Σύγκριση μοντέλων ομιλίας σε κείμενο και πώς να επιλέξετε: Whisper vs SenseVoice, Parakeet και άλλα
Μετρήσαμε τα 12 μοντέλα ομιλίας σε κείμενο αυτού του εργαλείου στον ίδιο ήχο σε 5 γλώσσες. Το ποσοστό σφαλμάτων είναι το μέρος του κειμένου μεταγραφής που αναγνωρίστηκε λανθασμένα, και ο χρόνος επεξεργασίας είναι μια εκτίμηση του χρόνου που χρειάζεται η μεταγραφή 1 ώρας ήχου. Αν δεν είστε σίγουροι ποιο μοντέλο να επιλέξετε, ξεκινήστε από τις «Προτάσεις ανά γλώσσα και συσκευή».
Ημερομηνία μέτρησης: 29 Οκτωβρίου 2026
Προτάσεις ανά γλώσσα και συσκευή
Ιαπωνικά
Σε υπολογιστή με WebGPU, το πιο ακριβές είναι το Haas-ja v1.0 (710 MB) (ποσοστό σφαλμάτων 5,2%). Χρειάζεται επίσης περίπου το ένα τρίτο του χρόνου του SenseVoice Small. Είναι η προεπιλογή σε Chrome και Edge σε τέτοιους υπολογιστές (εκτός από Mac με Apple silicon). Σε κινητά και σε υπολογιστές χωρίς WebGPU, επιλέξτε την προεπιλογή, SenseVoice Small (240 MB). Είναι περίπου τόσο ακριβές όσο το Whisper Large v3 Turbo (1,5 GB) και χρειάζεται λιγότερο από τον μισό χρόνο.
Κινεζικά και Κορεατικά
Για τα Κινεζικά, το προεπιλεγμένο SenseVoice Small είναι πιο ακριβές από κάθε μοντέλο Whisper. Για τα Κορεατικά, σε υπολογιστή με WebGPU, τα Whisper Large v3 Turbo (ποσοστό σφαλμάτων 5,0%) και Large v3 (4,6%) είναι πιο ακριβή από το SenseVoice Small (7,9%). Και για τις δύο γλώσσες, το Qwen3-ASR 1.7B σε υπολογιστή με WebGPU είναι τόσο ακριβές όσο το SenseVoice Small ή καλύτερο.
Αγγλικά
Σε υπολογιστή με WebGPU, το Whisper Large v3 Turbo (ποσοστό σφαλμάτων 5,8%) ή το Medium (5,7%) είναι αρκετά ακριβή. Το πιο ακριβές είναι το Qwen3-ASR 1.7B (4,3%), αλλά την πρώτη φορά κατεβάζει περίπου 5,2 GB και χρησιμοποιεί περίπου 5 GB μνήμης GPU. Το Parakeet Ultra (500 MB) είναι περίπου τόσο ακριβές όσο το Large v3 Turbo (5,7%) και χρειάζεται περίπου το 1/7 του χρόνου επεξεργασίας του Turbo. Είναι η προεπιλογή σε υπολογιστές με ενσωματωμένα γραφικά σε Chrome ή Edge. Σε κινητά, επιλέξτε SenseVoice Small (9,0%).
Ισπανικά, Γερμανικά και άλλες γλώσσες
Για Ισπανικά, Γερμανικά, Γαλλικά, Ιταλικά, Πορτογαλικά, Ρωσικά, Πολωνικά, Ολλανδικά, Ουκρανικά, Ουγγρικά, Τσεχικά και άλλες ευρωπαϊκές γλώσσες, επιλέξτε Parakeet Ultra (500 MB) σε υπολογιστή με WebGPU. Το ποσοστό σφαλμάτων του στα Ισπανικά είναι 4,2%, περίπου όσο του Large v3 Turbo (4,4%), και χρειάζεται περίπου το 1/7 του χρόνου επεξεργασίας του Turbo. Είναι η προεπιλογή για αυτές τις 11 γλώσσες και τα Ελληνικά σε υπολογιστές με ενσωματωμένα γραφικά σε Chrome ή Edge. Ωστόσο, για τα Ελληνικά το Whisper Large v3 Turbo κάνει λιγότερα λάθη, οπότε επιλέξτε το Turbo όταν προέχει η ακρίβεια (είναι η προεπιλογή σε υπολογιστές με αποκλειστική κάρτα γραφικών). Για άλλες γλώσσες, επιλέξτε Whisper Large v3 Turbo σε υπολογιστή με WebGPU. Σε κινητά και σε υπολογιστές χωρίς WebGPU, επιλέξτε την προεπιλογή, FastConformer (175 MB), για Ισπανικά, Γαλλικά, Ιταλικά και Γερμανικά. Το ποσοστό σφαλμάτων του στα Ισπανικά είναι 9,2%, λίγο υψηλότερο από του Whisper Small (7,7%), αλλά χρειάζεται περίπου το 1/15 του χρόνου επεξεργασίας του Small. Για άλλες γλώσσες, επιλέξτε Whisper Small ή μεγαλύτερο.
Κινητά
Για Ιαπωνικά, Κινεζικά, Κορεατικά και Αγγλικά, επιλέξτε την προεπιλογή, SenseVoice Small. Για Ισπανικά, Γαλλικά, Ιταλικά και Γερμανικά, επιλέξτε την προεπιλογή, FastConformer. Στα κινητά εκτελείται μια ελαφρύτερη έκδοση (8 bit) του Whisper, οπότε το ποσοστό σφαλμάτων του Tiny στα Ιαπωνικά ξεπερνά το 70%. Για άλλες γλώσσες, το πιο ακριβές είναι το Whisper Small, αλλά η επεξεργασία διαρκεί περίπου όσο ο ήχος ή περισσότερο. Για ήχο μεγάλης διάρκειας, μια επιλογή είναι και το Whisper Base.
Το WebGPU είναι ένας τρόπος να χρησιμοποιεί το πρόγραμμα περιήγησης την GPU για υπολογισμούς. Είναι διαθέσιμο σε Chrome, Edge και άλλα προγράμματα περιήγησης για υπολογιστές.
Άνοιγμα του εργαλείου μεταγραφήςSenseVoice vs Whisper (Ιαπωνικά, Κινεζικά, Κορεατικά και Αγγλικά)
Συγκρίναμε το SenseVoice Small με 4 μοντέλα Whisper στον ίδιο ήχο ανάγνωσης κειμένου (100 εκφωνήματα ανά γλώσσα). Το SenseVoice Small εκτελείται στην CPU σε κάθε συσκευή, και στα κινητά. Οι τιμές του Whisper είναι από υπολογιστή με WebGPU.
- Στα Κινεζικά, το SenseVoice Small είχε ποσοστό σφαλμάτων 7,9%, χαμηλότερο από το καλύτερο μοντέλο Whisper, το Medium (9,8%).
- Στα Ιαπωνικά, το SenseVoice Small (8,6%) ήταν περίπου στο ίδιο επίπεδο με το Whisper Medium (8,7%) και το Large v3 Turbo (8,9%), ενώ το Large v3 (6,9%) έκανε λιγότερα λάθη.
- Στα Αγγλικά, το Whisper Small (7,3%) και τα μεγαλύτερα μοντέλα έκαναν λιγότερα λάθη από το SenseVoice Small (9,0%). Στα Κορεατικά, το SenseVoice Small (7,9%) ήταν περίπου στο ίδιο επίπεδο με το Whisper Small (7,2%), ενώ το Large v3 Turbo (5,0%) και το Large v3 (4,6%) έκαναν λιγότερα λάθη.
- Στον υπολογιστή δοκιμών μας, 1 ώρα ήχου χρειάστηκε περίπου 7 λεπτά με το SenseVoice Small στην CPU και περίπου 16 λεπτά με το Whisper Large v3 Turbo στην ενσωματωμένη GPU. Οι λήψεις την πρώτη φορά είναι 240 MB και 1,5 GB.
| Μοντέλο | Ιαπωνικά | Αγγλικά | Κορεατικά | Κινεζικά | Χρόνος για 1 ώρα ήχου | Πρώτη λήψη |
|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6% | 9,0% | 7,9% | 7,9% | περίπου 7 λεπτά | 〜240 MB |
| Whisper Small | 14,1% | 7,3% | 7,2% | 14,5% | περίπου 10 λεπτά | 〜925 MB |
| Whisper Medium | 8,7% | 5,7% | 5,7% | 9,8% | περίπου 19 λεπτά | 〜650 MB |
| Whisper Large v3 Turbo | 8,9% | 5,8% | 5,0% | 9,9% | περίπου 16 λεπτά | 〜1.5 GB |
| Whisper Large v3 | 6,9% | 5,6% | 4,6% | 11,5% | περίπου 23 λεπτά | 〜2.0 GB |
Σε αυτό το εργαλείο το SenseVoice Small δεν μπορεί να επιλεγεί για Ισπανικά ή άλλες ευρωπαϊκές γλώσσες, γι’ αυτό συγκρίνονται μόνο 4 γλώσσες. Ο χρόνος επεξεργασίας του SenseVoice Small αφορά την CPU και του Whisper τη GPU. Για το Whisper σε κινητά και σε υπολογιστές χωρίς WebGPU, δείτε τον πίνακα στην ενότητα «Σε κινητά και σε υπολογιστές χωρίς WebGPU».
Parakeet vs Whisper (Αγγλικά και Ισπανικά)
Το Parakeet σε αυτό το εργαλείο είναι το Parakeet Ultra, ένα μοντέλο που δημοσίευσε η moondream με την ίδια αρχιτεκτονική και το ίδιο λεξιλόγιο με το Parakeet TDT 0.6B v3 της NVIDIA και το οποίο μετατρέψαμε για WebGPU. Εκτελείται μόνο σε υπολογιστές με WebGPU. Τα αποτελέσματα είναι από τον ίδιο ήχο ανάγνωσης κειμένου (100 εκφωνήματα ανά γλώσσα)· τα ίδια τα Parakeet TDT 0.6B v2 και v3 δεν περιλαμβάνονται σε αυτόν τον πίνακα.
- Στα Αγγλικά, το Parakeet Ultra (ποσοστό σφαλμάτων 5,7%) ήταν περίπου στο ίδιο επίπεδο με το Whisper Large v3 Turbo (5,8%), το Medium (5,7%) και το Large v3 (5,6%), και έκανε λιγότερα λάθη από το Small (7,3%) και το Base (11,5%).
- Στα Ισπανικά, το Parakeet Ultra (4,2%) ήταν περίπου στο ίδιο επίπεδο με το Whisper Large v3 Turbo (4,4%) και έκανε λιγότερα λάθη από το Medium (5,3%) και το Large v3 (6,2%).
- Στον υπολογιστή δοκιμών μας (ενσωματωμένη GPU), 1 ώρα ήχου χρειάστηκε περίπου 2 λεπτά με το Parakeet Ultra, περίπου 16 λεπτά με το Whisper Large v3 Turbo και περίπου 23 λεπτά με το Large v3. Η λήψη την πρώτη φορά είναι 500 MB, το ένα τρίτο του Turbo (1,5 GB).
| Μοντέλο | Αγγλικά | Ισπανικά | Χρόνος για 1 ώρα ήχου | Πρώτη λήψη |
|---|---|---|---|---|
| Parakeet Ultra | 5,7% | 4,2% | περίπου 2 λεπτά | 〜500 MB |
| Whisper Base | 11,5% | 13,2% | περίπου 6 λεπτά | 〜280 MB |
| Whisper Small | 7,3% | 7,6% | περίπου 10 λεπτά | 〜925 MB |
| Whisper Medium | 5,7% | 5,3% | περίπου 19 λεπτά | 〜650 MB |
| Whisper Large v3 Turbo | 5,8% | 4,4% | περίπου 16 λεπτά | 〜1.5 GB |
| Whisper Large v3 | 5,6% | 6,2% | περίπου 23 λεπτά | 〜2.0 GB |
Σε αυτή τη σελίδα μόνο τα Αγγλικά και τα Ισπανικά μετρήθηκαν υπό τις ίδιες συνθήκες. Το Parakeet Ultra υποστηρίζει επίσης 23 ακόμη ευρωπαϊκές γλώσσες.
Ποσοστά σφαλμάτων ανά γλώσσα
Το ποσοστό σφαλμάτων είναι το μέρος του κειμένου μεταγραφής που διαφέρει από το σωστό κείμενο. Όσο χαμηλότερο, τόσο πιο ακριβές. Τα Ιαπωνικά, τα Κινεζικά και τα Κορεατικά μετρώνται ανά χαρακτήρα και τα Αγγλικά και τα Ισπανικά ανά λέξη. Επισημαίνεται το μοντέλο με τα λιγότερα λάθη σε κάθε γλώσσα. Ο πίνακας δείχνει αποτελέσματα σε υπολογιστή με WebGPU.
| Μοντέλο | Ιαπωνικά | Αγγλικά | Ισπανικά | Κορεατικά | Κινεζικά |
|---|---|---|---|---|---|
| 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% | — | — | — | — |
Το «—» σημαίνει ότι το μοντέλο δεν μπορεί να επιλεγεί για αυτή τη γλώσσα σε αυτό το εργαλείο. Τα αποτελέσματα αφορούν ανάγνωση κειμένου, οπότε όλα τα μοντέλα κάνουν περισσότερα λάθη σε ηχογραφήσεις με θόρυβο ή σε συζητήσεις πολλών ατόμων.
Χρόνος επεξεργασίας και μέγεθος λήψης
Ο χρόνος επεξεργασίας είναι μια εκτίμηση του πόσο διαρκεί η μεταγραφή 1 ώρας ήχου στον υπολογιστή δοκιμών μας (AMD Ryzen 7 8745H, ενσωματωμένα γραφικά Radeon 780M). Η λήψη γίνεται μόνο την πρώτη φορά· μετά χρησιμοποιείται το μοντέλο που είναι αποθηκευμένο στο πρόγραμμα περιήγησης.
| Μοντέλο | Χρόνος για 1 ώρα ήχου | Πρώτη λήψη | Απαιτήσεις |
|---|---|---|---|
| Haas-ja v1.0 | περίπου 2 λεπτά | 〜710 MB | Υπολογιστής με WebGPU (χρησιμοποιεί περίπου 1 GB μνήμης GPU) |
| SenseVoice Small | περίπου 7 λεπτά | 〜240 MB | Υπολογιστές και κινητά (εκτελείται στην CPU) |
| Parakeet Ultra | περίπου 2 λεπτά | 〜500 MB | Υπολογιστής με WebGPU (χρησιμοποιεί περίπου 1,3 GB μνήμης GPU) |
| FastConformer | περίπου 3 λεπτά | 〜175 MB | Υπολογιστές και κινητά (εκτελείται στην CPU) |
| Whisper Tiny | περίπου 5 λεπτά | 〜145 MB | Υπολογιστές και κινητά |
| Whisper Base | περίπου 6 λεπτά | 〜280 MB | Υπολογιστές και κινητά |
| Whisper Small | περίπου 10 λεπτά | 〜925 MB | Υπολογιστές και κινητά |
| Whisper Medium | περίπου 19 λεπτά | 〜650 MB | Συνιστάται υπολογιστής με WebGPU (στην CPU, η μεταγραφή 1 ώρας ήχου διαρκεί αρκετές ώρες) |
| Whisper Large v3 Turbo | περίπου 16 λεπτά | 〜1.5 GB | Συνιστάται υπολογιστής με WebGPU και GPU που υποστηρίζει αριθμούς κινητής υποδιαστολής 16 bit (fp16) (χωρίς αυτά εκτελείται στην CPU και διαρκεί αρκετές ώρες) |
| Whisper Large v3 | περίπου 23 λεπτά | 〜2.0 GB | Υπολογιστής με WebGPU και GPU που υποστηρίζει αριθμούς κινητής υποδιαστολής 16 bit (fp16) |
| Qwen3-ASR 1.7B | περίπου 19 λεπτά | 〜5.2 GB | Υπολογιστής με WebGPU (χρησιμοποιεί περίπου 5 GB μνήμης GPU) |
| Voxtral Mini 4B | περίπου 50 λεπτά | 〜2.9 GB | Υπολογιστής με WebGPU και GPU που υποστηρίζει αριθμούς κινητής υποδιαστολής 16 bit (fp16) (χρησιμοποιεί περίπου 5 GB μνήμης GPU· με ενσωματωμένα γραφικά απαιτούνται 16 GB RAM ή περισσότερα) |
Η επεξεργασία είναι ταχύτερη σε υπολογιστές με αποκλειστική κάρτα γραφικών, όπως GeForce, και πιο αργή σε παλαιότερους υπολογιστές. Τα SenseVoice Small και FastConformer δεν χρησιμοποιούν την GPU· εκτελούνται στην CPU.
Σε κινητά και σε υπολογιστές χωρίς WebGPU
Σε κινητά και σε υπολογιστές χωρίς WebGPU, μια ελαφρύτερη έκδοση (8 bit) του Whisper εκτελείται στην CPU. Τα ποσοστά σφαλμάτων είναι υψηλότερα από ό,τι στην GPU ενός υπολογιστή, και ιδίως το Tiny χειροτερεύει πολύ.
| Μοντέλο | Ιαπωνικά | Αγγλικά | Ισπανικά | Κορεατικά | Κινεζικά | Χρόνος για 1 ώρα ήχου | Πρώτη λήψη |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6% | 9,0% | — | 7,9% | 7,9% | περίπου 7 λεπτά | 〜240 MB |
| FastConformer | — | — | 9,2% | — | — | περίπου 3 λεπτά | 〜175 MB |
| Whisper Tiny | 70,5% | 28,3% | 31,5% | 30,2% | 51,0% | περίπου 10 λεπτά | 〜40 MB |
| Whisper Base | 31,2% | 12,1% | 14,0% | 15,2% | 25,1% | περίπου 15 λεπτά | 〜75 MB |
| Whisper Small | 14,8% | 7,6% | 7,7% | 7,4% | 14,3% | περίπου 45 λεπτά | 〜240 MB |
Οι χρόνοι επεξεργασίας αφορούν την CPU του υπολογιστή δοκιμών μας (1 νήμα). Τα κινητά χρειάζονται περισσότερο χρόνο. Τα Whisper Medium και μεγαλύτερα χρειάζονται αρκετές ώρες για 1 ώρα ήχου στην CPU.
Τι δείχνουν οι μετρήσεις
- Τα μεγαλύτερα μοντέλα δεν είναι πάντα πιο ακριβή. Το Whisper Large v3 είναι πιο ακριβές από το Large v3 Turbo στα Ιαπωνικά και τα Κορεατικά, αλλά κάνει περισσότερα λάθη από το Turbo στα Ισπανικά και τα Κινεζικά και χρειάζεται περίπου 1,4 φορές περισσότερο χρόνο.
- Στα Ιαπωνικά και τα Κινεζικά, το SenseVoice Small των 240 MB είναι τόσο ακριβές όσο το Whisper Large v3 Turbo του 1,5 GB ή καλύτερο (Ιαπωνικά 8,6% έναντι 8,9%, Κινεζικά 7,9% έναντι 9,9%).
- Το Whisper Medium είναι σχεδόν τόσο ακριβές όσο το Large v3 Turbo με λιγότερο από το μισό μέγεθος λήψης (650 MB έναντι 1,5 GB). Χρειάζεται περίπου 1,2 φορές τον χρόνο του Turbo.
- Το Qwen3-ASR 1.7B έχει τα λιγότερα λάθη στα Αγγλικά, τα Ισπανικά και τα Κινεζικά.
- Τα λιγότερα λάθη στα Ιαπωνικά τα έχει το Haas-ja v1.0 (5,2%), περίπου 40% λιγότερα από το SenseVoice Small (8,6%). Χρειάζεται επίσης περίπου το ένα τρίτο του χρόνου του SenseVoice Small.
- Στην CPU, όπως και στα κινητά, το ποσοστό σφαλμάτων του Whisper Tiny αυξάνεται απότομα (από 44,4% σε 70,5% στα Ιαπωνικά). Το Small σχεδόν δεν αλλάζει.
- Στην CPU, όπως και στα κινητά, το FastConformer (175 MB) έχει ποσοστό σφαλμάτων 9,2% στα Ισπανικά, λιγότερο από το ένα τρίτο του Whisper Tiny (31,5%), και χρειάζεται περίπου το ένα τρίτο του χρόνου επεξεργασίας του Tiny.
Πώς μετρήσαμε
- Ο ήχος αποτελείται από 100 εκφωνήματα ανά γλώσσα, επιλεγμένα σε ίσα διαστήματα από το σύνολο δοκιμών του FLEURS (ανάγνωση κειμένου), ενός πολύγλωσσου σημείου αναφοράς αναγνώρισης ομιλίας που δημοσίευσε η Google.
- Μεταγράψαμε στο πρόγραμμα περιήγησης με το ίδιο λογισμικό με αυτό το εργαλείο (transformers.js 4.2.0), τις ίδιες μορφές μοντέλων και την ίδια επεξεργασία (το αρχικό κείμενο που δίνεται στο Whisper και την επανεκτέλεση τμημάτων που επέστρεψαν κενά).
- Πριν από τη σύγκριση με το σωστό κείμενο αφαιρέσαμε τη στίξη, τα κενά και τις διαφορές πλήρους/μισού πλάτους χαρακτήρων. Τα Κινεζικά μετατράπηκαν σε απλοποιημένα Κινεζικά και τα Αγγλικά πέρασαν από την κανονικοποίηση κειμένου που χρησιμοποιείται στην αξιολόγηση του Whisper.
- Ο υπολογιστής δοκιμών έχει AMD Ryzen 7 8745H (ενσωματωμένα γραφικά Radeon 780M) και 32 GB μνήμης, και το πρόγραμμα περιήγησης ήταν το Chromium 153. Οι χρόνοι επεξεργασίας δεν περιλαμβάνουν τη φόρτωση του μοντέλου.
- Τα Haas-ja v1.0 και Voxtral Mini 4B μετρήθηκαν μόνο για τα Ιαπωνικά, το SenseVoice Small για τις 4 γλώσσες εκτός από τα Ισπανικά, το Parakeet Ultra μόνο για τα Αγγλικά και τα Ισπανικά και το FastConformer μόνο για τα Ισπανικά (μόνο οι γλώσσες για τις οποίες μπορεί να επιλεγεί κάθε μοντέλο σε αυτό το εργαλείο). Το Voxtral Mini 4B μετρήθηκε μία ημέρα πριν από τα άλλα μοντέλα, το Haas-ja v1.0 στις 3 Νοεμβρίου 2026, το Parakeet Ultra στις 10 Νοεμβρίου και το FastConformer στις 11 Νοεμβρίου, στον ίδιο υπολογιστή και με τον ίδιο ήχο.
- Επειδή το Qwen3-ASR 1.7B χρησιμοποιεί ξεχωριστό μοντέλο για να προσθέτει χρονοσημάνσεις, ο χρόνος επεξεργασίας του μετρήθηκε με μεταγραφή ιαπωνικού ήχου (108 δευτερόλεπτα) σε αυτό το εργαλείο, μαζί με εκείνο το βήμα.
Συχνές ερωτήσεις
Είναι τα μεγαλύτερα μοντέλα πιο ακριβή;
Όχι πάντα. Στο Whisper, η ακρίβεια βελτιώνεται με το μέγεθος από το Tiny έως το Medium, αλλά το Large v3 έκανε περισσότερα λάθη από το Large v3 Turbo στα Ισπανικά και τα Κινεζικά. Στα Ιαπωνικά και τα Κινεζικά, το μικρό SenseVoice Small είναι περίπου τόσο ακριβές όσο το Turbo.
Ποιο μοντέλο να επιλέξω σε κινητό;
Για Ιαπωνικά, Κινεζικά, Κορεατικά και Αγγλικά, επιλέξτε SenseVoice Small, και για Ισπανικά, Γαλλικά, Ιταλικά και Γερμανικά, επιλέξτε FastConformer. Και τα δύο είναι επίσης οι προεπιλογές. Για άλλες γλώσσες, το πιο ακριβές είναι το Whisper Small, αλλά είναι αργό, οπότε για ήχο μεγάλης διάρκειας μια επιλογή είναι και το Whisper Base. Το Tiny κάνει πολλά λάθη και δεν συνιστάται.
Πώς επιλέγεται το προεπιλεγμένο μοντέλο;
Επιλέγεται αυτόματα με βάση την επιλεγμένη γλώσσα και τις δυνατότητες της συσκευής. Για τα Ιαπωνικά, είναι το Haas-ja v1.0 σε υπολογιστή με 4 GB μνήμης ή περισσότερα, όπου το WebGPU είναι διαθέσιμο σε Chrome, Edge ή παρόμοιο πρόγραμμα περιήγησης (εκτός από Mac με Apple silicon). Για τα Ιαπωνικά αλλού, π.χ. σε κινητά ή σε Safari και Firefox, και για Κινεζικά και Κορεατικά, είναι το SenseVoice Small. Για Αγγλικά, Ισπανικά, Γερμανικά, Γαλλικά, Ιταλικά, Πορτογαλικά, Ρωσικά, Πολωνικά, Ολλανδικά, Ουκρανικά, Ουγγρικά, Τσεχικά και Ελληνικά, είναι το Parakeet Ultra σε υπολογιστή με ενσωματωμένα γραφικά και 4 GB μνήμης ή περισσότερα, όπου το WebGPU είναι διαθέσιμο σε Chrome, Edge ή παρόμοιο πρόγραμμα περιήγησης. Σε κινητά και σε υπολογιστές χωρίς WebGPU, είναι το FastConformer για Ισπανικά, Γαλλικά, Ιταλικά και Γερμανικά (εκτός από συσκευές με λίγη μνήμη). Για τα Αγγλικά σε άλλες συσκευές και για άλλες γλώσσες, επιλέγεται ένα από τα μοντέλα Whisper με βάση την GPU και τη μνήμη. Για τα Αγγλικά, οι συσκευές που θα έπαιρναν Whisper Base ή μικρότερο (όπως τα κινητά και οι υπολογιστές με ενσωματωμένα γραφικά σε Safari ή Firefox) παίρνουν αντί γι’ αυτό το SenseVoice Small.
Θα είναι ίδιο το ποσοστό σφαλμάτων σε ηχογραφήσεις συσκέψεων;
Όχι. Αυτές οι μετρήσεις χρησιμοποιούν ομιλία που διαβάζει δυνατά ένα άτομο, οπότε όλα τα μοντέλα κάνουν περισσότερα λάθη σε ηχογραφήσεις με θόρυβο ή σε συζητήσεις πολλών ατόμων. Χρησιμοποιήστε τις ως οδηγό για τη σύγκριση των μοντέλων.
Επιλέξτε μοντέλο και μεταγράψτε
Αυτό το εργαλείο είναι δωρεάν και δεν απαιτεί εγγραφή. Τα αρχεία ήχου υποβάλλονται σε επεξεργασία στο πρόγραμμα περιήγησής σας και δεν φεύγουν ποτέ από τη συσκευή σας.
Άνοιγμα του εργαλείου μεταγραφής