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 расшифровкиSenseVoice 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.
- Для китайского доля ошибок SenseVoice Small — 7,9 %, ниже, чем у лучшей из моделей Whisper — Medium (9,8 %).
- Для японского SenseVoice Small (8,6 %) оказалась примерно на уровне Whisper Medium (8,7 %) и Large v3 Turbo (8,9 %), а Large v3 (6,9 %) ошибалась реже.
- Для английского Whisper Small (7,3 %) и более крупные модели ошибались реже, чем SenseVoice Small (9,0 %). Для корейского SenseVoice Small (7,9 %) оказалась примерно на уровне Whisper Small (7,2 %), а Large v3 Turbo (5,0 %) и Large v3 (4,6 %) ошибались реже.
- На нашем тестовом компьютере обработка 1 часа аудио заняла около 7 минут у SenseVoice Small на CPU и около 16 минут у Whisper Large v3 Turbo на встроенной графике. При первом запуске загружается 240 МБ и 1,5 ГБ соответственно.
| Модель | Японский | Английский | Корейский | Китайский | Время на 1 час аудио | Первая загрузка |
|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6 % | 9,0 % | 7,9 % | 7,9 % | около 7 мин | 〜240 MB |
| Whisper Small | 14,1 % | 7,3 % | 7,2 % | 14,5 % | около 10 мин | 〜925 MB |
| Whisper Medium | 8,7 % | 5,7 % | 5,7 % | 9,8 % | около 19 мин | 〜650 MB |
| Whisper Large v3 Turbo | 8,9 % | 5,8 % | 5,0 % | 9,9 % | около 16 мин | 〜1.5 GB |
| Whisper Large v3 | 6,9 % | 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.
- Для английского Parakeet Ultra (доля ошибок 5,7 %) оказалась примерно на уровне Whisper Large v3 Turbo (5,8 %), Medium (5,7 %) и Large v3 (5,6 %) и ошибалась реже, чем Small (7,3 %) и Base (11,5 %).
- Для испанского Parakeet Ultra (4,2 %) оказалась примерно на уровне Whisper Large v3 Turbo (4,4 %) и ошибалась реже, чем Medium (5,3 %) и Large v3 (6,2 %).
- На нашем тестовом компьютере (встроенная графика) обработка 1 часа аудио заняла около 2 минут у Parakeet Ultra, около 16 минут у Whisper Large v3 Turbo и около 23 минут у Large v3. При первом запуске загружается 500 МБ — треть от объёма Turbo (1,5 ГБ).
| Модель | Английский | Испанский | Время на 1 час аудио | Первая загрузка |
|---|---|---|---|---|
| Parakeet Ultra | 5,7 % | 4,2 % | около 2 мин | 〜500 MB |
| Whisper Base | 11,5 % | 13,2 % | около 6 мин | 〜280 MB |
| Whisper Small | 7,3 % | 7,6 % | около 10 мин | 〜925 MB |
| Whisper Medium | 5,7 % | 5,3 % | около 19 мин | 〜650 MB |
| Whisper Large v3 Turbo | 5,8 % | 4,4 % | около 16 мин | 〜1.5 GB |
| Whisper Large v3 | 5,6 % | 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.
| Модель | Японский | Английский | Испанский | Корейский | Китайский |
|---|---|---|---|---|---|
| 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 % | — | — | — | — |
«—» 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.
| Модель | Время на 1 час аудио | Первая загрузка | Требования |
|---|---|---|---|
| Haas-ja v1.0 | около 2 мин | 〜710 MB | Компьютер с WebGPU (около 1 ГБ видеопамяти) |
| SenseVoice Small | около 7 мин | 〜240 MB | Компьютеры и телефоны (работает на CPU) |
| Parakeet Ultra | около 2 мин | 〜500 MB | Компьютер с WebGPU (около 1,3 ГБ видеопамяти) |
| FastConformer | около 3 мин | 〜175 MB | Компьютеры и телефоны (работает на CPU) |
| Whisper Tiny | около 5 мин | 〜145 MB | Компьютеры и телефоны |
| Whisper Base | около 6 мин | 〜280 MB | Компьютеры и телефоны |
| Whisper Small | около 10 мин | 〜925 MB | Компьютеры и телефоны |
| Whisper Medium | около 19 мин | 〜650 MB | Рекомендуется компьютер с WebGPU (на CPU 1 час аудио обрабатывается несколько часов) |
| Whisper Large v3 Turbo | около 16 мин | 〜1.5 GB | Рекомендуется 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 v3 | около 23 мин | 〜2.0 GB | Компьютер с WebGPU и GPU с поддержкой 16-битных чисел с плавающей запятой (fp16) |
| Qwen3-ASR 1.7B | около 19 мин | 〜5.2 GB | Компьютер с WebGPU (около 5 ГБ видеопамяти) |
| Voxtral Mini 4B | около 50 мин | 〜2.9 GB | Компьютер 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.
| Модель | Японский | Английский | Испанский | Корейский | Китайский | Время на 1 час аудио | Первая загрузка |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6 % | 9,0 % | — | 7,9 % | 7,9 % | около 7 мин | 〜240 MB |
| FastConformer | — | — | 9,2 % | — | — | около 3 мин | 〜175 MB |
| Whisper Tiny | 70,5 % | 28,3 % | 31,5 % | 30,2 % | 51,0 % | около 10 мин | 〜40 MB |
| Whisper Base | 31,2 % | 12,1 % | 14,0 % | 15,2 % | 25,1 % | около 15 мин | 〜75 MB |
| Whisper Small | 14,8 % | 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
- Крупные модели не всегда точнее. Whisper Large v3 точнее Large v3 Turbo для японского и корейского, но ошибается чаще Turbo для испанского и китайского и работает примерно в 1,4 раза дольше.
- Для японского и китайского SenseVoice Small (240 МБ) не уступает по точности Whisper Large v3 Turbo (1,5 ГБ) или точнее её (японский: 8,6 % против 8,9 %, китайский: 7,9 % против 9,9 %).
- Whisper Medium почти так же точна, как Large v3 Turbo, при более чем вдвое меньшем объёме загрузки (650 МБ против 1,5 ГБ). Работает она примерно в 1,2 раза дольше Turbo.
- У Qwen3-ASR 1.7B меньше всего ошибок для английского, испанского и китайского.
- Меньше всего ошибок для японского у Haas-ja v1.0 (5,2 %) — примерно на 40 % меньше, чем у SenseVoice Small (8,6 %). Ей также нужно примерно втрое меньше времени, чем SenseVoice Small.
- На CPU, как и на телефонах, доля ошибок Whisper Tiny резко растёт (для японского — с 44,4 % до 70,5 %). У Small она почти не меняется.
- На CPU, как и на телефонах, FastConformer (175 МБ) даёт для испанского долю ошибок 9,2 % — менее трети от Whisper Tiny (31,5 %) — и тратит около трети времени обработки Tiny.
Как мы измеряли
- Аудио — фразы (по 100 на язык), выбранные через равные интервалы из тестовой части FLEURS (чтение текста вслух) — многоязычного набора для оценки распознавания речи, опубликованного Google.
- Мы расшифровывали в браузере тем же программным обеспечением, что и этот инструмент (transformers.js 4.2.0), с теми же форматами моделей и той же обработкой (начальный текст, передаваемый Whisper, и повторная обработка фрагментов, вернувшихся пустыми).
- Перед сравнением с правильным текстом мы удалили знаки препинания, пробелы и различия между полноширинными и полуширинными символами. Китайский текст преобразован в упрощённые иероглифы, а английский прошёл нормализацию текста, используемую при оценке Whisper.
- Тестовый компьютер: AMD Ryzen 7 8745H (встроенная графика Radeon 780M) и 32 ГБ памяти, браузер — Chromium 153. Время обработки не включает загрузку модели.
- Haas-ja v1.0 и Voxtral Mini 4B измерены только для японского, SenseVoice Small — для 4 языков, кроме испанского, Parakeet Ultra — только для английского и испанского, FastConformer — только для испанского (только для языков, для которых каждую модель можно выбрать в этом инструменте). Voxtral Mini 4B измерена за день до остальных моделей, Haas-ja v1.0 — 3 ноября 2026 г., Parakeet Ultra — 10 ноября, FastConformer — 11 ноября, на том же компьютере и том же аудио.
- Qwen3-ASR 1.7B использует отдельную модель для меток времени, поэтому её время обработки измерено при расшифровке японского аудио (108 секунд) в этом инструменте с учётом этого шага.
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