Porównanie modeli zamiany mowy na tekst i wybór modelu
Zmierzyliśmy 12 modeli zamiany mowy na tekst dostępnych w tym narzędziu na tych samych nagraniach w 5 językach. Odsetek błędów to część transkrypcji rozpoznana niepoprawnie, a czas przetwarzania to szacunkowy czas dla 1 godziny nagrania. Jeśli nie wiesz, który model wybrać, zacznij od sekcji „Zalecenia według języka i urządzenia”.
Data pomiaru: 29 października 2026
Zalecenia według języka i urządzenia
Japoński
Na komputerze z WebGPU najdokładniejszy jest Haas-ja v1.0 (710 MB; odsetek błędów 5,2%). Przetwarza też nagranie mniej więcej trzy razy szybciej niż SenseVoice Small. Jest domyślny w Chrome i Edge na takich komputerach (z wyjątkiem komputerów Mac z Apple silicon). Na telefonach i komputerach bez WebGPU wybierz domyślny SenseVoice Small (240 MB). Jest mniej więcej tak dokładny jak Whisper Large v3 Turbo (1,5 GB) i potrzebuje mniej niż połowy jego czasu.
Chiński i koreański
W chińskim domyślny SenseVoice Small jest dokładniejszy niż każdy model Whisper. W koreańskim na komputerze z WebGPU Whisper Large v3 Turbo (odsetek błędów 5,0%) i Large v3 (4,6%) są dokładniejsze niż SenseVoice Small (7,9%). W obu językach Qwen3-ASR 1.7B na komputerze z WebGPU jest co najmniej tak dokładny jak SenseVoice Small.
Angielski
Na komputerze z WebGPU wystarczająco dokładne są Whisper Large v3 Turbo (odsetek błędów 5,8%) lub Medium (5,7%). Najdokładniejszy jest Qwen3-ASR 1.7B (4,3%), ale za pierwszym razem pobiera ok. 5,2 GB i używa ok. 5 GB pamięci GPU. Parakeet Ultra (500 MB) jest mniej więcej tak dokładny jak Large v3 Turbo (5,7%) i potrzebuje około 1/7 czasu przetwarzania modelu Turbo. Na telefonach wybierz SenseVoice Small (9,0%).
Hiszpański, niemiecki i inne języki
Dla hiszpańskiego, niemieckiego, francuskiego, włoskiego, portugalskiego, rosyjskiego, polskiego, niderlandzkiego i innych języków europejskich wybierz Parakeet Ultra (500 MB) na komputerze z WebGPU. Jego odsetek błędów dla hiszpańskiego wynosi 4,2%, czyli mniej więcej tyle co Large v3 Turbo (4,4%), a przetwarzanie zajmuje około 1/7 czasu modelu Turbo. Jest domyślny dla tych 8 języków na komputerach z grafiką zintegrowaną w Chrome lub Edge. Dla pozostałych języków wybierz Whisper Large v3 Turbo na komputerze z WebGPU. Na telefonach i komputerach bez WebGPU dla hiszpańskiego, francuskiego, włoskiego i niemieckiego wybierz domyślny FastConformer (175 MB). Jego odsetek błędów dla hiszpańskiego wynosi 9,2%, czyli nieco więcej niż Whisper Small (7,7%), ale przetwarzanie zajmuje około 1/15 czasu modelu Small. Dla pozostałych języków wybierz Whisper Small lub większy.
Telefony
Dla japońskiego, chińskiego, koreańskiego i angielskiego wybierz domyślny SenseVoice Small. Dla hiszpańskiego, francuskiego, włoskiego i niemieckiego wybierz domyślny FastConformer. Telefony używają lżejszej (8-bitowej) wersji Whisper, więc odsetek błędów modelu Tiny dla japońskiego przekracza 70%. Dla innych języków najdokładniejszy jest Whisper Small, ale przetwarzanie trwa mniej więcej tyle co nagranie albo dłużej. Przy długich nagraniach można też wybrać Whisper Base.
WebGPU to technologia, dzięki której przeglądarka może używać GPU do obliczeń. Jest dostępne w Chrome, Edge i innych przeglądarkach na komputerach.
Otwórz narzędzie do transkrypcjiOdsetek błędów według języka
Odsetek błędów to część transkrypcji, która różni się od poprawnego tekstu. Im niższy, tym większa dokładność. Japoński, chiński i koreański liczone są według znaków, a angielski i hiszpański według słów. W każdym języku wyróżniono model z najmniejszą liczbą błędów. Tabela pokazuje wyniki na komputerze z WebGPU.
| Model | japoński | angielski | hiszpański | koreański | chiński |
|---|---|---|---|---|---|
| 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% | — | — | — | — |
„—” oznacza, że w tym narzędziu modelu nie można wybrać dla danego języka. Wyniki dotyczą mowy czytanej na głos, więc każdy model popełnia więcej błędów przy zaszumionych nagraniach lub rozmowach kilku osób.
Czas przetwarzania i rozmiar do pobrania
Czas przetwarzania to szacunkowy czas transkrypcji 1 godziny nagrania na naszym komputerze testowym (AMD Ryzen 7 8745H, grafika zintegrowana Radeon 780M). Model jest pobierany tylko za pierwszym razem; później używana jest kopia zapisana w przeglądarce.
| Model | Czas dla 1 godziny nagrania | Pobieranie za pierwszym razem | Wymagania |
|---|---|---|---|
| Haas-ja v1.0 | ok. 2 min | 〜710 MB | Komputer z WebGPU (używa ok. 1 GB pamięci GPU) |
| SenseVoice Small | ok. 7 min | 〜240 MB | Komputery i telefony (działa na CPU) |
| Parakeet Ultra | ok. 2 min | 〜500 MB | Komputer z WebGPU (używa ok. 1,3 GB pamięci GPU) |
| FastConformer | ok. 3 min | 〜175 MB | Komputery i telefony (działa na CPU) |
| Whisper Tiny | ok. 5 min | 〜145 MB | Komputery i telefony |
| Whisper Base | ok. 6 min | 〜280 MB | Komputery i telefony |
| Whisper Small | ok. 10 min | 〜925 MB | Komputery i telefony |
| Whisper Medium | ok. 19 min | 〜650 MB | Zalecany komputer z WebGPU (na CPU 1 godzina nagrania zajmuje kilka godzin) |
| Whisper Large v3 Turbo | ok. 16 min | 〜1.5 GB | Zalecany komputer z WebGPU i GPU obsługującym 16-bitowe liczby zmiennoprzecinkowe (fp16); bez tego model działa na CPU, a przetwarzanie trwa kilka godzin |
| Whisper Large v3 | ok. 23 min | 〜2.0 GB | Komputer z WebGPU i GPU obsługującym 16-bitowe liczby zmiennoprzecinkowe (fp16) |
| Qwen3-ASR 1.7B | ok. 19 min | 〜5.2 GB | Komputer z WebGPU (używa ok. 5 GB pamięci GPU) |
| Voxtral Mini 4B | ok. 50 min | 〜2.9 GB | Komputer z WebGPU i GPU obsługującym 16-bitowe liczby zmiennoprzecinkowe (fp16); używa ok. 5 GB pamięci GPU, a przy grafice zintegrowanej wymaga co najmniej 16 GB RAM |
Na komputerach z dedykowanym GPU, np. GeForce, jest szybciej, a na starszych komputerach wolniej. SenseVoice Small i FastConformer nie używają GPU; działają na CPU.
Na telefonach i komputerach bez WebGPU
Na telefonach i komputerach bez WebGPU używana jest lżejsza (8-bitowa) wersja Whisper działająca na CPU. Odsetek błędów jest wyższy niż na GPU komputera, a zwłaszcza Tiny wypada znacznie gorzej.
| Model | japoński | angielski | hiszpański | koreański | chiński | Czas dla 1 godziny nagrania | Pobieranie za pierwszym razem |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6% | 9,0% | — | 7,9% | 7,9% | ok. 7 min | 〜240 MB |
| FastConformer | — | — | 9,2% | — | — | ok. 3 min | 〜175 MB |
| Whisper Tiny | 70,5% | 28,3% | 31,5% | 30,2% | 51,0% | ok. 10 min | 〜40 MB |
| Whisper Base | 31,2% | 12,1% | 14,0% | 15,2% | 25,1% | ok. 15 min | 〜75 MB |
| Whisper Small | 14,8% | 7,6% | 7,7% | 7,4% | 14,3% | ok. 45 min | 〜240 MB |
Czasy przetwarzania dotyczą CPU naszego komputera testowego (1 wątek). Telefony potrzebują więcej czasu. Whisper Medium i większe modele potrzebują na CPU kilku godzin na 1 godzinę nagrania.
Co pokazują pomiary
- Większe modele nie zawsze są dokładniejsze. Whisper Large v3 jest dokładniejszy niż Large v3 Turbo w japońskim i koreańskim, ale w hiszpańskim i chińskim popełnia więcej błędów niż Turbo i działa około 1,4 raza dłużej.
- W japońskim i chińskim SenseVoice Small (240 MB) jest co najmniej tak dokładny jak Whisper Large v3 Turbo (1,5 GB) (japoński 8,6% wobec 8,9%, chiński 7,9% wobec 9,9%).
- Whisper Medium jest prawie tak dokładny jak Large v3 Turbo przy mniej niż połowie rozmiaru do pobrania (650 MB wobec 1,5 GB). Działa około 1,2 raza dłużej niż Turbo.
- Qwen3-ASR 1.7B popełnia najmniej błędów w angielskim, hiszpańskim i chińskim.
- Najmniej błędów w japońskim popełnia Haas-ja v1.0 (5,2%) – o około 40% mniej niż SenseVoice Small (8,6%). Przetwarza też nagranie mniej więcej trzy razy szybciej niż SenseVoice Small.
- Na CPU, tak jak na telefonach, odsetek błędów Whisper Tiny gwałtownie rośnie (w japońskim z 44,4% do 70,5%). W modelu Small prawie się nie zmienia.
- Na CPU, tak jak na telefonach, odsetek błędów FastConformer (175 MB) w hiszpańskim wynosi 9,2%, czyli mniej niż jedną trzecią wyniku Whisper Tiny (31,5%). FastConformer przetwarza też nagranie mniej więcej trzy razy szybciej niż Tiny.
Jak mierzyliśmy
- Dla każdego języka wybraliśmy w równych odstępach 100 wypowiedzi z części testowej FLEURS (mowa czytana na głos) – wielojęzycznego zbioru do oceny rozpoznawania mowy opublikowanego przez Google.
- Transkrypcja odbywała się w przeglądarce przy użyciu tego samego oprogramowania co to narzędzie (transformers.js 4.2.0), tych samych formatów modeli i tego samego przetwarzania (tekst początkowy podawany modelowi Whisper i ponowne przetwarzanie fragmentów, które wróciły puste).
- Przed porównaniem z poprawnym tekstem usunęliśmy interpunkcję, spacje i różnice między znakami o pełnej szerokości i o połowie szerokości. Tekst chiński ujednoliciliśmy do pisma uproszczonego, a angielski przeszedł normalizację tekstu stosowaną w ocenie Whisper.
- Komputer testowy ma procesor AMD Ryzen 7 8745H (grafika zintegrowana Radeon 780M) i 32 GB pamięci, a przeglądarką był Chromium 153. Czasy przetwarzania nie obejmują wczytywania modelu.
- Haas-ja v1.0 i Voxtral Mini 4B mierzyliśmy tylko dla japońskiego, SenseVoice Small dla 4 języków poza hiszpańskim, Parakeet Ultra tylko dla angielskiego i hiszpańskiego, a FastConformer tylko dla hiszpańskiego (tylko dla języków, dla których dany model można wybrać w tym narzędziu). Voxtral Mini 4B zmierzyliśmy dzień przed pozostałymi modelami, Haas-ja v1.0 – 3 listopada 2026, Parakeet Ultra – 10 listopada, a FastConformer – 11 listopada, na tym samym komputerze i tych samych nagraniach.
- Qwen3-ASR 1.7B używa osobnego modelu do dodawania znaczników czasu, dlatego jego czas przetwarzania zmierzyliśmy, transkrybując w tym narzędziu nagranie w języku japońskim (108 sekund) łącznie z tym krokiem.
Najczęściej zadawane pytania
Czy większe modele są dokładniejsze?
Nie zawsze. W przypadku Whisper dokładność rośnie z rozmiarem od Tiny do Medium, ale Large v3 popełniał więcej błędów niż Large v3 Turbo w hiszpańskim i chińskim. W japońskim i chińskim niewielki SenseVoice Small jest mniej więcej tak dokładny jak Turbo.
Który model wybrać na telefonie?
Dla japońskiego, chińskiego, koreańskiego i angielskiego wybierz SenseVoice Small, a dla hiszpańskiego, francuskiego, włoskiego i niemieckiego – FastConformer. Oba są też modelami domyślnymi. Dla innych języków najdokładniejszy jest Whisper Small, ale działa wolno, więc przy długich nagraniach można też wybrać Whisper Base. Tiny popełnia wiele błędów i nie jest zalecany.
Jak wybierany jest model domyślny?
Jest wybierany automatycznie na podstawie wybranego języka i możliwości urządzenia. Dla japońskiego jest to Haas-ja v1.0 na komputerze z co najmniej 4 GB pamięci, na którym WebGPU jest dostępne w Chrome, Edge lub podobnej przeglądarce (z wyjątkiem komputerów Mac z Apple silicon). Dla japońskiego w innych środowiskach, np. na telefonach lub w Safari i Firefoksie, oraz dla chińskiego i koreańskiego jest to SenseVoice Small. Dla hiszpańskiego, niemieckiego, francuskiego, włoskiego, portugalskiego, rosyjskiego, polskiego i niderlandzkiego jest to Parakeet Ultra na komputerze z grafiką zintegrowaną i co najmniej 4 GB pamięci, na którym WebGPU jest dostępne w Chrome, Edge lub podobnej przeglądarce. Na telefonach i komputerach bez WebGPU dla hiszpańskiego, francuskiego, włoskiego i niemieckiego jest to FastConformer (z wyjątkiem urządzeń z małą ilością pamięci). Dla angielskiego i pozostałych języków wybierany jest jeden z modeli Whisper w zależności od GPU i pamięci. Jeśli dla angielskiego urządzenie otrzymałoby Whisper Base lub mniejszy model (np. telefony i komputery z grafiką zintegrowaną), zamiast niego wybierany jest SenseVoice Small.
Czy odsetek błędów będzie taki sam dla nagrań ze spotkań?
Nie. Te pomiary wykorzystują mowę czytaną na głos przez jedną osobę, więc każdy model popełnia więcej błędów przy zaszumionych nagraniach lub rozmowach kilku osób. Traktuj je jako wskazówkę do porównania modeli.
Wybierz model i rozpocznij transkrypcję
To narzędzie jest darmowe i nie wymaga rejestracji. Pliki audio są przetwarzane w przeglądarce i nigdy nie opuszczają Twojego urządzenia.
Otwórz narzędzie do transkrypcji