Transcriber

Сравнение моделей распознавания речи: Whisper vs SenseVoice, Parakeet и другие

Мы измерили 12 моделей распознавания речи, доступных в этом инструменте, на одном и том же аудио на 5 языках. Доля ошибок — это часть расшифровки, распознанная неверно, а время обработки — оценка того, сколько занимает 1 час аудио. Если не знаете, какую модель выбрать, начните с раздела «Рекомендации по языкам и устройствам».

Дата замеров: 29 октября 2026 г.

Рекомендации по языкам и устройствам

Японский

На компьютере с WebGPU самая точная — Haas-ja v1.0 (710 МБ; доля ошибок 5,2 %). Ей также нужно примерно втрое меньше времени, чем SenseVoice Small. На таких компьютерах она выбрана по умолчанию в Chrome и Edge (кроме Mac с Apple silicon). На телефонах и компьютерах без WebGPU выбирайте модель по умолчанию — SenseVoice Small (240 МБ). По точности она примерно равна Whisper Large v3 Turbo (1,5 ГБ) и работает более чем вдвое быстрее.

Китайский и корейский

Для китайского модель по умолчанию SenseVoice Small точнее любой модели Whisper. Для корейского на компьютере с WebGPU Whisper Large v3 Turbo (доля ошибок 5,0 %) и Large v3 (4,6 %) точнее SenseVoice Small (7,9 %). Для обоих языков Qwen3-ASR 1.7B на компьютере с WebGPU не уступает SenseVoice Small или точнее её.

Английский

На компьютере с WebGPU достаточно точны Whisper Large v3 Turbo (доля ошибок 5,8 %) или Medium (5,7 %). Самая точная — Qwen3-ASR 1.7B (4,3 %), но при первом запуске она загружает около 5,2 ГБ и использует около 5 ГБ видеопамяти. Parakeet Ultra (500 МБ) примерно так же точна, как Large v3 Turbo (5,7 %), и тратит около 1/7 времени обработки Turbo. Она выбрана по умолчанию на компьютерах со встроенной графикой в Chrome или Edge. На телефонах выбирайте SenseVoice Small (9,0 %).

Испанский, немецкий и другие языки

Для испанского, немецкого, французского, итальянского, португальского, русского, польского, нидерландского, украинского, венгерского, чешского и других европейских языков на компьютере с WebGPU выбирайте Parakeet Ultra (500 МБ). Её доля ошибок для испанского — 4,2 %, примерно как у Large v3 Turbo (4,4 %), а времени ей нужно около 1/7 от Turbo. Она выбрана по умолчанию для этих 11 языков и греческого на компьютерах со встроенной графикой в Chrome или Edge. Однако для греческого Whisper Large v3 Turbo ошибается реже, поэтому, если важнее всего точность, выбирайте Turbo (на компьютерах с дискретной видеокартой она выбрана по умолчанию). Для других языков на компьютере с WebGPU выбирайте Whisper Large v3 Turbo. На телефонах и компьютерах без WebGPU для испанского, французского, итальянского и немецкого выбирайте модель по умолчанию — FastConformer (175 МБ). Её доля ошибок для испанского — 9,2 %, немного выше, чем у Whisper Small (7,7 %), но времени ей нужно около 1/15 от Small. Для других языков выбирайте Whisper Small или крупнее.

Телефоны

Для японского, китайского, корейского и английского выбирайте модель по умолчанию — SenseVoice Small. Для испанского, французского, итальянского и немецкого — модель по умолчанию FastConformer. На телефонах работает облегчённая (8-битная) версия Whisper, поэтому доля ошибок Tiny для японского превышает 70 %. Для других языков точнее всего Whisper Small, но обработка занимает столько же времени, сколько длится аудио, или больше. Для длинного аудио можно выбрать и Whisper Base.

WebGPU — это способ, которым браузер использует GPU для вычислений. Он доступен в Chrome, Edge и других браузерах для компьютера.

Открыть инструмент расшифровки

SenseVoice vs Whisper (японский, китайский, корейский и английский)

Мы сравнили SenseVoice Small с 4 моделями Whisper на одном и том же аудио с чтением текста вслух (по 100 фраз на язык). SenseVoice Small работает на CPU на любом устройстве, включая телефоны. Результаты Whisper получены на компьютере с WebGPU.

Доля ошибок (%), время обработки и объём загрузки SenseVoice Small и Whisper
МодельЯпонскийАнглийскийКорейскийКитайскийВремя на 1 час аудиоПервая загрузка
SenseVoice Small8,6 %9,0 %7,9 %7,9 %около 7 мин〜240 MB
Whisper Small14,1 %7,3 %7,2 %14,5 %около 10 мин〜925 MB
Whisper Medium8,7 %5,7 %5,7 %9,8 %около 19 мин〜650 MB
Whisper Large v3 Turbo8,9 %5,8 %5,0 %9,9 %около 16 мин〜1.5 GB
Whisper Large v36,9 %5,6 %4,6 %11,5 %около 23 мин〜2.0 GB

В этом инструменте SenseVoice Small нельзя выбрать для испанского и других европейских языков, поэтому сравниваются только 4 языка. Время обработки SenseVoice Small указано для CPU, а Whisper — для GPU. Результаты Whisper на телефонах и компьютерах без WebGPU приведены в таблице «На телефонах и компьютерах без WebGPU».

Parakeet vs Whisper (английский и испанский)

Parakeet в этом инструменте — это Parakeet Ultra: модель, опубликованная moondream, с той же архитектурой и тем же словарём, что и Parakeet TDT 0.6B v3 от NVIDIA; мы преобразовали её для WebGPU. Она работает только на компьютерах с WebGPU. Результаты получены на одном и том же аудио с чтением текста вслух (по 100 фраз на язык); сами Parakeet TDT 0.6B v2 и v3 в эту таблицу не включены.

Доля ошибок (%), время обработки и объём загрузки Parakeet Ultra и Whisper
МодельАнглийскийИспанскийВремя на 1 час аудиоПервая загрузка
Parakeet Ultra5,7 %4,2 %около 2 мин〜500 MB
Whisper Base11,5 %13,2 %около 6 мин〜280 MB
Whisper Small7,3 %7,6 %около 10 мин〜925 MB
Whisper Medium5,7 %5,3 %около 19 мин〜650 MB
Whisper Large v3 Turbo5,8 %4,4 %около 16 мин〜1.5 GB
Whisper Large v35,6 %6,2 %около 23 мин〜2.0 GB

На этой странице в одинаковых условиях измерены только английский и испанский. Parakeet Ultra также поддерживает ещё 23 европейских языка.

Доля ошибок по языкам

Доля ошибок — это часть расшифровки, которая отличается от правильного текста. Чем ниже, тем точнее. Для японского, китайского и корейского ошибки считаются по символам, для английского и испанского — по словам. Модель с наименьшим числом ошибок для каждого языка выделена. В таблице приведены результаты на компьютере с WebGPU.

Доля ошибок (%) по моделям и языкам
МодельЯпонскийАнглийскийИспанскийКорейскийКитайский
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 %————

«—» означает, что модель нельзя выбрать для этого языка в этом инструменте. Это результаты для чтения текста вслух, поэтому на шумных записях или в разговорах нескольких людей все модели ошибаются чаще.

Время обработки и объём загрузки

Время обработки — оценка того, сколько занимает расшифровка 1 часа аудио на нашем тестовом компьютере (AMD Ryzen 7 8745H, встроенная графика Radeon 780M). Модель загружается только в первый раз; после этого используется модель, сохранённая в браузере.

Время обработки, объём загрузки и требования по моделям
МодельВремя на 1 час аудиоПервая загрузкаТребования
Haas-ja v1.0около 2 мин〜710 MBКомпьютер с WebGPU (около 1 ГБ видеопамяти)
SenseVoice Smallоколо 7 мин〜240 MBКомпьютеры и телефоны (работает на CPU)
Parakeet Ultraоколо 2 мин〜500 MBКомпьютер с WebGPU (около 1,3 ГБ видеопамяти)
FastConformerоколо 3 мин〜175 MBКомпьютеры и телефоны (работает на CPU)
Whisper Tinyоколо 5 мин〜145 MBКомпьютеры и телефоны
Whisper Baseоколо 6 мин〜280 MBКомпьютеры и телефоны
Whisper Smallоколо 10 мин〜925 MBКомпьютеры и телефоны
Whisper Mediumоколо 19 мин〜650 MBРекомендуется компьютер с WebGPU (на CPU 1 час аудио обрабатывается несколько часов)
Whisper Large v3 Turboоколо 16 мин〜1.5 GBРекомендуется компьютер с WebGPU и GPU с поддержкой 16-битных чисел с плавающей запятой (fp16) (без этого работает на CPU и занимает несколько часов)
Whisper Large v3около 23 мин〜2.0 GBКомпьютер с WebGPU и GPU с поддержкой 16-битных чисел с плавающей запятой (fp16)
Qwen3-ASR 1.7Bоколо 19 мин〜5.2 GBКомпьютер с WebGPU (около 5 ГБ видеопамяти)
Voxtral Mini 4Bоколо 50 мин〜2.9 GBКомпьютер с WebGPU и GPU с поддержкой 16-битных чисел с плавающей запятой (fp16) (около 5 ГБ видеопамяти; для встроенной графики нужно 16 ГБ ОЗУ или больше)

На компьютерах с дискретной видеокартой, например GeForce, быстрее, на старых компьютерах — медленнее. SenseVoice Small и FastConformer не используют GPU и работают на CPU.

На телефонах и компьютерах без WebGPU

На телефонах и компьютерах без WebGPU на CPU работает облегчённая (8-битная) версия Whisper. Доля ошибок выше, чем на GPU компьютера, а у Tiny она особенно сильно растёт.

Доля ошибок (%), время обработки и объём загрузки на CPU
МодельЯпонскийАнглийскийИспанскийКорейскийКитайскийВремя на 1 час аудиоПервая загрузка
SenseVoice Small8,6 %9,0 %—7,9 %7,9 %около 7 мин〜240 MB
FastConformer——9,2 %——около 3 мин〜175 MB
Whisper Tiny70,5 %28,3 %31,5 %30,2 %51,0 %около 10 мин〜40 MB
Whisper Base31,2 %12,1 %14,0 %15,2 %25,1 %около 15 мин〜75 MB
Whisper Small14,8 %7,6 %7,7 %7,4 %14,3 %около 45 мин〜240 MB

Время обработки указано для CPU нашего тестового компьютера (1 поток). На телефонах дольше. Whisper Medium и крупнее на CPU обрабатывают 1 час аудио несколько часов.

Что показывают замеры

Как мы измеряли

Часто задаваемые вопросы

Крупные модели точнее?

Не всегда. У Whisper точность растёт с размером от Tiny до Medium, но Large v3 ошибалась чаще Large v3 Turbo для испанского и китайского. Для японского и китайского небольшая SenseVoice Small примерно так же точна, как Turbo.

Какую модель выбрать на телефоне?

Для японского, китайского, корейского и английского выбирайте SenseVoice Small, а для испанского, французского, итальянского и немецкого — FastConformer. Обе также выбраны по умолчанию. Для других языков точнее всего Whisper Small, но она медленная, поэтому для длинного аудио можно выбрать и Whisper Base. Tiny допускает много ошибок и не рекомендуется.

Как выбирается модель по умолчанию?

Она выбирается автоматически по выбранному языку и возможностям устройства. Для японского это Haas-ja v1.0 на компьютере с памятью от 4 ГБ, где WebGPU доступен в Chrome, Edge или похожем браузере (кроме Mac с Apple silicon). Для японского в остальных случаях, например на телефонах или в Safari и Firefox, а также для китайского и корейского — SenseVoice Small. Для английского, испанского, немецкого, французского, итальянского, португальского, русского, польского, нидерландского, украинского, венгерского, чешского и греческого — Parakeet Ultra на компьютере со встроенной графикой и памятью от 4 ГБ, где WebGPU доступен в Chrome, Edge или похожем браузере. На телефонах и компьютерах без WebGPU для испанского, французского, итальянского и немецкого — FastConformer (кроме устройств с малым объёмом памяти). Для английского на других устройствах и для других языков одна из моделей Whisper выбирается по GPU и памяти. Для английского устройства, которым досталась бы Whisper Base или меньше (например, телефоны и компьютеры со встроенной графикой в Safari или Firefox), вместо неё получают SenseVoice Small.

Будет ли доля ошибок такой же на записях встреч?

Нет. В этих замерах использована речь одного человека, читающего текст вслух, поэтому на шумных записях или в разговорах нескольких людей все модели ошибаются чаще. Используйте результаты как ориентир для сравнения моделей.

Выберите модель и расшифруйте

Инструмент бесплатный и не требует регистрации. Аудиофайлы обрабатываются в браузере и не покидают ваше устройство.

Открыть инструмент расшифровки