Konuşmayı metne dönüştürme modelleri karşılaştırması: Whisper vs SenseVoice, Parakeet ve diğerleri
Bu araçta kullanılabilen 12 konuşmayı metne dönüştürme modelini 5 dilde aynı seslerle ölçtük. Hata oranı, dökümün yanlış tanınan kısmının oranıdır; işleme süresi ise 1 saatlik sesin ne kadar sürdüğüne dair bir tahmindir. Hangi modeli seçeceğinizden emin değilseniz “Dile ve cihaza göre öneriler” bölümünden başlayın.
Ölçüm tarihi: 29 Ekim 2026
Dile ve cihaza göre öneriler
Japonca
WebGPU destekli bir bilgisayarda en doğru model Haas-ja v1.0’dır (710 MB; %5,2 hata oranı). SenseVoice Small’un harcadığı sürenin de yaklaşık üçte birini harcar. Bu tür bilgisayarlarda Chrome ve Edge’de varsayılandır (Apple silikonlu Mac’ler hariç). Telefonlarda ve WebGPU’suz bilgisayarlarda varsayılan olan SenseVoice Small’u (240 MB) seçin. Whisper Large v3 Turbo (1,5 GB) kadar doğrudur ve onun yarısından az süre harcar.
Çince ve Korece
Çincede varsayılan SenseVoice Small, tüm Whisper modellerinden daha doğrudur. Korecede, WebGPU destekli bir bilgisayarda Whisper Large v3 Turbo (%5,0 hata oranı) ve Large v3 (%4,6), SenseVoice Small’dan (%7,9) daha doğrudur. Her iki dilde de WebGPU destekli bir bilgisayarda Qwen3-ASR 1.7B, SenseVoice Small kadar veya ondan daha doğrudur.
İngilizce
WebGPU destekli bir bilgisayarda Whisper Large v3 Turbo (%5,8 hata oranı) veya Medium (%5,7) yeterince doğrudur. En doğrusu Qwen3-ASR 1.7B’dir (%4,3), ancak ilk seferde yaklaşık 5,2 GB indirir ve yaklaşık 5 GB GPU belleği kullanır. Parakeet Ultra (500 MB) yaklaşık Large v3 Turbo kadar doğrudur (%5,7) ve Turbo’nun işleme süresinin yaklaşık 1/7’sini harcar. Chrome veya Edge’de tümleşik grafikli bilgisayarlarda varsayılandır. Telefonlarda SenseVoice Small’u (%9,0) seçin.
İspanyolca, Almanca ve diğer diller
İspanyolca, Almanca, Fransızca, İtalyanca, Portekizce, Rusça, Lehçe, Felemenkçe, Ukraynaca, Macarca, Çekçe ve diğer Avrupa dilleri için WebGPU destekli bir bilgisayarda Parakeet Ultra’yı (500 MB) seçin. İspanyolca hata oranı %4,2’dir; Large v3 Turbo (%4,4) ile hemen hemen aynıdır ve Turbo’nun işleme süresinin yaklaşık 1/7’sini harcar. Chrome veya Edge’de tümleşik grafikli bilgisayarlarda bu 11 dil ve Yunanca için varsayılandır. Ancak Yunancada Whisper Large v3 Turbo daha az hata yapar; bu nedenle doğruluk en önemliyse Turbo’yu seçin (harici GPU’lu bilgisayarlarda varsayılandır). Diğer diller için WebGPU destekli bir bilgisayarda Whisper Large v3 Turbo’yu seçin. Telefonlarda ve WebGPU’suz bilgisayarlarda İspanyolca, Fransızca, İtalyanca ve Almanca için varsayılan olan FastConformer’ı (175 MB) seçin. İspanyolca hata oranı %9,2 ile Whisper Small’dan (%7,7) biraz yüksektir, ancak Small’un işleme süresinin yaklaşık 1/15’ini harcar. Diğer diller için Whisper Small veya daha büyüğünü seçin.
Telefonlar
Japonca, Çince, Korece ve İngilizce için varsayılan olan SenseVoice Small’u seçin. İspanyolca, Fransızca, İtalyanca ve Almanca için varsayılan olan FastConformer’ı seçin. Telefonlarda Whisper’ın daha hafif (8 bit) bir sürümü çalıştığından Tiny’nin Japonca hata oranı %70’i aşar. Diğer diller için en doğrusu Whisper Small’dur, ancak işleme ses süresi kadar veya daha uzun sürer. Uzun sesler için Whisper Base de bir seçenektir.
WebGPU, tarayıcının hesaplama için GPU’yu kullanmasını sağlayan bir yöntemdir. Masaüstündeki Chrome, Edge ve diğer tarayıcılarda kullanılabilir.
Yazıya dökme aracını açSenseVoice vs Whisper (Japonca, Çince, Korece ve İngilizce)
SenseVoice Small’u 4 Whisper modeliyle aynı sesli okunan konuşma üzerinde (dil başına 100 ifade) karşılaştırdık. SenseVoice Small, telefonlar dahil tüm cihazlarda CPU’da çalışır. Whisper sonuçları WebGPU destekli bir bilgisayara aittir.
- Çincede SenseVoice Small’un hata oranı %7,9 idi; bu, Whisper modelleri arasında en az hata yapan Medium’dan (%9,8) düşüktü.
- Japoncada SenseVoice Small (%8,6), Whisper Medium (%8,7) ve Large v3 Turbo (%8,9) ile hemen hemen aynıydı; Large v3 (%6,9) ise daha az hata yaptı.
- İngilizcede Whisper Small (%7,3) ve daha büyükleri, SenseVoice Small’dan (%9,0) daha az hata yaptı. Korecede SenseVoice Small (%7,9), Whisper Small (%7,2) ile hemen hemen aynıydı; Large v3 Turbo (%5,0) ve Large v3 (%4,6) ise daha az hata yaptı.
- Test bilgisayarımızda 1 saatlik ses, CPU’da SenseVoice Small ile yaklaşık 7 dakika, tümleşik grafikte Whisper Large v3 Turbo ile yaklaşık 16 dakika sürdü. İlk indirmeler 240 MB ve 1,5 GB’tır.
| Model | Japonca | İngilizce | Korece | Çince | 1 saatlik ses için süre | İlk indirme |
|---|---|---|---|---|---|---|
| SenseVoice Small | %8,6 | %9,0 | %7,9 | %7,9 | yaklaşık 7 dk | 〜240 MB |
| Whisper Small | %14,1 | %7,3 | %7,2 | %14,5 | yaklaşık 10 dk | 〜925 MB |
| Whisper Medium | %8,7 | %5,7 | %5,7 | %9,8 | yaklaşık 19 dk | 〜650 MB |
| Whisper Large v3 Turbo | %8,9 | %5,8 | %5,0 | %9,9 | yaklaşık 16 dk | 〜1.5 GB |
| Whisper Large v3 | %6,9 | %5,6 | %4,6 | %11,5 | yaklaşık 23 dk | 〜2.0 GB |
Bu araçta SenseVoice Small, İspanyolca veya diğer Avrupa dilleri için seçilemediğinden yalnızca 4 dil karşılaştırıldı. SenseVoice Small’un işleme süresi CPU’da, Whisper’ınki GPU’da ölçüldü. Telefonlarda ve WebGPU’suz bilgisayarlardaki Whisper değerleri için “Telefonlarda ve WebGPU’suz bilgisayarlarda” bölümündeki tabloya bakın.
Parakeet vs Whisper (İngilizce ve İspanyolca)
Bu araçtaki Parakeet, Parakeet Ultra’dır: NVIDIA’nın Parakeet TDT 0.6B v3 modeliyle aynı mimariye ve kelime dağarcığına sahip olan, moondream’in yayımladığı ve bizim WebGPU için dönüştürdüğümüz bir model. Yalnızca WebGPU destekli bilgisayarlarda çalışır. Sonuçlar aynı sesli okunan konuşmaya (dil başına 100 ifade) aittir; Parakeet TDT 0.6B v2 ve v3’ün kendisi bu tabloya dahil değildir.
- İngilizcede Parakeet Ultra (%5,7 hata oranı), Whisper Large v3 Turbo (%5,8), Medium (%5,7) ve Large v3 (%5,6) ile hemen hemen aynıydı ve Small (%7,3) ile Base’den (%11,5) daha az hata yaptı.
- İspanyolcada Parakeet Ultra (%4,2), Whisper Large v3 Turbo (%4,4) ile hemen hemen aynıydı ve Medium (%5,3) ile Large v3’ten (%6,2) daha az hata yaptı.
- Test bilgisayarımızda (tümleşik grafik) 1 saatlik ses Parakeet Ultra ile yaklaşık 2 dakika, Whisper Large v3 Turbo ile yaklaşık 16 dakika ve Large v3 ile yaklaşık 23 dakika sürdü. İlk indirme 500 MB’tır; bu, Turbo’nun (1,5 GB) üçte biridir.
| Model | İngilizce | İspanyolca | 1 saatlik ses için süre | İlk indirme |
|---|---|---|---|---|
| Parakeet Ultra | %5,7 | %4,2 | yaklaşık 2 dk | 〜500 MB |
| Whisper Base | %11,5 | %13,2 | yaklaşık 6 dk | 〜280 MB |
| Whisper Small | %7,3 | %7,6 | yaklaşık 10 dk | 〜925 MB |
| Whisper Medium | %5,7 | %5,3 | yaklaşık 19 dk | 〜650 MB |
| Whisper Large v3 Turbo | %5,8 | %4,4 | yaklaşık 16 dk | 〜1.5 GB |
| Whisper Large v3 | %5,6 | %6,2 | yaklaşık 23 dk | 〜2.0 GB |
Bu sayfada aynı koşullarda yalnızca İngilizce ve İspanyolca ölçüldü. Parakeet Ultra ayrıca 23 Avrupa dilini daha destekler.
Dillere göre hata oranları
Hata oranı, dökümün doğru metinden farklı olan kısmının oranıdır. Düşük olan daha doğrudur. Japonca, Çince ve Korece karakter başına, İngilizce ve İspanyolca kelime başına sayılır. Her dilde en az hata yapan model vurgulanmıştır. Tablo, WebGPU destekli bir bilgisayardaki sonuçları gösterir.
| Model | Japonca | İngilizce | İspanyolca | Korece | Çince |
|---|---|---|---|---|---|
| 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 | — | — | — | — |
“—”, modelin bu araçta o dil için seçilemediği anlamına gelir. Bu sonuçlar sesli okunan konuşmaya aittir; gürültülü kayıtlarda veya birkaç kişinin konuştuğu sohbetlerde tüm modeller daha fazla hata yapar.
İşleme süresi ve indirme boyutu
İşleme süresi, test bilgisayarımızda (AMD Ryzen 7 8745H, Radeon 780M tümleşik grafik) 1 saatlik sesi yazıya dökmenin ne kadar sürdüğüne dair bir tahmindir. İndirme yalnızca ilk seferde yapılır; sonrasında tarayıcıda kayıtlı model kullanılır.
| Model | 1 saatlik ses için süre | İlk indirme | Gereksinimler |
|---|---|---|---|
| Haas-ja v1.0 | yaklaşık 2 dk | 〜710 MB | WebGPU destekli bilgisayar (yaklaşık 1 GB GPU belleği kullanır) |
| SenseVoice Small | yaklaşık 7 dk | 〜240 MB | Bilgisayarlar ve telefonlar (CPU’da çalışır) |
| Parakeet Ultra | yaklaşık 2 dk | 〜500 MB | WebGPU destekli bilgisayar (yaklaşık 1,3 GB GPU belleği kullanır) |
| FastConformer | yaklaşık 3 dk | 〜175 MB | Bilgisayarlar ve telefonlar (CPU’da çalışır) |
| Whisper Tiny | yaklaşık 5 dk | 〜145 MB | Bilgisayarlar ve telefonlar |
| Whisper Base | yaklaşık 6 dk | 〜280 MB | Bilgisayarlar ve telefonlar |
| Whisper Small | yaklaşık 10 dk | 〜925 MB | Bilgisayarlar ve telefonlar |
| Whisper Medium | yaklaşık 19 dk | 〜650 MB | WebGPU destekli bilgisayar önerilir (CPU’da 1 saatlik ses birkaç saat sürer) |
| Whisper Large v3 Turbo | yaklaşık 16 dk | 〜1.5 GB | WebGPU destekli ve 16 bit kayan noktayı (fp16) destekleyen GPU’lu bilgisayar önerilir (yoksa CPU’da çalışır ve birkaç saat sürer) |
| Whisper Large v3 | yaklaşık 23 dk | 〜2.0 GB | WebGPU destekli ve 16 bit kayan noktayı (fp16) destekleyen GPU’lu bilgisayar |
| Qwen3-ASR 1.7B | yaklaşık 19 dk | 〜5.2 GB | WebGPU destekli bilgisayar (yaklaşık 5 GB GPU belleği kullanır) |
| Voxtral Mini 4B | yaklaşık 50 dk | 〜2.9 GB | WebGPU destekli ve 16 bit kayan noktayı (fp16) destekleyen GPU’lu bilgisayar (yaklaşık 5 GB GPU belleği kullanır; tümleşik grafikte 16 GB veya daha fazla RAM gerekir) |
GeForce gibi harici GPU’lu bilgisayarlarda daha hızlı, eski bilgisayarlarda daha yavaştır. SenseVoice Small ve FastConformer GPU kullanmaz; CPU’da çalışır.
Telefonlarda ve WebGPU’suz bilgisayarlarda
Telefonlarda ve WebGPU’suz bilgisayarlarda Whisper’ın daha hafif (8 bit) bir sürümü CPU’da çalışır. Hata oranları bilgisayarın GPU’sundakinden yüksektir ve özellikle Tiny çok daha kötüleşir.
| Model | Japonca | İngilizce | İspanyolca | Korece | Çince | 1 saatlik ses için süre | İlk indirme |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | %8,6 | %9,0 | — | %7,9 | %7,9 | yaklaşık 7 dk | 〜240 MB |
| FastConformer | — | — | %9,2 | — | — | yaklaşık 3 dk | 〜175 MB |
| Whisper Tiny | %70,5 | %28,3 | %31,5 | %30,2 | %51,0 | yaklaşık 10 dk | 〜40 MB |
| Whisper Base | %31,2 | %12,1 | %14,0 | %15,2 | %25,1 | yaklaşık 15 dk | 〜75 MB |
| Whisper Small | %14,8 | %7,6 | %7,7 | %7,4 | %14,3 | yaklaşık 45 dk | 〜240 MB |
İşleme süreleri test bilgisayarımızın CPU’suna (1 iş parçacığı) aittir. Telefonlarda daha uzun sürer. Whisper Medium ve daha büyükleri CPU’da 1 saatlik ses için birkaç saat sürer.
Ölçümler ne gösteriyor
- Büyük modeller her zaman daha doğru değildir. Whisper Large v3, Japonca ve Korecede Large v3 Turbo’dan daha doğrudur, ancak İspanyolca ve Çincede Turbo’dan daha fazla hata yapar ve yaklaşık 1,4 kat uzun sürer.
- Japonca ve Çincede 240 MB’lık SenseVoice Small, 1,5 GB’lık Whisper Large v3 Turbo kadar veya ondan daha doğrudur (Japonca %8,6’ya karşı %8,9, Çince %7,9’a karşı %9,9).
- Whisper Medium, indirme boyutunun yarısından azıyla (650 MB’a karşı 1,5 GB) neredeyse Large v3 Turbo kadar doğrudur. Turbo’dan yaklaşık 1,2 kat uzun sürer.
- İngilizce, İspanyolca ve Çincede en az hatayı Qwen3-ASR 1.7B yapar.
- Japoncada en az hata Haas-ja v1.0’dadır (%5,2); SenseVoice Small’dan (%8,6) yaklaşık %40 daha azdır. SenseVoice Small’un harcadığı sürenin de yaklaşık üçte birini harcar.
- CPU’da, telefonlarda olduğu gibi, Whisper Tiny’nin hata oranı keskin biçimde yükselir (Japoncada %44,4’ten %70,5’e). Small neredeyse değişmez.
- CPU’da, telefonlarda olduğu gibi, FastConformer’ın (175 MB) İspanyolca hata oranı %9,2’dir; bu, Whisper Tiny’nin (%31,5) üçte birinden azdır ve Tiny’nin işleme süresinin yaklaşık üçte birini harcar.
Nasıl ölçtük
- Ses, Google’ın yayımladığı çok dilli bir konuşma tanıma kıyaslama veri kümesi olan FLEURS’ün (sesli okunan konuşma) test bölümünden eşit aralıklarla seçilmiş, dil başına 100 ifadeden oluşur.
- Bu araçla aynı yazılımla (transformers.js 4.2.0), aynı model biçimleriyle ve aynı işlemlerle (Whisper’a verilen başlangıç metni ve boş dönen bölümlerin yeniden çalıştırılması) tarayıcıda yazıya döktük.
- Doğru metinle karşılaştırmadan önce noktalama işaretlerini, boşlukları ve tam genişlik/yarım genişlik farklarını kaldırdık. Çince Basitleştirilmiş Çinceye dönüştürüldü, İngilizce ise Whisper’ın değerlendirmesinde kullanılan metin normalleştirmesinden geçirildi.
- Test bilgisayarında AMD Ryzen 7 8745H (Radeon 780M tümleşik grafik) ve 32 GB bellek vardır; tarayıcı Chromium 153’tür. İşleme sürelerine modelin yüklenmesi dahil değildir.
- Haas-ja v1.0 ve Voxtral Mini 4B yalnızca Japoncada, SenseVoice Small İspanyolca dışındaki 4 dilde, Parakeet Ultra yalnızca İngilizce ve İspanyolcada, FastConformer ise yalnızca İspanyolcada ölçüldü (her modelin bu araçta seçilebildiği diller). Voxtral Mini 4B diğer modellerden bir gün önce, Haas-ja v1.0 3 Kasım 2026’da, Parakeet Ultra 10 Kasım’da ve FastConformer 11 Kasım’da aynı bilgisayar ve seslerle ölçüldü.
- Qwen3-ASR 1.7B zaman damgası eklemek için ayrı bir model kullandığından, işleme süresi bu adım dahil olmak üzere bu araçta Japonca bir ses (108 saniye) yazıya dökülerek ölçüldü.
Sık sorulan sorular
Büyük modeller daha mı doğrudur?
Her zaman değil. Whisper’da doğruluk Tiny’den Medium’a kadar boyutla artar, ancak Large v3 İspanyolca ve Çincede Large v3 Turbo’dan daha fazla hata yaptı. Japonca ve Çincede küçük SenseVoice Small, yaklaşık Turbo kadar doğrudur.
Telefonda hangi modeli seçmeliyim?
Japonca, Çince, Korece ve İngilizce için SenseVoice Small’u, İspanyolca, Fransızca, İtalyanca ve Almanca için FastConformer’ı seçin. İkisi de aynı zamanda varsayılandır. Diğer diller için en doğrusu Whisper Small’dur, ancak yavaş olduğundan uzun sesler için Whisper Base de bir seçenektir. Tiny çok hata yapar ve önerilmez.
Varsayılan model nasıl seçilir?
Seçilen dile ve cihazın yeteneklerine göre otomatik olarak seçilir. Japonca için, Chrome, Edge veya benzeri bir tarayıcıda WebGPU’nun kullanılabildiği, 4 GB veya daha fazla belleğe sahip bir bilgisayarda (Apple silikonlu Mac’ler hariç) Haas-ja v1.0’dır. Telefonlar veya Safari ve Firefox gibi diğer ortamlarda Japonca için ve Çince ile Korece için SenseVoice Small’dur. İngilizce, İspanyolca, Almanca, Fransızca, İtalyanca, Portekizce, Rusça, Lehçe, Felemenkçe, Ukraynaca, Macarca, Çekçe ve Yunanca için, Chrome, Edge veya benzeri bir tarayıcıda WebGPU’nun kullanılabildiği, tümleşik grafikli ve 4 GB veya daha fazla belleğe sahip bir bilgisayarda Parakeet Ultra’dır. Telefonlarda ve WebGPU’suz bilgisayarlarda İspanyolca, Fransızca, İtalyanca ve Almanca için FastConformer’dır (belleği az olan cihazlar hariç). Diğer cihazlarda İngilizce için ve diğer diller için GPU’ya ve belleğe göre Whisper modellerinden biri seçilir. İngilizcede, Whisper Base veya daha küçüğünü alacak cihazlar (telefonlar ve Safari ya da Firefox’ta tümleşik grafikli bilgisayarlar gibi) bunun yerine SenseVoice Small alır.
Toplantı kayıtlarında hata oranı aynı mı olur?
Hayır. Bu ölçümlerde tek bir kişinin sesli okuduğu konuşma kullanıldı; gürültülü kayıtlarda veya birkaç kişinin konuştuğu sohbetlerde tüm modeller daha fazla hata yapar. Modelleri karşılaştırmak için bir kılavuz olarak kullanın.
Bir model seçin ve yazıya dökün
Bu araç ücretsizdir ve üyelik gerektirmez. Ses dosyaları tarayıcınızda işlenir ve cihazınızdan hiç çıkmaz.
Yazıya dökme aracını aç