ultra أيضًا 23 لغة أوروبية أخرى.
معدلات الأخطاء حسب اللغة
معدل الخطأ هو نسبة ما يختلف من النص المُفرَّغ عن النص الصحيح. الأقل أدق. تُحسب اليابانية والصينية والكورية بالحرف، والإنجليزية والإسبانية بالكلمة. يُبرَز النموذج الأقل أخطاءً في كل لغة. يعرض الجدول النتائج على حاسوب يدعم WebGPU.
| النموذج | اليابانية | الإنجليزية | الإسبانية | الكورية | الصينية |
|---|---|---|---|---|---|
| Haas-ja v1.0 | 5.2% | — | — | — | — |
| SenseVoice Small | 8.6% | 9.0% | — | 7.9% | 7.9% |
| Parakeet Ultra | — | 5.7% | 4.2% | — | — |
| FastConformer | — | — | 9.2% | — | — |
| Whisper Tiny | 44.4% | 16.0% | 21.1% | 20.4% | 30.1% |
| Whisper Base | 26.3% | 11.5% | 13.2% | 13.7% | 24.0% |
| Whisper Small | 14.1% | 7.3% | 7.6% | 7.2% | 14.5% |
| Whisper Medium | 8.7% | 5.7% | 5.3% | 5.7% | 9.8% |
| Whisper Large v3 Turbo | 8.9% | 5.8% | 4.4% | 5.0% | 9.9% |
| Whisper Large v3 | 6.9% | 5.6% | 6.2% | 4.6% | 11.5% |
| Qwen3-ASR 1.7B | 8.0% | 4.3% | 4.1% | 5.1% | 7.7% |
| Voxtral Mini 4B | 6.1% | — | — | — | — |
تعني «—» أن النموذج لا يمكن اختياره لتلك اللغة في هذه الأداة. هذه النتائج لكلام مقروء بصوت عالٍ، لذا تزيد أخطاء كل النماذج في التسجيلات المشوشة أو المحادثات بين عدة أشخاص.
وقت المعالجة وحجم التحميل
وقت المعالجة تقدير للمدة التي يستغرقها تفريغ ساعة واحدة من الصوت على حاسوب الاختبار لدينا (AMD Ryzen 7 8745H، ورسوميات Radeon 780M المدمجة). حجم التحميل هو ما يُحمَّل في المرة الأولى فقط، وبعدها يُستخدم النموذج المحفوظ في المتصفح.
| النموذج | وقت معالجة ساعة من الصوت | التحميل في المرة الأولى | المتطلبات |
|---|---|---|---|
| Haas-ja v1.0 | نحو 2 دقيقة | 〜710 MB | حاسوب يدعم WebGPU (يستخدم نحو 1 GB من ذاكرة GPU) |
| SenseVoice Small | نحو 7 دقيقة | 〜240 MB | الحواسيب والهواتف (يعمل على CPU) |
| Parakeet Ultra | نحو 2 دقيقة | 〜500 MB | حاسوب يدعم WebGPU (يستخدم نحو 1.3 GB من ذاكرة GPU) |
| FastConformer | نحو 3 دقيقة | 〜175 MB | الحواسيب والهواتف (يعمل على CPU) |
| Whisper Tiny | نحو 5 دقيقة | 〜145 MB | الحواسيب والهواتف |
| Whisper Base | نحو 6 دقيقة | 〜280 MB | الحواسيب والهواتف |
| Whisper Small | نحو 10 دقيقة | 〜925 MB | الحواسيب والهواتف |
| Whisper Medium | نحو 19 دقيقة | 〜650 MB | يُنصح بحاسوب يدعم WebGPU (على CPU تستغرق ساعة من الصوت عدة ساعات) |
| Whisper Large v3 Turbo | نحو 16 دقيقة | 〜1.5 GB | يُنصح بحاسوب يدعم WebGPU مع GPU تدعم الفاصلة العائمة 16 بت (fp16) (من دونها يعمل على CPU ويستغرق عدة ساعات) |
| Whisper Large v3 | نحو 23 دقيقة | 〜2.0 GB | حاسوب يدعم WebGPU مع GPU تدعم الفاصلة العائمة 16 بت (fp16) |
| Qwen3-ASR 1.7B | نحو 19 دقيقة | 〜5.2 GB | حاسوب يدعم WebGPU (يستخدم نحو 5 GB من ذاكرة GPU) |
| Voxtral Mini 4B | نحو 50 دقيقة | 〜2.9 GB | حاسوب يدعم WebGPU مع GPU تدعم الفاصلة العائمة 16 بت (fp16) (يستخدم نحو 5 GB من ذاكرة GPU، وتحتاج الرسوميات المدمجة إلى 16 GB من RAM أو أكثر) |
يكون أسرع على الحواسيب ذات GPU مستقلة مثل GeForce، وأبطأ على الحواسيب القديمة. لا يستخدم SenseVoice Small وFastConformer وحدة GPU، بل يعملان على CPU.
على الهواتف والحواسيب التي لا تدعم WebGPU
على الهواتف والحواسيب التي لا تدعم WebGPU، تعمل نسخة أخف (8 بت) من Whisper على CPU. تكون معدلات الأخطاء أعلى منها على GPU الحاسوب، ويتراجع أداء Tiny خاصةً تراجعًا كبيرًا.
| النموذج | اليابانية | الإنجليزية | الإسبانية | الكورية | الصينية | وقت معالجة ساعة من الصوت | التحميل في المرة الأولى |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8.6% | 9.0% | — | 7.9% | 7.9% | نحو 7 دقيقة | 〜240 MB |
| FastConformer | — | — | 9.2% | — | — | نحو 3 دقيقة | 〜175 MB |
| Whisper Tiny | 70.5% | 28.3% | 31.5% | 30.2% | 51.0% | نحو 10 دقيقة | 〜40 MB |
| Whisper Base | 31.2% | 12.1% | 14.0% | 15.2% | 25.1% | نحو 15 دقيقة | 〜75 MB |
| Whisper Small | 14.8% | 7.6% | 7.7% | 7.4% | 14.3% | نحو 45 دقيقة | 〜240 MB |
أوقات المعالجة مقيسة على معالج حاسوب الاختبار لدينا (خيط واحد). تستغرق الهواتف وقتًا أطول. يستغرق Whisper Medium وما فوقه عدة ساعات لساعة واحدة من الصوت على CPU.
ما تُظهره القياسات
- النماذج الأكبر ليست دائمًا أدق. Whisper Large v3 أدق من Large v3 Turbo في اليابانية والكورية، لكنه يرتكب أخطاء أكثر من Turbo في الإسبانية والصينية، ويستغرق نحو 1.4 ضعف الوقت.
- في اليابانية والصينية، يكون SenseVoice Small (240 MB) بدقة Whisper Large v3 Turbo (1.5 GB) أو أفضل (اليابانية 8.6% مقابل 8.9%، والصينية 7.9% مقابل 9.9%).
- دقة Whisper Medium تكاد تساوي دقة Large v3 Turbo بأقل من نصف حجم التحميل (650 MB مقابل 1.5 GB). ويستغرق نحو 1.2 ضعف وقت Turbo.
- Qwen3-ASR 1.7B هو الأقل أخطاءً في الإنجليزية والإسبانية والصينية.
- أقل الأخطاء في اليابانية يحققها Haas-ja v1.0 (5.2%)، أي أقل بنحو 40% من SenseVoice Small (8.6%). ويستغرق أيضًا نحو ثلث الوقت الذي يستغرقه SenseVoice Small.
- على CPU، كما على الهواتف، يرتفع معدل خطأ Whisper Tiny بشدة (من 44.4% إلى 70.5% في اليابانية). أما Small فبالكاد يتغير.
- على CPU، كما على الهواتف، يبلغ معدل خطأ FastConformer (175 MB) في الإسبانية 9.2%، أي أقل من ثلث معدل Whisper Tiny (31.5%)، ويستغرق نحو ثلث وقت معالجة Tiny.
طريقة القياس
- يتكون الصوت من 100 جملة منطوقة لكل لغة، اختيرت على فترات متساوية من قسم الاختبار في FLEURS (كلام مقروء بصوت عالٍ)، وهو معيار متعدد اللغات للتعرف على الكلام نشرته Google.
- فرّغنا الصوت في المتصفح بالبرمجيات نفسها التي تستخدمها هذه الأداة (transformers.js 4.2.0)، وبصيغ النماذج نفسها والمعالجة نفسها (النص الأولي المُعطى لـ Whisper، وإعادة تشغيل الأقسام التي أعادت نتيجة فارغة).
- أزلنا علامات الترقيم والمسافات والفروق بين الأحرف كاملة العرض ونصف العرض قبل المقارنة بالنص الصحيح. حُوِّلت الصينية إلى الصينية المبسطة، ومرّت الإنجليزية بتسوية النص المستخدمة في تقييم Whisper.
- حاسوب الاختبار مزود بمعالج AMD Ryzen 7 8745H (رسوميات Radeon 780M المدمجة) وذاكرة 32 GB، والمتصفح Chromium 153. لا تشمل أوقات المعالجة تهيئة النموذج.
- قيس Haas-ja v1.0 وVoxtral Mini 4B لليابانية فقط، وSenseVoice Small للغات الأربع عدا الإسبانية، وParakeet Ultra للإنجليزية والإسبانية فقط، وFastConformer للإسبانية فقط (أي اللغات التي يمكن اختيار كل نموذج لها في هذه الأداة فقط). قيس Voxtral Mini 4B قبل النماذج الأخرى بيوم، وHaas-ja v1.0 في 3 نوفمبر 2026، وParakeet Ultra في 10 نوفمبر، وFastConformer في 11 نوفمبر، على الحاسوب نفسه والصوت نفسه.
- لأن Qwen3-ASR 1.7B يستخدم نموذجًا منفصلًا لإضافة الطوابع الزمنية، قيس وقت معالجته بتفريغ صوت ياباني (108 ثوانٍ) في هذه الأداة، بما في ذلك تلك الخطوة.
الأسئلة الشائعة
هل النماذج الأكبر أدق؟
ليس دائمًا. في Whisper، تتحسن الدقة مع الحجم من Tiny إلى Medium، لكن Large v3 ارتكب أخطاء أكثر من Large v3 Turbo في الإسبانية والصينية. وفي اليابانية والصينية، تقارب دقة SenseVoice Small الصغير دقة Turbo.
أي نموذج أختار على الهاتف؟
لليابانية والصينية والكورية والإنجليزية، اختر SenseVoice Small، وللإسبانية والفرنسية والإيطالية والألمانية، اختر FastConformer. وكلاهما النموذج الافتراضي أيضًا. للغات الأخرى، يكون Whisper Small الأدق، لكنه بطيء، لذا يُعد Whisper Base خيارًا أيضًا للصوت الطويل. يرتكب Tiny أخطاء كثيرة ولا يُنصح به.
كيف يُختار النموذج الافتراضي؟
يُختار تلقائيًا بناءً على اللغة المحددة وقدرات الجهاز. لليابانية، هو Haas-ja v1.0 على حاسوب بذاكرة 4 GB أو أكثر يتوفر فيه WebGPU في Chrome أو Edge أو متصفح مشابه (باستثناء أجهزة Mac بشرائح Apple). لليابانية في غير ذلك، كالهواتف أو Safari وFirefox، وللصينية والكورية، هو SenseVoice Small. للإنجليزية والإسبانية والألمانية والفرنسية والإيطالية والبرتغالية والروسية والبولندية والهولندية والأوكرانية والمجرية والتشيكية واليونانية، هو Parakeet Ultra على حاسوب برسوميات مدمجة وذاكرة 4 GB أو أكثر يتوفر فيه WebGPU في Chrome أو Edge أو متصفح مشابه. على الهواتف والحواسيب التي لا تدعم WebGPU، هو FastConformer للإسبانية والفرنسية والإيطالية والألمانية (باستثناء الأجهزة قليلة الذاكرة). للإنجليزية على الأجهزة الأخرى وللغات الأخرى، يُختار أحد نماذج Whisper حسب GPU والذاكرة. للإنجليزية، الأجهزة التي كانت ستحصل على Whisper Base أو أصغر (مثل الهواتف، والحواسيب ذات الرسوميات المدمجة في Safari أو Firefox) تحصل على SenseVoice Small بدلًا منه.
هل سيكون معدل الخطأ نفسه في تسجيلات الاجتماعات؟
لا. تستخدم هذه القياسات كلامًا يقرؤه شخص واحد بصوت عالٍ، لذا تزيد أخطاء كل النماذج في التسجيلات المشوشة أو المحادثات بين عدة أشخاص. استخدمها دليلًا لمقارنة النماذج.
اختر نموذجًا وفرّغ الصوت
هذه الأداة مجانية ولا تتطلب تسجيلًا. تُعالَج الملفات الصوتية في متصفحك ولا تغادر جهازك أبدًا.
فتح أداة التفريغ