Transcriber

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 transkripsi

SenseVoice 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.

Tingkat kesalahan (%), waktu pemrosesan, dan ukuran unduhan SenseVoice Small dan Whisper
ModelJepangInggrisKoreaMandarinWaktu untuk audio 1 jamUnduhan pertama
SenseVoice Small8,6%9,0%7,9%7,9%sekitar 7 menit〜240 MB
Whisper Small14,1%7,3%7,2%14,5%sekitar 10 menit〜925 MB
Whisper Medium8,7%5,7%5,7%9,8%sekitar 19 menit〜650 MB
Whisper Large v3 Turbo8,9%5,8%5,0%9,9%sekitar 16 menit〜1.5 GB
Whisper Large v36,9%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.

Tingkat kesalahan (%), waktu pemrosesan, dan ukuran unduhan Parakeet Ultra dan Whisper
ModelInggrisSpanyolWaktu untuk audio 1 jamUnduhan pertama
Parakeet Ultra5,7%4,2%sekitar 2 menit〜500 MB
Whisper Base11,5%13,2%sekitar 6 menit〜280 MB
Whisper Small7,3%7,6%sekitar 10 menit〜925 MB
Whisper Medium5,7%5,3%sekitar 19 menit〜650 MB
Whisper Large v3 Turbo5,8%4,4%sekitar 16 menit〜1.5 GB
Whisper Large v35,6%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.

Tingkat kesalahan (%) per model dan bahasa
ModelJepangInggrisSpanyolKoreaMandarin
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%————

“—” 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.

Waktu pemrosesan, ukuran unduhan, dan persyaratan per model
ModelWaktu untuk audio 1 jamUnduhan pertamaPersyaratan
Haas-ja v1.0sekitar 2 menit〜710 MBKomputer dengan WebGPU (memakai sekitar 1 GB memori GPU)
SenseVoice Smallsekitar 7 menit〜240 MBKomputer dan ponsel (berjalan di CPU)
Parakeet Ultrasekitar 2 menit〜500 MBKomputer dengan WebGPU (memakai sekitar 1,3 GB memori GPU)
FastConformersekitar 3 menit〜175 MBKomputer dan ponsel (berjalan di CPU)
Whisper Tinysekitar 5 menit〜145 MBKomputer dan ponsel
Whisper Basesekitar 6 menit〜280 MBKomputer dan ponsel
Whisper Smallsekitar 10 menit〜925 MBKomputer dan ponsel
Whisper Mediumsekitar 19 menit〜650 MBDisarankan komputer dengan WebGPU (di CPU, audio 1 jam memakan waktu beberapa jam)
Whisper Large v3 Turbosekitar 16 menit〜1.5 GBDisarankan komputer dengan WebGPU dan GPU yang mendukung float 16-bit (fp16) (tanpanya, model berjalan di CPU dan memakan waktu beberapa jam)
Whisper Large v3sekitar 23 menit〜2.0 GBKomputer dengan WebGPU dan GPU yang mendukung float 16-bit (fp16)
Qwen3-ASR 1.7Bsekitar 19 menit〜5.2 GBKomputer dengan WebGPU (memakai sekitar 5 GB memori GPU)
Voxtral Mini 4Bsekitar 50 menit〜2.9 GBKomputer 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.

Tingkat kesalahan (%), waktu pemrosesan, dan ukuran unduhan di CPU
ModelJepangInggrisSpanyolKoreaMandarinWaktu untuk audio 1 jamUnduhan pertama
SenseVoice Small8,6%9,0%—7,9%7,9%sekitar 7 menit〜240 MB
FastConformer——9,2%——sekitar 3 menit〜175 MB
Whisper Tiny70,5%28,3%31,5%30,2%51,0%sekitar 10 menit〜40 MB
Whisper Base31,2%12,1%14,0%15,2%25,1%sekitar 15 menit〜75 MB
Whisper Small14,8%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

Cara kami mengukur

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