Perbandingan model speech-to-text dan cara memilih: Whisper vs SenseVoice, Parakeet, dan lainnya
Kami mengukur 12 model speech-to-text yang tersedia di alat ini pada audio yang sama dalam 5 bahasa. Tingkat kesalahan adalah porsi transkrip yang dikenali secara keliru, dan waktu pemrosesan adalah perkiraan lama pemrosesan audio 1 jam. Jika Anda tidak yakin model mana yang harus dipilih, mulailah dari “Rekomendasi per bahasa dan perangkat”.
Diukur pada: 29 Oktober 2026
Rekomendasi per bahasa dan perangkat
Bahasa Jepang
Di komputer dengan WebGPU, Haas-ja v1.0 (710 MB) adalah yang paling akurat (tingkat kesalahan 5,2%). Waktunya juga hanya sekitar sepertiga dari SenseVoice Small. Model ini menjadi default di Chrome dan Edge pada komputer tersebut (kecuali Mac dengan Apple silicon). Di ponsel dan komputer tanpa WebGPU, pilih model default, SenseVoice Small (240 MB). Akurasinya kurang lebih sama dengan Whisper Large v3 Turbo (1,5 GB) dan waktunya kurang dari separuhnya.
Bahasa Mandarin dan Korea
Untuk bahasa Mandarin, model default SenseVoice Small lebih akurat daripada semua model Whisper. Untuk bahasa Korea, di komputer dengan WebGPU, Whisper Large v3 Turbo (tingkat kesalahan 5,0%) dan Large v3 (4,6%) lebih akurat daripada SenseVoice Small (7,9%). Untuk kedua bahasa, Qwen3-ASR 1.7B di komputer dengan WebGPU setara atau lebih akurat daripada SenseVoice Small.
Bahasa Inggris
Di komputer dengan WebGPU, Whisper Large v3 Turbo (tingkat kesalahan 5,8%) atau Medium (5,7%) sudah cukup akurat. Yang paling akurat adalah Qwen3-ASR 1.7B (4,3%), tetapi model ini mengunduh sekitar 5,2 GB pada penggunaan pertama dan memakai sekitar 5 GB memori GPU. Parakeet Ultra (500 MB) kurang lebih seakurat Large v3 Turbo (5,7%) dan waktu pemrosesannya sekitar 1/7 dari Turbo. Model ini menjadi default di komputer dengan grafis terintegrasi pada Chrome atau Edge. Di ponsel, pilih SenseVoice Small (9,0%).
Bahasa Spanyol, Jerman, dan lainnya
Untuk bahasa Spanyol, Jerman, Prancis, Italia, Portugis, Rusia, Polandia, Belanda, Ukraina, Hungaria, Ceko, dan bahasa Eropa lainnya, pilih Parakeet Ultra (500 MB) di komputer dengan WebGPU. Tingkat kesalahannya untuk bahasa Spanyol 4,2%, kurang lebih sama dengan Large v3 Turbo (4,4%), dan waktu pemrosesannya sekitar 1/7 dari Turbo. Model ini menjadi default untuk 11 bahasa tersebut dan bahasa Yunani di komputer dengan grafis terintegrasi pada Chrome atau Edge. Namun, untuk bahasa Yunani, kesalahan Whisper Large v3 Turbo lebih sedikit, jadi pilih Turbo jika akurasi paling penting (Turbo menjadi default di komputer dengan GPU khusus). Untuk bahasa lain, pilih Whisper Large v3 Turbo di komputer dengan WebGPU. Di ponsel dan komputer tanpa WebGPU, pilih model default, FastConformer (175 MB), untuk bahasa Spanyol, Prancis, Italia, dan Jerman. Tingkat kesalahannya untuk bahasa Spanyol 9,2%, sedikit lebih tinggi daripada Whisper Small (7,7%), tetapi waktu pemrosesannya sekitar 1/15 dari Small. Untuk bahasa lain, pilih Whisper Small atau yang lebih besar.
Ponsel
Untuk bahasa Jepang, Mandarin, Korea, dan Inggris, pilih model default, SenseVoice Small. Untuk bahasa Spanyol, Prancis, Italia, dan Jerman, pilih model default, FastConformer. Ponsel menjalankan versi Whisper yang lebih ringan (8-bit), sehingga tingkat kesalahan Tiny untuk bahasa Jepang melebihi 70%. Untuk bahasa lain, Whisper Small adalah yang paling akurat, tetapi pemrosesannya memakan waktu kurang lebih sepanjang audio atau lebih lama. Untuk audio yang panjang, Whisper Base juga bisa menjadi pilihan.
WebGPU adalah cara bagi peramban untuk memakai GPU dalam komputasi. Tersedia di Chrome, Edge, dan peramban lain versi desktop.
Buka alat transkripsiSenseVoice vs Whisper (bahasa Jepang, Mandarin, Korea, dan Inggris)
Kami membandingkan SenseVoice Small dengan 4 model Whisper pada audio ucapan yang dibacakan yang sama (100 ujaran per bahasa). SenseVoice Small berjalan di CPU pada semua perangkat, termasuk ponsel. Hasil Whisper berasal dari komputer dengan WebGPU.
- Untuk bahasa Mandarin, tingkat kesalahan SenseVoice Small 7,9%, lebih rendah daripada model Whisper dengan kesalahan paling sedikit, Medium (9,8%).
- Untuk bahasa Jepang, SenseVoice Small (8,6%) kurang lebih sama dengan Whisper Medium (8,7%) dan Large v3 Turbo (8,9%), sedangkan kesalahan Large v3 (6,9%) lebih sedikit.
- Untuk bahasa Inggris, kesalahan Whisper Small (7,3%) dan yang lebih besar lebih sedikit daripada SenseVoice Small (9,0%). Untuk bahasa Korea, SenseVoice Small (7,9%) kurang lebih sama dengan Whisper Small (7,2%), sedangkan kesalahan Large v3 Turbo (5,0%) dan Large v3 (4,6%) lebih sedikit.
- Di komputer uji kami, audio 1 jam membutuhkan sekitar 7 menit dengan SenseVoice Small di CPU dan sekitar 16 menit dengan Whisper Large v3 Turbo di grafis terintegrasi. Ukuran unduhan pertamanya masing-masing 240 MB dan 1,5 GB.
| Model | Jepang | Inggris | Korea | Mandarin | Waktu untuk audio 1 jam | Unduhan pertama |
|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6% | 9,0% | 7,9% | 7,9% | sekitar 7 menit | 〜240 MB |
| Whisper Small | 14,1% | 7,3% | 7,2% | 14,5% | sekitar 10 menit | 〜925 MB |
| Whisper Medium | 8,7% | 5,7% | 5,7% | 9,8% | sekitar 19 menit | 〜650 MB |
| Whisper Large v3 Turbo | 8,9% | 5,8% | 5,0% | 9,9% | sekitar 16 menit | 〜1.5 GB |
| Whisper Large v3 | 6,9% | 5,6% | 4,6% | 11,5% | sekitar 23 menit | 〜2.0 GB |
Di alat ini, SenseVoice Small tidak dapat dipilih untuk bahasa Spanyol atau bahasa Eropa lainnya, jadi hanya 4 bahasa yang dibandingkan. Waktu pemrosesan SenseVoice Small diukur di CPU, sedangkan Whisper di GPU. Untuk hasil Whisper di ponsel dan komputer tanpa WebGPU, lihat tabel di “Di ponsel dan komputer tanpa WebGPU”.
Parakeet vs Whisper (bahasa Inggris dan Spanyol)
Parakeet di alat ini adalah Parakeet Ultra, model yang dipublikasikan oleh moondream dengan arsitektur dan kosakata yang sama dengan Parakeet TDT 0.6B v3 dari NVIDIA, yang kami konversi untuk WebGPU. Model ini hanya berjalan di komputer dengan WebGPU. Hasilnya berasal dari audio ucapan yang dibacakan yang sama (100 ujaran per bahasa); Parakeet TDT 0.6B v2 dan v3 sendiri tidak disertakan dalam tabel ini.
- Untuk bahasa Inggris, Parakeet Ultra (tingkat kesalahan 5,7%) kurang lebih sama dengan Whisper Large v3 Turbo (5,8%), Medium (5,7%), dan Large v3 (5,6%), dan kesalahannya lebih sedikit daripada Small (7,3%) dan Base (11,5%).
- Untuk bahasa Spanyol, Parakeet Ultra (4,2%) kurang lebih sama dengan Whisper Large v3 Turbo (4,4%), dan kesalahannya lebih sedikit daripada Medium (5,3%) dan Large v3 (6,2%).
- Di komputer uji kami (grafis terintegrasi), audio 1 jam membutuhkan sekitar 2 menit dengan Parakeet Ultra, sekitar 16 menit dengan Whisper Large v3 Turbo, dan sekitar 23 menit dengan Large v3. Unduhan pertamanya 500 MB, sepertiga dari Turbo (1,5 GB).
| Model | Inggris | Spanyol | Waktu untuk audio 1 jam | Unduhan pertama |
|---|---|---|---|---|
| Parakeet Ultra | 5,7% | 4,2% | sekitar 2 menit | 〜500 MB |
| Whisper Base | 11,5% | 13,2% | sekitar 6 menit | 〜280 MB |
| Whisper Small | 7,3% | 7,6% | sekitar 10 menit | 〜925 MB |
| Whisper Medium | 5,7% | 5,3% | sekitar 19 menit | 〜650 MB |
| Whisper Large v3 Turbo | 5,8% | 4,4% | sekitar 16 menit | 〜1.5 GB |
| Whisper Large v3 | 5,6% | 6,2% | sekitar 23 menit | 〜2.0 GB |
Di halaman ini, hanya bahasa Inggris dan Spanyol yang diukur dengan kondisi yang sama. Parakeet Ultra juga mendukung 23 bahasa Eropa lainnya.
Tingkat kesalahan per bahasa
Tingkat kesalahan adalah porsi transkrip yang berbeda dari teks yang benar. Makin rendah, makin akurat. Bahasa Jepang, Mandarin, dan Korea dihitung per karakter, sedangkan bahasa Inggris dan Spanyol per kata. Model dengan kesalahan paling sedikit di setiap bahasa disorot. Tabel ini menunjukkan hasil di komputer dengan WebGPU.
| Model | Jepang | Inggris | Spanyol | Korea | Mandarin |
|---|---|---|---|---|---|
| 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% | — | — | — | — |
“—” berarti model tersebut tidak dapat dipilih untuk bahasa itu di alat ini. Hasil ini untuk ucapan yang dibacakan, jadi setiap model membuat lebih banyak kesalahan pada rekaman yang bising atau percakapan beberapa orang.
Waktu pemrosesan dan ukuran unduhan
Waktu pemrosesan adalah perkiraan lama mentranskripsi audio 1 jam di komputer uji kami (AMD Ryzen 7 8745H, grafis terintegrasi Radeon 780M). Ukuran unduhan hanya diunduh pada penggunaan pertama; setelah itu, model yang tersimpan di peramban akan digunakan.
| Model | Waktu untuk audio 1 jam | Unduhan pertama | Persyaratan |
|---|---|---|---|
| Haas-ja v1.0 | sekitar 2 menit | 〜710 MB | Komputer dengan WebGPU (memakai sekitar 1 GB memori GPU) |
| SenseVoice Small | sekitar 7 menit | 〜240 MB | Komputer dan ponsel (berjalan di CPU) |
| Parakeet Ultra | sekitar 2 menit | 〜500 MB | Komputer dengan WebGPU (memakai sekitar 1,3 GB memori GPU) |
| FastConformer | sekitar 3 menit | 〜175 MB | Komputer dan ponsel (berjalan di CPU) |
| Whisper Tiny | sekitar 5 menit | 〜145 MB | Komputer dan ponsel |
| Whisper Base | sekitar 6 menit | 〜280 MB | Komputer dan ponsel |
| Whisper Small | sekitar 10 menit | 〜925 MB | Komputer dan ponsel |
| Whisper Medium | sekitar 19 menit | 〜650 MB | Disarankan komputer dengan WebGPU (di CPU, audio 1 jam memakan waktu beberapa jam) |
| Whisper Large v3 Turbo | sekitar 16 menit | 〜1.5 GB | Disarankan komputer dengan WebGPU dan GPU yang mendukung float 16-bit (fp16) (tanpanya, model berjalan di CPU dan memakan waktu beberapa jam) |
| Whisper Large v3 | sekitar 23 menit | 〜2.0 GB | Komputer dengan WebGPU dan GPU yang mendukung float 16-bit (fp16) |
| Qwen3-ASR 1.7B | sekitar 19 menit | 〜5.2 GB | Komputer dengan WebGPU (memakai sekitar 5 GB memori GPU) |
| Voxtral Mini 4B | sekitar 50 menit | 〜2.9 GB | Komputer dengan WebGPU dan GPU yang mendukung float 16-bit (fp16) (memakai sekitar 5 GB memori GPU; grafis terintegrasi memerlukan RAM 16 GB atau lebih) |
Prosesnya lebih cepat di komputer dengan GPU khusus seperti GeForce, dan lebih lambat di komputer lama. SenseVoice Small dan FastConformer tidak memakai GPU; keduanya berjalan di CPU.
Di ponsel dan komputer tanpa WebGPU
Di ponsel dan komputer tanpa WebGPU, versi Whisper yang lebih ringan (8-bit) berjalan di CPU. Tingkat kesalahannya lebih tinggi daripada di GPU komputer, dan Tiny khususnya menjadi jauh lebih buruk.
| Model | Jepang | Inggris | Spanyol | Korea | Mandarin | Waktu untuk audio 1 jam | Unduhan pertama |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6% | 9,0% | — | 7,9% | 7,9% | sekitar 7 menit | 〜240 MB |
| FastConformer | — | — | 9,2% | — | — | sekitar 3 menit | 〜175 MB |
| Whisper Tiny | 70,5% | 28,3% | 31,5% | 30,2% | 51,0% | sekitar 10 menit | 〜40 MB |
| Whisper Base | 31,2% | 12,1% | 14,0% | 15,2% | 25,1% | sekitar 15 menit | 〜75 MB |
| Whisper Small | 14,8% | 7,6% | 7,7% | 7,4% | 14,3% | sekitar 45 menit | 〜240 MB |
Waktu pemrosesan adalah untuk CPU komputer uji kami (1 thread). Ponsel butuh waktu lebih lama. Whisper Medium dan yang lebih besar memakan waktu beberapa jam untuk audio 1 jam di CPU.
Yang ditunjukkan oleh pengukuran
- Model yang lebih besar tidak selalu lebih akurat. Whisper Large v3 lebih akurat daripada Large v3 Turbo untuk bahasa Jepang dan Korea, tetapi membuat lebih banyak kesalahan daripada Turbo untuk bahasa Spanyol dan Mandarin, serta memakan waktu sekitar 1,4 kali lebih lama.
- Untuk bahasa Jepang dan Mandarin, SenseVoice Small berukuran 240 MB setara atau lebih akurat daripada Whisper Large v3 Turbo berukuran 1,5 GB (Jepang 8,6% vs 8,9%, Mandarin 7,9% vs 9,9%).
- Whisper Medium hampir seakurat Large v3 Turbo dengan ukuran unduhan kurang dari separuhnya (650 MB vs 1,5 GB). Waktunya sekitar 1,2 kali lebih lama daripada Turbo.
- Qwen3-ASR 1.7B memiliki kesalahan paling sedikit untuk bahasa Inggris, Spanyol, dan Mandarin.
- Untuk bahasa Jepang, kesalahan paling sedikit dicapai oleh Haas-ja v1.0 (5,2%), sekitar 40% lebih sedikit daripada SenseVoice Small (8,6%). Waktunya juga hanya sekitar sepertiga dari SenseVoice Small.
- Di CPU, seperti di ponsel, tingkat kesalahan Whisper Tiny naik tajam (dari 44,4% menjadi 70,5% untuk bahasa Jepang). Small hampir tidak berubah.
- Di CPU, seperti di ponsel, FastConformer (175 MB) memiliki tingkat kesalahan 9,2% untuk bahasa Spanyol, kurang dari sepertiga Whisper Tiny (31,5%), dan waktu pemrosesannya sekitar sepertiga dari Tiny.
Cara kami mengukur
- Audionya berupa 100 ujaran per bahasa, dipilih dengan interval merata dari bagian uji FLEURS (ucapan yang dibacakan), tolok ukur pengenalan ucapan multibahasa yang diterbitkan oleh Google.
- Kami mentranskripsi di peramban dengan perangkat lunak yang sama seperti alat ini (transformers.js 4.2.0), format model yang sama, dan pemrosesan yang sama (teks awal yang diberikan ke Whisper, serta menjalankan ulang bagian yang hasilnya kosong).
- Kami menghapus tanda baca, spasi, dan perbedaan lebar penuh/setengah lebar sebelum membandingkan dengan teks yang benar. Bahasa Mandarin dikonversi ke Mandarin Sederhana, dan bahasa Inggris melalui normalisasi teks yang dipakai dalam evaluasi Whisper.
- Komputer uji memakai AMD Ryzen 7 8745H (grafis terintegrasi Radeon 780M) dan memori 32 GB, dengan peramban Chromium 153. Waktu pemrosesan tidak termasuk pemuatan model.
- Haas-ja v1.0 dan Voxtral Mini 4B hanya diukur untuk bahasa Jepang, SenseVoice Small untuk 4 bahasa selain Spanyol, Parakeet Ultra hanya untuk bahasa Inggris dan Spanyol, dan FastConformer hanya untuk bahasa Spanyol (hanya bahasa yang dapat dipilih untuk setiap model di alat ini). Voxtral Mini 4B diukur sehari sebelum model lainnya, Haas-ja v1.0 pada 3 November 2026, Parakeet Ultra pada 10 November, dan FastConformer pada 11 November, dengan komputer dan audio yang sama.
- Karena Qwen3-ASR 1.7B memakai model terpisah untuk menambahkan stempel waktu, waktu pemrosesannya diukur dengan mentranskripsi audio bahasa Jepang (108 detik) di alat ini, termasuk langkah tersebut.
Pertanyaan umum
Apakah model yang lebih besar lebih akurat?
Tidak selalu. Untuk Whisper, akurasi meningkat seiring ukuran dari Tiny hingga Medium, tetapi Large v3 membuat lebih banyak kesalahan daripada Large v3 Turbo untuk bahasa Spanyol dan Mandarin. Untuk bahasa Jepang dan Mandarin, SenseVoice Small yang kecil kurang lebih seakurat Turbo.
Model mana yang sebaiknya dipilih di ponsel?
Untuk bahasa Jepang, Mandarin, Korea, dan Inggris, pilih SenseVoice Small, dan untuk bahasa Spanyol, Prancis, Italia, dan Jerman, pilih FastConformer. Keduanya juga merupakan model default. Untuk bahasa lain, Whisper Small adalah yang paling akurat, tetapi lambat, jadi Whisper Base juga bisa menjadi pilihan untuk audio yang panjang. Tiny membuat banyak kesalahan dan tidak disarankan.
Bagaimana model default dipilih?
Model dipilih secara otomatis berdasarkan bahasa yang dipilih dan kemampuan perangkat. Untuk bahasa Jepang, modelnya Haas-ja v1.0 di komputer dengan memori 4 GB atau lebih yang mendukung WebGPU di Chrome, Edge, atau peramban serupa (kecuali Mac dengan Apple silicon). Untuk bahasa Jepang di tempat lain, seperti di ponsel atau di Safari dan Firefox, serta untuk bahasa Mandarin dan Korea, modelnya SenseVoice Small. Untuk bahasa Inggris, Spanyol, Jerman, Prancis, Italia, Portugis, Rusia, Polandia, Belanda, Ukraina, Hungaria, Ceko, dan Yunani, modelnya Parakeet Ultra di komputer dengan grafis terintegrasi dan memori 4 GB atau lebih yang mendukung WebGPU di Chrome, Edge, atau peramban serupa. Di ponsel dan komputer tanpa WebGPU, modelnya FastConformer untuk bahasa Spanyol, Prancis, Italia, dan Jerman (kecuali perangkat dengan memori kecil). Untuk bahasa Inggris di perangkat lain dan untuk bahasa lainnya, salah satu model Whisper dipilih berdasarkan GPU dan memori. Untuk bahasa Inggris, perangkat yang akan mendapat Whisper Base atau yang lebih kecil (seperti ponsel, dan komputer dengan grafis terintegrasi pada Safari atau Firefox) mendapat SenseVoice Small sebagai gantinya.
Apakah tingkat kesalahannya sama untuk rekaman rapat?
Tidak. Pengukuran ini memakai ucapan yang dibacakan oleh satu orang, jadi setiap model membuat lebih banyak kesalahan pada rekaman yang bising atau percakapan beberapa orang. Gunakan hasil ini sebagai panduan untuk membandingkan model.
Pilih model dan mulai transkripsi
Alat ini gratis dan tidak perlu daftar. File audio diproses di peramban Anda dan tidak pernah keluar dari perangkat Anda.
Buka alat transkripsi