Srovnání modelů pro převod řeči na text: Whisper vs SenseVoice, Parakeet a další
Všech 12 modelů pro převod řeči na text, které tento nástroj nabízí, jsme změřili na stejném zvuku v 5 jazycích. Chybovost je podíl přepisu, který byl rozpoznán chybně, a doba zpracování je odhad, jak dlouho trvá 1 hodina zvuku. Pokud si nejste jistí, který model zvolit, začněte částí „Doporučení podle jazyka a zařízení“.
Datum měření: 29. října 2026
Doporučení podle jazyka a zařízení
Japonština
Na počítači s WebGPU je nejpřesnější Haas-ja v1.0 (710 MB) s chybovostí 5,2 %. Navíc potřebuje asi třetinu času oproti SenseVoice Small. Na takových počítačích je výchozí v Chrome a Edge (kromě Maců s čipem Apple). Na telefonech a počítačích bez WebGPU zvolte výchozí SenseVoice Small (240 MB). Je zhruba stejně přesný jako Whisper Large v3 Turbo (1,5 GB) a potřebuje méně než polovinu času.
Čínština a korejština
Pro čínštinu je výchozí SenseVoice Small přesnější než kterýkoli model Whisper. Pro korejštinu jsou na počítači s WebGPU přesnější Whisper Large v3 Turbo (chybovost 5,0 %) a Large v3 (4,6 %) než SenseVoice Small (7,9 %). Pro oba jazyky je Qwen3-ASR 1.7B na počítači s WebGPU stejně přesný jako SenseVoice Small nebo přesnější.
Angličtina
Na počítači s WebGPU je dostatečně přesný Whisper Large v3 Turbo (chybovost 5,8 %) nebo Medium (5,7 %). Nejpřesnější je Qwen3-ASR 1.7B (4,3 %), ale při prvním použití stáhne asi 5,2 GB a využívá asi 5 GB paměti GPU. Parakeet Ultra (500 MB) je zhruba stejně přesný jako Large v3 Turbo (5,7 %) a potřebuje asi 1/7 doby zpracování modelu Turbo. Je výchozí na počítačích s integrovanou grafikou v Chrome nebo Edge. Na telefonech zvolte SenseVoice Small (9,0 %).
Španělština, němčina a další jazyky
Pro španělštinu, němčinu, francouzštinu, italštinu, portugalštinu, ruštinu, polštinu, nizozemštinu, ukrajinštinu, maďarštinu, češtinu a další evropské jazyky zvolte na počítači s WebGPU Parakeet Ultra (500 MB). Jeho chybovost ve španělštině je 4,2 %, zhruba stejně jako Large v3 Turbo (4,4 %), a potřebuje asi 1/7 doby zpracování modelu Turbo. Pro těchto 11 jazyků a řečtinu je výchozí na počítačích s integrovanou grafikou v Chrome nebo Edge. V řečtině však dělá méně chyb Whisper Large v3 Turbo, proto když vám jde především o přesnost, zvolte Turbo (na počítačích se samostatnou grafickou kartou je výchozí). Pro ostatní jazyky zvolte na počítači s WebGPU Whisper Large v3 Turbo. Na telefonech a počítačích bez WebGPU zvolte pro španělštinu, francouzštinu, italštinu a němčinu výchozí FastConformer (175 MB). Jeho chybovost ve španělštině je 9,2 %, o něco vyšší než u Whisper Small (7,7 %), ale potřebuje asi 1/15 doby zpracování modelu Small. Pro ostatní jazyky zvolte Whisper Small nebo větší.
Telefony
Pro japonštinu, čínštinu, korejštinu a angličtinu zvolte výchozí SenseVoice Small. Pro španělštinu, francouzštinu, italštinu a němčinu zvolte výchozí FastConformer. Na telefonech běží odlehčená (8bitová) verze modelu Whisper, takže chybovost modelu Tiny v japonštině přesahuje 70 %. Pro ostatní jazyky je nejpřesnější Whisper Small, ale zpracování trvá zhruba stejně dlouho jako zvuk nebo déle. U dlouhého zvuku připadá v úvahu i Whisper Base.
WebGPU umožňuje prohlížeči využívat GPU k výpočtům. Je k dispozici v Chrome, Edge a dalších prohlížečích pro počítače.
Otevřít nástroj pro přepisSenseVoice vs Whisper (japonština, čínština, korejština a angličtina)
SenseVoice Small jsme porovnali se 4 modely Whisper na stejném čteném zvuku (100 promluv na jazyk). SenseVoice Small běží na všech zařízeních včetně telefonů na CPU. Výsledky Whisperu jsou z počítače s WebGPU.
- V čínštině měl SenseVoice Small chybovost 7,9 %, nižší než nejlepší model Whisper, Medium (9,8 %).
- V japonštině byl SenseVoice Small (8,6 %) zhruba na stejné úrovni jako Whisper Medium (8,7 %) a Large v3 Turbo (8,9 %) a méně chyb udělal Large v3 (6,9 %).
- V angličtině udělaly Whisper Small (7,3 %) a větší modely méně chyb než SenseVoice Small (9,0 %). V korejštině byl SenseVoice Small (7,9 %) zhruba na stejné úrovni jako Whisper Small (7,2 %) a méně chyb udělaly Large v3 Turbo (5,0 %) a Large v3 (4,6 %).
- Na našem testovacím počítači trvala 1 hodina zvuku se SenseVoice Small na CPU asi 7 minut a s Whisper Large v3 Turbo na integrované grafice asi 16 minut. Při prvním použití se stáhne 240 MB a 1,5 GB.
| Model | Japonština | Angličtina | Korejština | Čínština | Doba pro 1 hodinu zvuku | Stažení napoprvé |
|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6 % | 9,0 % | 7,9 % | 7,9 % | asi 7 min | 〜240 MB |
| Whisper Small | 14,1 % | 7,3 % | 7,2 % | 14,5 % | asi 10 min | 〜925 MB |
| Whisper Medium | 8,7 % | 5,7 % | 5,7 % | 9,8 % | asi 19 min | 〜650 MB |
| Whisper Large v3 Turbo | 8,9 % | 5,8 % | 5,0 % | 9,9 % | asi 16 min | 〜1.5 GB |
| Whisper Large v3 | 6,9 % | 5,6 % | 4,6 % | 11,5 % | asi 23 min | 〜2.0 GB |
SenseVoice Small nelze v tomto nástroji zvolit pro španělštinu ani jiné evropské jazyky, proto porovnáváme jen 4 jazyky. Doba zpracování SenseVoice Small je na CPU, u Whisperu na GPU. Hodnoty Whisperu na telefonech a počítačích bez WebGPU najdete v tabulce v části „Na telefonech a počítačích bez WebGPU“.
Parakeet vs Whisper (angličtina a španělština)
Parakeet v tomto nástroji je Parakeet Ultra – model, který zveřejnil moondream se stejnou architekturou a slovníkem jako Parakeet TDT 0.6B v3 od NVIDIA a který jsme převedli pro WebGPU. Běží jen na počítačích s WebGPU. Výsledky jsou ze stejného čteného zvuku (100 promluv na jazyk); samotné Parakeet TDT 0.6B v2 a v3 v této tabulce nejsou.
- V angličtině byl Parakeet Ultra (chybovost 5,7 %) zhruba na stejné úrovni jako Whisper Large v3 Turbo (5,8 %), Medium (5,7 %) a Large v3 (5,6 %) a udělal méně chyb než Small (7,3 %) a Base (11,5 %).
- Ve španělštině byl Parakeet Ultra (4,2 %) zhruba na stejné úrovni jako Whisper Large v3 Turbo (4,4 %) a udělal méně chyb než Medium (5,3 %) a Large v3 (6,2 %).
- Na našem testovacím počítači (integrovaná grafika) trvala 1 hodina zvuku s Parakeet Ultra asi 2 minuty, s Whisper Large v3 Turbo asi 16 minut a s Large v3 asi 23 minut. Při prvním použití se stáhne 500 MB, třetina velikosti modelu Turbo (1,5 GB).
| Model | Angličtina | Španělština | Doba pro 1 hodinu zvuku | Stažení napoprvé |
|---|---|---|---|---|
| Parakeet Ultra | 5,7 % | 4,2 % | asi 2 min | 〜500 MB |
| Whisper Base | 11,5 % | 13,2 % | asi 6 min | 〜280 MB |
| Whisper Small | 7,3 % | 7,6 % | asi 10 min | 〜925 MB |
| Whisper Medium | 5,7 % | 5,3 % | asi 19 min | 〜650 MB |
| Whisper Large v3 Turbo | 5,8 % | 4,4 % | asi 16 min | 〜1.5 GB |
| Whisper Large v3 | 5,6 % | 6,2 % | asi 23 min | 〜2.0 GB |
Za stejných podmínek jsme na této stránce měřili jen angličtinu a španělštinu. Parakeet Ultra podporuje také 23 dalších evropských jazyků.
Chybovost podle jazyka
Chybovost je podíl přepisu, který se liší od správného textu. Nižší znamená přesnější. Japonština, čínština a korejština se počítají po znacích, angličtina a španělština po slovech. Model s nejmenším počtem chyb v každém jazyce je zvýrazněn. Tabulka ukazuje výsledky na počítači s WebGPU.
| Model | Japonština | Angličtina | Španělština | Korejština | Čínština |
|---|---|---|---|---|---|
| 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 % | — | — | — | — |
„—“ znamená, že model nelze v tomto nástroji pro daný jazyk zvolit. Jde o výsledky pro předčítanou řeč, takže u nahrávek s šumem nebo rozhovorů více lidí dělá každý model více chyb.
Doba zpracování a velikost stažení
Doba zpracování je odhad, jak dlouho trvá přepsat 1 hodinu zvuku na našem testovacím počítači (AMD Ryzen 7 8745H, integrovaná grafika Radeon 780M). Model se stahuje jen poprvé; poté se použije model uložený v prohlížeči.
| Model | Doba pro 1 hodinu zvuku | Stažení napoprvé | Požadavky |
|---|---|---|---|
| Haas-ja v1.0 | asi 2 min | 〜710 MB | Počítač s WebGPU (využívá asi 1 GB paměti GPU) |
| SenseVoice Small | asi 7 min | 〜240 MB | Počítače i telefony (běží na CPU) |
| Parakeet Ultra | asi 2 min | 〜500 MB | Počítač s WebGPU (využívá asi 1,3 GB paměti GPU) |
| FastConformer | asi 3 min | 〜175 MB | Počítače i telefony (běží na CPU) |
| Whisper Tiny | asi 5 min | 〜145 MB | Počítače i telefony |
| Whisper Base | asi 6 min | 〜280 MB | Počítače i telefony |
| Whisper Small | asi 10 min | 〜925 MB | Počítače i telefony |
| Whisper Medium | asi 19 min | 〜650 MB | Doporučen počítač s WebGPU (na CPU trvá 1 hodina zvuku několik hodin) |
| Whisper Large v3 Turbo | asi 16 min | 〜1.5 GB | Doporučen počítač s WebGPU a GPU s podporou 16bitových čísel s plovoucí čárkou (fp16) (bez toho běží na CPU a trvá několik hodin) |
| Whisper Large v3 | asi 23 min | 〜2.0 GB | Počítač s WebGPU a GPU s podporou 16bitových čísel s plovoucí čárkou (fp16) |
| Qwen3-ASR 1.7B | asi 19 min | 〜5.2 GB | Počítač s WebGPU (využívá asi 5 GB paměti GPU) |
| Voxtral Mini 4B | asi 50 min | 〜2.9 GB | Počítač s WebGPU a GPU s podporou 16bitových čísel s plovoucí čárkou (fp16) (využívá asi 5 GB paměti GPU; integrovaná grafika potřebuje 16 GB RAM nebo více) |
Na počítačích se samostatnou grafickou kartou, například GeForce, je zpracování rychlejší, na starších počítačích pomalejší. SenseVoice Small a FastConformer nevyužívají GPU; běží na CPU.
Na telefonech a počítačích bez WebGPU
Na telefonech a počítačích bez WebGPU běží na CPU odlehčená (8bitová) verze modelu Whisper. Chybovost je vyšší než na GPU počítače a zejména Tiny se výrazně zhoršuje.
| Model | Japonština | Angličtina | Španělština | Korejština | Čínština | Doba pro 1 hodinu zvuku | Stažení napoprvé |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6 % | 9,0 % | — | 7,9 % | 7,9 % | asi 7 min | 〜240 MB |
| FastConformer | — | — | 9,2 % | — | — | asi 3 min | 〜175 MB |
| Whisper Tiny | 70,5 % | 28,3 % | 31,5 % | 30,2 % | 51,0 % | asi 10 min | 〜40 MB |
| Whisper Base | 31,2 % | 12,1 % | 14,0 % | 15,2 % | 25,1 % | asi 15 min | 〜75 MB |
| Whisper Small | 14,8 % | 7,6 % | 7,7 % | 7,4 % | 14,3 % | asi 45 min | 〜240 MB |
Doby zpracování platí pro CPU našeho testovacího počítače (1 vlákno). Telefony potřebují více času. Whisper Medium a větší potřebují na CPU pro 1 hodinu zvuku několik hodin.
Co měření ukazují
- Větší modely nejsou vždy přesnější. Whisper Large v3 je v japonštině a korejštině přesnější než Large v3 Turbo, ale ve španělštině a čínštině dělá více chyb než Turbo a trvá asi 1,4krát déle.
- V japonštině a čínštině je SenseVoice Small (240 MB) stejně přesný jako Whisper Large v3 Turbo (1,5 GB) nebo přesnější (japonština 8,6 % oproti 8,9 %, čínština 7,9 % oproti 9,9 %).
- Whisper Medium je téměř stejně přesný jako Large v3 Turbo při méně než poloviční velikosti stažení (650 MB oproti 1,5 GB). Trvá asi 1,2krát déle než Turbo.
- Qwen3-ASR 1.7B dělá nejméně chyb v angličtině, španělštině a čínštině.
- Nejméně chyb v japonštině dělá Haas-ja v1.0 (5,2 %), asi o 40 % méně než SenseVoice Small (8,6 %). Navíc potřebuje asi třetinu času oproti SenseVoice Small.
- Na CPU, stejně jako na telefonech, chybovost modelu Whisper Tiny prudce stoupá (v japonštině ze 44,4 % na 70,5 %). U modelu Small se téměř nemění.
- Na CPU, stejně jako na telefonech, má FastConformer (175 MB) ve španělštině chybovost 9,2 %, méně než třetinu chybovosti Whisper Tiny (31,5 %), a potřebuje asi třetinu doby zpracování modelu Tiny.
Jak jsme měřili
- Zvuk tvoří 100 promluv na jazyk, vybraných v pravidelných intervalech z testovací části FLEURS (předčítaná řeč), vícejazyčné sady pro hodnocení rozpoznávání řeči, kterou zveřejnil Google.
- Přepisovali jsme v prohlížeči se stejným softwarem jako tento nástroj (transformers.js 4.2.0), stejnými formáty modelů a stejným zpracováním (počáteční text předávaný modelu Whisper a opakované zpracování úseků, které se vrátily prázdné).
- Před porovnáním se správným textem jsme odstranili interpunkci, mezery a rozdíly mezi znaky plné a poloviční šířky. Čínština byla převedena na zjednodušenou čínštinu a angličtina prošla normalizací textu, kterou používá hodnocení modelu Whisper.
- Testovací počítač má procesor AMD Ryzen 7 8745H (integrovaná grafika Radeon 780M) a 32 GB paměti, prohlížečem byl Chromium 153. Doby zpracování nezahrnují načtení modelu.
- Haas-ja v1.0 a Voxtral Mini 4B byly měřeny jen pro japonštinu, SenseVoice Small pro 4 jazyky kromě španělštiny, Parakeet Ultra jen pro angličtinu a španělštinu a FastConformer jen pro španělštinu (jen jazyky, pro které lze daný model v tomto nástroji zvolit). Voxtral Mini 4B byl měřen den před ostatními modely, Haas-ja v1.0 dne 3. listopadu 2026, Parakeet Ultra 10. listopadu a FastConformer 11. listopadu, na stejném počítači a stejném zvuku.
- Protože Qwen3-ASR 1.7B přidává časové značky samostatným modelem, jeho doba zpracování byla změřena přepisem japonského zvuku (108 sekund) v tomto nástroji včetně tohoto kroku.
Časté dotazy
Jsou větší modely přesnější?
Ne vždy. U modelu Whisper se přesnost s velikostí zlepšuje od Tiny po Medium, ale Large v3 dělal ve španělštině a čínštině více chyb než Large v3 Turbo. V japonštině a čínštině je malý SenseVoice Small zhruba stejně přesný jako Turbo.
Který model zvolit na telefonu?
Pro japonštinu, čínštinu, korejštinu a angličtinu zvolte SenseVoice Small, pro španělštinu, francouzštinu, italštinu a němčinu FastConformer. Oba jsou zároveň výchozí. Pro ostatní jazyky je nejpřesnější Whisper Small, ale je pomalý, takže u dlouhého zvuku připadá v úvahu i Whisper Base. Tiny dělá mnoho chyb a nedoporučujeme ho.
Jak se vybírá výchozí model?
Vybírá se automaticky podle zvoleného jazyka a možností zařízení. Pro japonštinu je to Haas-ja v1.0 na počítači se 4 GB paměti nebo více, kde je v Chrome, Edge nebo podobném prohlížeči k dispozici WebGPU (kromě Maců s čipem Apple). Pro japonštinu jinde, například na telefonech nebo v Safari a Firefoxu, a pro čínštinu a korejštinu je to SenseVoice Small. Pro angličtinu, španělštinu, němčinu, francouzštinu, italštinu, portugalštinu, ruštinu, polštinu, nizozemštinu, ukrajinštinu, maďarštinu, češtinu a řečtinu je to Parakeet Ultra na počítači s integrovanou grafikou a 4 GB paměti nebo více, kde je v Chrome, Edge nebo podobném prohlížeči k dispozici WebGPU. Na telefonech a počítačích bez WebGPU je to pro španělštinu, francouzštinu, italštinu a němčinu FastConformer (kromě zařízení s malou pamětí). Pro angličtinu na ostatních zařízeních a pro ostatní jazyky se vybere jeden z modelů Whisper podle GPU a paměti. U angličtiny dostanou zařízení, na kterých by se vybral Whisper Base nebo menší (například telefony a počítače s integrovanou grafikou v Safari nebo Firefoxu), místo toho SenseVoice Small.
Bude chybovost stejná i u nahrávek schůzek?
Ne. Tato měření používají řeč předčítanou jedním člověkem, takže u nahrávek s šumem nebo rozhovorů více lidí dělá každý model více chyb. Berte je jako vodítko pro porovnání modelů.
Vyberte model a přepište
Tento nástroj je zdarma a nevyžaduje registraci. Zvukové soubory se zpracovávají ve vašem prohlížeči a nikdy neopustí vaše zařízení.
Otevřít nástroj pro přepis