Transcriber

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 μεταγραφής

SenseVoice 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.

Ποσοστό σφαλμάτων (%), χρόνος επεξεργασίας και μέγεθος λήψης του SenseVoice Small και του Whisper
ΜοντέλοΙαπωνικάΑγγλικάΚορεατικάΚινεζικάΧρόνος για 1 ώρα ήχουΠρώτη λήψη
SenseVoice Small8,6%9,0%7,9%7,9%περίπου 7 λεπτά〜240 MB
Whisper Small14,1%7,3%7,2%14,5%περίπου 10 λεπτά〜925 MB
Whisper Medium8,7%5,7%5,7%9,8%περίπου 19 λεπτά〜650 MB
Whisper Large v3 Turbo8,9%5,8%5,0%9,9%περίπου 16 λεπτά〜1.5 GB
Whisper Large v36,9%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.

Ποσοστό σφαλμάτων (%), χρόνος επεξεργασίας και μέγεθος λήψης του Parakeet Ultra και του Whisper
ΜοντέλοΑγγλικάΙσπανικάΧρόνος για 1 ώρα ήχουΠρώτη λήψη
Parakeet Ultra5,7%4,2%περίπου 2 λεπτά〜500 MB
Whisper Base11,5%13,2%περίπου 6 λεπτά〜280 MB
Whisper Small7,3%7,6%περίπου 10 λεπτά〜925 MB
Whisper Medium5,7%5,3%περίπου 19 λεπτά〜650 MB
Whisper Large v3 Turbo5,8%4,4%περίπου 16 λεπτά〜1.5 GB
Whisper Large v35,6%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.

Ποσοστό σφαλμάτων (%) ανά μοντέλο και γλώσσα
ΜοντέλοΙαπωνικάΑγγλικάΙσπανικάΚορεατικάΚινεζικά
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%————

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.

Χρόνος επεξεργασίας, μέγεθος λήψης και απαιτήσεις ανά μοντέλο
ΜοντέλοΧρόνος για 1 ώρα ήχουΠρώτη λήψηΑπαιτήσεις
Haas-ja v1.0περίπου 2 λεπτά〜710 MBΥπολογιστής με WebGPU (χρησιμοποιεί περίπου 1 GB μνήμης GPU)
SenseVoice Smallπερίπου 7 λεπτά〜240 MBΥπολογιστές και κινητά (εκτελείται στην CPU)
Parakeet Ultraπερίπου 2 λεπτά〜500 MBΥπολογιστής με WebGPU (χρησιμοποιεί περίπου 1,3 GB μνήμης GPU)
FastConformerπερίπου 3 λεπτά〜175 MBΥπολογιστές και κινητά (εκτελείται στην CPU)
Whisper Tinyπερίπου 5 λεπτά〜145 MBΥπολογιστές και κινητά
Whisper Baseπερίπου 6 λεπτά〜280 MBΥπολογιστές και κινητά
Whisper Smallπερίπου 10 λεπτά〜925 MBΥπολογιστές και κινητά
Whisper Mediumπερίπου 19 λεπτά〜650 MBΣυνιστάται υπολογιστής με WebGPU (στην CPU, η μεταγραφή 1 ώρας ήχου διαρκεί αρκετές ώρες)
Whisper Large v3 Turboπερίπου 16 λεπτά〜1.5 GBΣυνιστάται υπολογιστής με WebGPU και GPU που υποστηρίζει αριθμούς κινητής υποδιαστολής 16 bit (fp16) (χωρίς αυτά εκτελείται στην CPU και διαρκεί αρκετές ώρες)
Whisper Large v3περίπου 23 λεπτά〜2.0 GBΥπολογιστής με WebGPU και GPU που υποστηρίζει αριθμούς κινητής υποδιαστολής 16 bit (fp16)
Qwen3-ASR 1.7Bπερίπου 19 λεπτά〜5.2 GBΥπολογιστής με WebGPU (χρησιμοποιεί περίπου 5 GB μνήμης GPU)
Voxtral Mini 4Bπερίπου 50 λεπτά〜2.9 GBΥπολογιστής 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.

Ποσοστό σφαλμάτων (%), χρόνος επεξεργασίας και μέγεθος λήψης στην CPU
ΜοντέλοΙαπωνικάΑγγλικάΙσπανικάΚορεατικάΚινεζικάΧρόνος για 1 ώρα ήχουΠρώτη λήψη
SenseVoice Small8,6%9,0%—7,9%7,9%περίπου 7 λεπτά〜240 MB
FastConformer——9,2%——περίπου 3 λεπτά〜175 MB
Whisper Tiny70,5%28,3%31,5%30,2%51,0%περίπου 10 λεπτά〜40 MB
Whisper Base31,2%12,1%14,0%15,2%25,1%περίπου 15 λεπτά〜75 MB
Whisper Small14,8%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

Πώς μετρήσαμε

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