Transcriber

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 přepis

SenseVoice 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.

Chybovost (%), doba zpracování a velikost stažení SenseVoice Small a Whisper
ModelJaponštinaAngličtinaKorejštinaČínštinaDoba pro 1 hodinu zvukuStažení napoprvé
SenseVoice Small8,6 %9,0 %7,9 %7,9 %asi 7 min〜240 MB
Whisper Small14,1 %7,3 %7,2 %14,5 %asi 10 min〜925 MB
Whisper Medium8,7 %5,7 %5,7 %9,8 %asi 19 min〜650 MB
Whisper Large v3 Turbo8,9 %5,8 %5,0 %9,9 %asi 16 min〜1.5 GB
Whisper Large v36,9 %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.

Chybovost (%), doba zpracování a velikost stažení Parakeet Ultra a Whisper
ModelAngličtinaŠpanělštinaDoba pro 1 hodinu zvukuStažení napoprvé
Parakeet Ultra5,7 %4,2 %asi 2 min〜500 MB
Whisper Base11,5 %13,2 %asi 6 min〜280 MB
Whisper Small7,3 %7,6 %asi 10 min〜925 MB
Whisper Medium5,7 %5,3 %asi 19 min〜650 MB
Whisper Large v3 Turbo5,8 %4,4 %asi 16 min〜1.5 GB
Whisper Large v35,6 %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.

Chybovost (%) podle modelu a jazyka
ModelJaponštinaAngličtinaŠpanělštinaKorejštinaČínština
Haas-ja v1.05,2 %————
SenseVoice Small8,6 %9,0 %—7,9 %7,9 %
Parakeet Ultra—5,7 %4,2 %——
FastConformer——9,2 %——
Whisper Tiny44,4 %16,0 %21,1 %20,4 %30,1 %
Whisper Base26,3 %11,5 %13,2 %13,7 %24,0 %
Whisper Small14,1 %7,3 %7,6 %7,2 %14,5 %
Whisper Medium8,7 %5,7 %5,3 %5,7 %9,8 %
Whisper Large v3 Turbo8,9 %5,8 %4,4 %5,0 %9,9 %
Whisper Large v36,9 %5,6 %6,2 %4,6 %11,5 %
Qwen3-ASR 1.7B8,0 %4,3 %4,1 %5,1 %7,7 %
Voxtral Mini 4B6,1 %————

„—“ 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.

Doba zpracování, velikost stažení a požadavky podle modelu
ModelDoba pro 1 hodinu zvukuStažení napoprvéPožadavky
Haas-ja v1.0asi 2 min〜710 MBPočítač s WebGPU (využívá asi 1 GB paměti GPU)
SenseVoice Smallasi 7 min〜240 MBPočítače i telefony (běží na CPU)
Parakeet Ultraasi 2 min〜500 MBPočítač s WebGPU (využívá asi 1,3 GB paměti GPU)
FastConformerasi 3 min〜175 MBPočítače i telefony (běží na CPU)
Whisper Tinyasi 5 min〜145 MBPočítače i telefony
Whisper Baseasi 6 min〜280 MBPočítače i telefony
Whisper Smallasi 10 min〜925 MBPočítače i telefony
Whisper Mediumasi 19 min〜650 MBDoporučen počítač s WebGPU (na CPU trvá 1 hodina zvuku několik hodin)
Whisper Large v3 Turboasi 16 min〜1.5 GBDoporučen počítač s WebGPU a GPU s podporou 16bitových čísel s plovoucí čárkou (fp16) (bez toho běží na CPU a trvá několik hodin)
Whisper Large v3asi 23 min〜2.0 GBPočítač s WebGPU a GPU s podporou 16bitových čísel s plovoucí čárkou (fp16)
Qwen3-ASR 1.7Basi 19 min〜5.2 GBPočítač s WebGPU (využívá asi 5 GB paměti GPU)
Voxtral Mini 4Basi 50 min〜2.9 GBPočítač 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.

Chybovost (%), doba zpracování a velikost stažení na CPU
ModelJaponštinaAngličtinaŠpanělštinaKorejštinaČínštinaDoba pro 1 hodinu zvukuStažení napoprvé
SenseVoice Small8,6 %9,0 %—7,9 %7,9 %asi 7 min〜240 MB
FastConformer——9,2 %——asi 3 min〜175 MB
Whisper Tiny70,5 %28,3 %31,5 %30,2 %51,0 %asi 10 min〜40 MB
Whisper Base31,2 %12,1 %14,0 %15,2 %25,1 %asi 15 min〜75 MB
Whisper Small14,8 %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

Jak jsme měřili

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