Transcriber

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 megnyitása

SenseVoice 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.

A SenseVoice Small és a Whisper hibaaránya (%), feldolgozási ideje és letöltési mérete
ModellJapánAngolKoreaiKínaiIdő 1 óra hanganyaghozElső letöltés
SenseVoice Small8,6%9,0%7,9%7,9%kb. 7 perc〜240 MB
Whisper Small14,1%7,3%7,2%14,5%kb. 10 perc〜925 MB
Whisper Medium8,7%5,7%5,7%9,8%kb. 19 perc〜650 MB
Whisper Large v3 Turbo8,9%5,8%5,0%9,9%kb. 16 perc〜1.5 GB
Whisper Large v36,9%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.

A Parakeet Ultra és a Whisper hibaaránya (%), feldolgozási ideje és letöltési mérete
ModellAngolSpanyolIdő 1 óra hanganyaghozElső letöltés
Parakeet Ultra5,7%4,2%kb. 2 perc〜500 MB
Whisper Base11,5%13,2%kb. 6 perc〜280 MB
Whisper Small7,3%7,6%kb. 10 perc〜925 MB
Whisper Medium5,7%5,3%kb. 19 perc〜650 MB
Whisper Large v3 Turbo5,8%4,4%kb. 16 perc〜1.5 GB
Whisper Large v35,6%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.

Hibaarány (%) modell és nyelv szerint
ModellJapánAngolSpanyolKoreaiKínai
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%————

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.

Feldolgozási idő, letöltési méret és követelmények modellenként
ModellIdő 1 óra hanganyaghozElső letöltésKövetelmények
Haas-ja v1.0kb. 2 perc〜710 MBWebGPU-t támogató számítógép (kb. 1 GB GPU-memóriát használ)
SenseVoice Smallkb. 7 perc〜240 MBSzámítógép és telefon (a CPU-n fut)
Parakeet Ultrakb. 2 perc〜500 MBWebGPU-t támogató számítógép (kb. 1,3 GB GPU-memóriát használ)
FastConformerkb. 3 perc〜175 MBSzámítógép és telefon (a CPU-n fut)
Whisper Tinykb. 5 perc〜145 MBSzámítógép és telefon
Whisper Basekb. 6 perc〜280 MBSzámítógép és telefon
Whisper Smallkb. 10 perc〜925 MBSzámítógép és telefon
Whisper Mediumkb. 19 perc〜650 MBWebGPU-t támogató számítógép ajánlott (a CPU-n 1 óra hanganyag több órát vesz igénybe)
Whisper Large v3 Turbokb. 16 perc〜1.5 GBWebGPU-t támogató számítógép és 16 bites lebegőpontos számokat (fp16) támogató GPU ajánlott (enélkül a CPU-n fut, és több órát vesz igénybe)
Whisper Large v3kb. 23 perc〜2.0 GBWebGPU-t támogató számítógép és 16 bites lebegőpontos számokat (fp16) támogató GPU
Qwen3-ASR 1.7Bkb. 19 perc〜5.2 GBWebGPU-t támogató számítógép (kb. 5 GB GPU-memóriát használ)
Voxtral Mini 4Bkb. 50 perc〜2.9 GBWebGPU-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.

Hibaarány (%), feldolgozási idő és letöltési méret a CPU-n
ModellJapánAngolSpanyolKoreaiKínaiIdő 1 óra hanganyaghozElső letöltés
SenseVoice Small8,6%9,0%—7,9%7,9%kb. 7 perc〜240 MB
FastConformer——9,2%——kb. 3 perc〜175 MB
Whisper Tiny70,5%28,3%31,5%30,2%51,0%kb. 10 perc〜40 MB
Whisper Base31,2%12,1%14,0%15,2%25,1%kb. 15 perc〜75 MB
Whisper Small14,8%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 mérés módja

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