Beszédfelismerő modellek összehasonlítása: Whisper vs SenseVoice, Parakeet és mások
Az eszközben elérhető 12 beszédfelismerő modellt ugyanazon a hanganyagon mértük meg 5 nyelven. A hibaarány azt mutatja, hogy az átirat mekkora része lett tévesen felismerve, a feldolgozási idő pedig annak becslése, hogy 1 óra hanganyag mennyi ideig tart. Ha nem biztos benne, melyik modellt válassza, kezdje a „Javaslatok nyelv és eszköz szerint” résszel.
A mérés dátuma: 2026. október 29.
Javaslatok nyelv és eszköz szerint
Japán
WebGPU-t támogató számítógépen a Haas-ja v1.0 (710 MB) a legpontosabb (5,2% hibaarány). Ráadásul körülbelül harmadannyi ideig tart, mint a SenseVoice Small. Ilyen számítógépen Chrome-ban és Edge-ben ez az alapértelmezett (az Apple Silicon processzoros Macek kivételével). Telefonon és WebGPU nélküli számítógépen válassza az alapértelmezett SenseVoice Small modellt (240 MB). Nagyjából olyan pontos, mint a Whisper Large v3 Turbo (1,5 GB), és feleannyi ideig sem tart.
Kínai és koreai
Kínai nyelven az alapértelmezett SenseVoice Small pontosabb bármelyik Whisper-modellnél. Koreai nyelven WebGPU-t támogató számítógépen a Whisper Large v3 Turbo (5,0% hibaarány) és a Large v3 (4,6%) pontosabb a SenseVoice Smallnál (7,9%). Mindkét nyelven a Qwen3-ASR 1.7B WebGPU-t támogató számítógépen legalább olyan pontos, mint a SenseVoice Small.
Angol
WebGPU-t támogató számítógépen a Whisper Large v3 Turbo (5,8% hibaarány) vagy a Medium (5,7%) elég pontos. A legpontosabb a Qwen3-ASR 1.7B (4,3%), de első alkalommal kb. 5,2 GB-ot tölt le, és kb. 5 GB GPU-memóriát használ. A Parakeet Ultra (500 MB) nagyjából olyan pontos, mint a Large v3 Turbo (5,7%), és a Turbo feldolgozási idejének kb. 1/7-éig tart. Integrált grafikás számítógépen Chrome-ban vagy Edge-ben ez az alapértelmezett. Telefonon válassza a SenseVoice Small modellt (9,0%).
Spanyol, német és más nyelvek
Spanyol, német, francia, olasz, portugál, orosz, lengyel, holland, ukrán, magyar, cseh és más európai nyelvekhez WebGPU-t támogató számítógépen válassza a Parakeet Ultra modellt (500 MB). Spanyol hibaaránya 4,2%, nagyjából ugyanannyi, mint a Large v3 Turbóé (4,4%), és a Turbo feldolgozási idejének kb. 1/7-éig tart. Integrált grafikás számítógépen Chrome-ban vagy Edge-ben ez az alapértelmezett ehhez a 11 nyelvhez és a göröghöz. Görög nyelven azonban a Whisper Large v3 Turbo kevesebbet hibázik, ezért ha a pontosság a legfontosabb, válassza a Turbót (dedikált GPU-s számítógépen ez az alapértelmezett). Más nyelvekhez WebGPU-t támogató számítógépen válassza a Whisper Large v3 Turbo modellt. Telefonon és WebGPU nélküli számítógépen spanyol, francia, olasz és német nyelvhez válassza az alapértelmezett FastConformer modellt (175 MB). Spanyol hibaaránya 9,2%, valamivel magasabb, mint a Whisper Smallé (7,7%), de a Small feldolgozási idejének kb. 1/15-éig tart. Más nyelvekhez válassza a Whisper Small vagy nagyobb modellt.
Telefonok
Japán, kínai, koreai és angol nyelvhez válassza az alapértelmezett SenseVoice Small modellt. Spanyol, francia, olasz és német nyelvhez válassza az alapértelmezett FastConformer modellt. Telefonon a Whisper könnyebb (8 bites) változata fut, ezért a Tiny japán hibaaránya meghaladja a 70%-ot. Más nyelveken a Whisper Small a legpontosabb, de a feldolgozás nagyjából a hanganyag hosszáig vagy annál is tovább tart. Hosszú hanganyaghoz a Whisper Base is szóba jöhet.
A WebGPU segítségével a böngésző a GPU-t használhatja számításokra. Az asztali Chrome-ban, Edge-ben és más böngészőkben érhető el.
Az átíró eszköz megnyitásaSenseVoice vs Whisper (japán, kínai, koreai és angol)
A SenseVoice Small modellt 4 Whisper-modellel hasonlítottuk össze ugyanazon a felolvasott hanganyagon (nyelvenként 100 megnyilatkozás). A SenseVoice Small minden eszközön, a telefonokon is, a CPU-n fut. A Whisper eredményei WebGPU-t támogató számítógépről származnak.
- Kínai nyelven a SenseVoice Small hibaaránya 7,9% volt, alacsonyabb, mint a legjobb Whisper-modellé, a Mediumé (9,8%).
- Japán nyelven a SenseVoice Small (8,6%) nagyjából ugyanannyit hibázott, mint a Whisper Medium (8,7%) és a Large v3 Turbo (8,9%), a Large v3 (6,9%) pedig kevesebbet hibázott.
- Angol nyelven a Whisper Small (7,3%) és a nagyobb modellek kevesebbet hibáztak, mint a SenseVoice Small (9,0%). Koreai nyelven a SenseVoice Small (7,9%) nagyjából ugyanannyit hibázott, mint a Whisper Small (7,2%), a Large v3 Turbo (5,0%) és a Large v3 (4,6%) pedig kevesebbet hibázott.
- A tesztszámítógépünkön 1 óra hanganyag kb. 7 percig tartott a SenseVoice Small modellel a CPU-n, és kb. 16 percig a Whisper Large v3 Turbo modellel az integrált GPU-n. Az első letöltés 240 MB, illetve 1,5 GB.
| Modell | Japán | Angol | Koreai | Kínai | Idő 1 óra hanganyaghoz | Első letöltés |
|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6% | 9,0% | 7,9% | 7,9% | kb. 7 perc | 〜240 MB |
| Whisper Small | 14,1% | 7,3% | 7,2% | 14,5% | kb. 10 perc | 〜925 MB |
| Whisper Medium | 8,7% | 5,7% | 5,7% | 9,8% | kb. 19 perc | 〜650 MB |
| Whisper Large v3 Turbo | 8,9% | 5,8% | 5,0% | 9,9% | kb. 16 perc | 〜1.5 GB |
| Whisper Large v3 | 6,9% | 5,6% | 4,6% | 11,5% | kb. 23 perc | 〜2.0 GB |
Ebben az eszközben a SenseVoice Small nem választható spanyol vagy más európai nyelvekhez, ezért csak 4 nyelvet hasonlítunk össze. A SenseVoice Small feldolgozási ideje a CPU-n, a Whisperé a GPU-n mért érték. A Whisper telefonon és WebGPU nélküli számítógépen mért eredményeit a „Telefonon és WebGPU nélküli számítógépen” táblázat tartalmazza.
Parakeet vs Whisper (angol és spanyol)
Ebben az eszközben a Parakeet a Parakeet Ultra: a moondream által közzétett modell, amelynek felépítése és szókészlete megegyezik az NVIDIA Parakeet TDT 0.6B v3 modelljével, és amelyet mi alakítottunk át WebGPU-hoz. Csak WebGPU-t támogató számítógépen fut. Az eredmények ugyanarról a felolvasott hanganyagról származnak (nyelvenként 100 megnyilatkozás); maga a Parakeet TDT 0.6B v2 és v3 nem szerepel ebben a táblázatban.
- Angol nyelven a Parakeet Ultra (5,7% hibaarány) nagyjából ugyanannyit hibázott, mint a Whisper Large v3 Turbo (5,8%), a Medium (5,7%) és a Large v3 (5,6%), és kevesebbet, mint a Small (7,3%) és a Base (11,5%).
- Spanyol nyelven a Parakeet Ultra (4,2%) nagyjából ugyanannyit hibázott, mint a Whisper Large v3 Turbo (4,4%), és kevesebbet, mint a Medium (5,3%) és a Large v3 (6,2%).
- A tesztszámítógépünkön (integrált GPU) 1 óra hanganyag kb. 2 percig tartott a Parakeet Ultra modellel, kb. 16 percig a Whisper Large v3 Turbo modellel és kb. 23 percig a Large v3 modellel. Az első letöltés 500 MB, a Turbóénak (1,5 GB) harmada.
| Modell | Angol | Spanyol | Idő 1 óra hanganyaghoz | Első letöltés |
|---|---|---|---|---|
| Parakeet Ultra | 5,7% | 4,2% | kb. 2 perc | 〜500 MB |
| Whisper Base | 11,5% | 13,2% | kb. 6 perc | 〜280 MB |
| Whisper Small | 7,3% | 7,6% | kb. 10 perc | 〜925 MB |
| Whisper Medium | 5,7% | 5,3% | kb. 19 perc | 〜650 MB |
| Whisper Large v3 Turbo | 5,8% | 4,4% | kb. 16 perc | 〜1.5 GB |
| Whisper Large v3 | 5,6% | 6,2% | kb. 23 perc | 〜2.0 GB |
Ezen az oldalon csak az angolt és a spanyolt mértük azonos körülmények között. A Parakeet Ultra ezenkívül 23 további európai nyelvet támogat.
Hibaarány nyelvenként
A hibaarány azt mutatja, hogy az átirat mekkora része tér el a helyes szövegtől. Minél alacsonyabb, annál pontosabb. Japán, kínai és koreai nyelven karakterenként, angol és spanyol nyelven szavanként számoltunk. Minden nyelven kiemeltük a legkevesebbet hibázó modellt. A táblázat WebGPU-t támogató számítógépen mért eredményeket mutat.
| Modell | Japán | Angol | Spanyol | Koreai | Kínai |
|---|---|---|---|---|---|
| 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% | — | — | — | — |
A „—” azt jelenti, hogy az adott nyelvhez a modell ebben az eszközben nem választható. Ezek az eredmények felolvasott beszédre vonatkoznak, így zajos felvételeken vagy több ember beszélgetésén minden modell többet hibázik.
Feldolgozási idő és letöltési méret
A feldolgozási idő annak becslése, hogy 1 óra hanganyag átírása mennyi ideig tart a tesztszámítógépünkön (AMD Ryzen 7 8745H, Radeon 780M integrált grafika). A letöltési méretnyi adat csak első alkalommal töltődik le; utána a böngészőben mentett modellt használja.
| Modell | Idő 1 óra hanganyaghoz | Első letöltés | Követelmények |
|---|---|---|---|
| Haas-ja v1.0 | kb. 2 perc | 〜710 MB | WebGPU-t támogató számítógép (kb. 1 GB GPU-memóriát használ) |
| SenseVoice Small | kb. 7 perc | 〜240 MB | Számítógép és telefon (a CPU-n fut) |
| Parakeet Ultra | kb. 2 perc | 〜500 MB | WebGPU-t támogató számítógép (kb. 1,3 GB GPU-memóriát használ) |
| FastConformer | kb. 3 perc | 〜175 MB | Számítógép és telefon (a CPU-n fut) |
| Whisper Tiny | kb. 5 perc | 〜145 MB | Számítógép és telefon |
| Whisper Base | kb. 6 perc | 〜280 MB | Számítógép és telefon |
| Whisper Small | kb. 10 perc | 〜925 MB | Számítógép és telefon |
| Whisper Medium | kb. 19 perc | 〜650 MB | WebGPU-t támogató számítógép ajánlott (a CPU-n 1 óra hanganyag több órát vesz igénybe) |
| Whisper Large v3 Turbo | kb. 16 perc | 〜1.5 GB | WebGPU-t támogató számítógép és 16 bites lebegőpontos számokat (fp16) támogató GPU ajánlott (enélkül a CPU-n fut, és több órát vesz igénybe) |
| Whisper Large v3 | kb. 23 perc | 〜2.0 GB | WebGPU-t támogató számítógép és 16 bites lebegőpontos számokat (fp16) támogató GPU |
| Qwen3-ASR 1.7B | kb. 19 perc | 〜5.2 GB | WebGPU-t támogató számítógép (kb. 5 GB GPU-memóriát használ) |
| Voxtral Mini 4B | kb. 50 perc | 〜2.9 GB | WebGPU-t támogató számítógép és 16 bites lebegőpontos számokat (fp16) támogató GPU (kb. 5 GB GPU-memóriát használ; integrált grafika esetén legalább 16 GB RAM szükséges) |
Dedikált GPU-s (például GeForce) számítógépen gyorsabb, régebbi számítógépen lassabb. A SenseVoice Small és a FastConformer nem használja a GPU-t, hanem a CPU-n fut.
Telefonon és WebGPU nélküli számítógépen
Telefonon és WebGPU nélküli számítógépen a Whisper könnyebb (8 bites) változata fut a CPU-n. A hibaarány magasabb, mint a számítógép GPU-ján, és különösen a Tiny lesz sokkal rosszabb.
| Modell | Japán | Angol | Spanyol | Koreai | Kínai | Idő 1 óra hanganyaghoz | Első letöltés |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6% | 9,0% | — | 7,9% | 7,9% | kb. 7 perc | 〜240 MB |
| FastConformer | — | — | 9,2% | — | — | kb. 3 perc | 〜175 MB |
| Whisper Tiny | 70,5% | 28,3% | 31,5% | 30,2% | 51,0% | kb. 10 perc | 〜40 MB |
| Whisper Base | 31,2% | 12,1% | 14,0% | 15,2% | 25,1% | kb. 15 perc | 〜75 MB |
| Whisper Small | 14,8% | 7,6% | 7,7% | 7,4% | 14,3% | kb. 45 perc | 〜240 MB |
A feldolgozási idők a tesztszámítógépünk CPU-jára (1 szál) vonatkoznak. Telefonon tovább tart. A Whisper Medium és a nagyobb modellek a CPU-n 1 óra hanganyaghoz több órát igényelnek.
Mit mutatnak a mérések?
- A nagyobb modellek nem mindig pontosabbak. A Whisper Large v3 japán és koreai nyelven pontosabb a Large v3 Turbónál, de spanyol és kínai nyelven többet hibázik a Turbónál, és kb. 1,4-szer annyi ideig tart.
- Japán és kínai nyelven a 240 MB-os SenseVoice Small legalább olyan pontos, mint az 1,5 GB-os Whisper Large v3 Turbo (japán: 8,6% és 8,9%, kínai: 7,9% és 9,9%).
- A Whisper Medium majdnem olyan pontos, mint a Large v3 Turbo, a letöltési mérete pedig kevesebb mint fele akkora (650 MB, illetve 1,5 GB). A Turbónál kb. 1,2-szer tovább tart.
- Angol, spanyol és kínai nyelven a Qwen3-ASR 1.7B hibázik a legkevesebbet.
- Japán nyelven a Haas-ja v1.0 hibázik a legkevesebbet (5,2%), kb. 40%-kal kevesebbet, mint a SenseVoice Small (8,6%). Ráadásul körülbelül harmadannyi ideig tart, mint a SenseVoice Small.
- A CPU-n – akárcsak telefonon – a Whisper Tiny hibaaránya meredeken nő (japán nyelven 44,4%-ról 70,5%-ra). A Small alig változik.
- A CPU-n – akárcsak telefonon – a FastConformer (175 MB) spanyol hibaaránya 9,2%, a Whisper Tinyé (31,5%) harmadánál is kevesebb, és a Tiny feldolgozási idejének kb. harmadáig tart.
A mérés módja
- A hanganyag nyelvenként 100 hangminta, egyenletes közönként kiválasztva a FLEURS (felolvasott beszéd) – a Google által közzétett többnyelvű beszédfelismerési benchmark – tesztrészéből.
- A böngészőben írtunk át, ugyanazzal a szoftverrel, mint ez az eszköz (transformers.js 4.2.0), ugyanazokkal a modellformátumokkal és ugyanazzal a feldolgozással (a Whispernek adott kezdőszöveg, valamint az üresen visszaérkező szakaszok újrafuttatása).
- A helyes szöveggel való összevetés előtt eltávolítottuk az írásjeleket, a szóközöket, valamint a teljes és fél szélességű karakterek közötti különbségeket. A kínai szöveget egyszerűsített kínaira alakítottuk, az angol szöveg pedig a Whisper értékelésében használt szövegnormalizáláson ment át.
- A tesztszámítógépben AMD Ryzen 7 8745H (Radeon 780M integrált grafika) és 32 GB memória van, a böngésző Chromium 153 volt. A feldolgozási idők nem tartalmazzák a modell betöltését.
- A Haas-ja v1.0-t és a Voxtral Mini 4B-t csak japán nyelven, a SenseVoice Smallt a spanyolon kívüli 4 nyelven, a Parakeet Ultrát csak angol és spanyol nyelven, a FastConformert pedig csak spanyol nyelven mértük (csak azokon a nyelveken, amelyekhez az adott modell ebben az eszközben választható). A Voxtral Mini 4B-t a többi modell előtti napon, a Haas-ja v1.0-t 2026. november 3-án, a Parakeet Ultrát november 10-én, a FastConformert november 11-én mértük, ugyanazon a számítógépen és hanganyagon.
- Mivel a Qwen3-ASR 1.7B külön modellt használ az időbélyegek hozzáadásához, a feldolgozási idejét japán hanganyag (108 másodperc) ebben az eszközben történő átírásával mértük, ezt a lépést is beleértve.
Gyakori kérdések
A nagyobb modellek pontosabbak?
Nem mindig. A Whispernél a pontosság a mérettel javul a Tinytól a Mediumig, de a Large v3 spanyol és kínai nyelven többet hibázott, mint a Large v3 Turbo. Japán és kínai nyelven a kis SenseVoice Small nagyjából olyan pontos, mint a Turbo.
Melyik modellt válasszam telefonon?
Japán, kínai, koreai és angol nyelvhez a SenseVoice Small, spanyol, francia, olasz és német nyelvhez a FastConformer modellt válassza. Mindkettő egyben az alapértelmezett is. Más nyelveken a Whisper Small a legpontosabb, de lassú, ezért hosszú hanganyaghoz a Whisper Base is szóba jöhet. A Tiny sokat hibázik, nem ajánlott.
Hogyan dől el az alapértelmezett modell?
Automatikusan, a kiválasztott nyelv és az eszköz képességei alapján. Japán nyelvnél a Haas-ja v1.0, ha a számítógépen legalább 4 GB memória van, és Chrome-ban, Edge-ben vagy hasonló böngészőben elérhető a WebGPU (az Apple Silicon processzoros Macek kivételével). Japán nyelvnél máshol – például telefonon, Safariban és Firefoxban –, valamint kínai és koreai nyelvnél a SenseVoice Small. Angol, spanyol, német, francia, olasz, portugál, orosz, lengyel, holland, ukrán, magyar, cseh és görög nyelvnél a Parakeet Ultra, ha a számítógép integrált grafikás, legalább 4 GB memóriája van, és Chrome-ban, Edge-ben vagy hasonló böngészőben elérhető a WebGPU. Telefonon és WebGPU nélküli számítógépen spanyol, francia, olasz és német nyelvnél a FastConformer (a kevés memóriájú eszközök kivételével). Angol nyelvnél más eszközökön, valamint más nyelveknél a GPU és a memória alapján az egyik Whisper-modellt választja ki. Angol nyelvnél azok az eszközök, amelyek Whisper Base vagy kisebb modellt kapnának (például a telefonok és a Safarit vagy Firefoxot használó integrált grafikás számítógépek), helyette a SenseVoice Small modellt kapják.
Értekezletek felvételén is ugyanekkora lesz a hibaarány?
Nem. Ezek a mérések egy ember által felolvasott beszéden készültek, így zajos felvételeken vagy több ember beszélgetésén minden modell többet hibázik. A modellek összehasonlításához használja őket iránymutatásként.
Válasszon modellt, és írja át
Ez az eszköz ingyenes, és nem igényel regisztrációt. A hangfájlok feldolgozása a böngészőben történik, és soha nem hagyják el az eszközt.
Az átíró eszköz megnyitása