Transcriber

Порівняння моделей розпізнавання мовлення: Whisper vs SenseVoice, Parakeet та інші

Ми виміряли 12 моделей розпізнавання мовлення, доступних у цьому інструменті, на тому самому аудіо 5 мовами. Частка помилок — це частина транскрипції, розпізнана неправильно, а час обробки — орієнтовна тривалість обробки 1 години аудіо. Якщо не знаєте, яку модель вибрати, почніть із розділу «Рекомендації за мовою й пристроєм».

Дата вимірювань: 29 жовтня 2026 р.

Рекомендації за мовою й пристроєм

Японська

На комп’ютері з WebGPU найточніша Haas-ja v1.0 (710 МБ) — частка помилок 5,2%. Вона також працює приблизно втричі швидше за SenseVoice Small. На таких комп’ютерах вона за замовчуванням у Chrome і Edge (крім Mac на Apple silicon). На телефонах і комп’ютерах без WebGPU вибирайте модель за замовчуванням — SenseVoice Small (240 МБ). Вона приблизно така ж точна, як Whisper Large v3 Turbo (1,5 ГБ), і працює більш ніж удвічі швидше.

Китайська та корейська

Для китайської SenseVoice Small за замовчуванням точніша за будь-яку модель Whisper. Для корейської на комп’ютері з WebGPU Whisper Large v3 Turbo (частка помилок 5,0%) і Large v3 (4,6%) точніші за SenseVoice Small (7,9%). Для обох мов Qwen3-ASR 1.7B на комп’ютері з WebGPU не поступається точністю SenseVoice Small або перевершує її.

Англійська

На комп’ютері з WebGPU достатньо точні Whisper Large v3 Turbo (частка помилок 5,8%) або Medium (5,7%). Найточніша — Qwen3-ASR 1.7B (4,3%), але першого разу вона завантажує близько 5,2 ГБ і використовує близько 5 ГБ пам’яті GPU. Parakeet Ultra (500 МБ) приблизно така ж точна, як Large v3 Turbo (5,7%), і витрачає приблизно 1/7 часу обробки Turbo. Вона за замовчуванням на комп’ютерах із вбудованою графікою в Chrome або Edge. На телефонах вибирайте SenseVoice Small (9,0%).

Іспанська, німецька та інші мови

Для іспанської, німецької, французької, італійської, португальської, російської, польської, нідерландської, української, угорської, чеської та інших європейських мов на комп’ютері з WebGPU вибирайте Parakeet Ultra (500 МБ). Її частка помилок для іспанської — 4,2%, майже як у Large v3 Turbo (4,4%), а час обробки — приблизно 1/7 від Turbo. Вона за замовчуванням для цих 11 мов і грецької на комп’ютерах із вбудованою графікою в Chrome або Edge. Проте для грецької Whisper Large v3 Turbo робить менше помилок, тому, коли найважливіша точність, вибирайте Turbo (вона за замовчуванням на комп’ютерах із дискретною відеокартою). Для інших мов на комп’ютері з WebGPU вибирайте Whisper Large v3 Turbo. На телефонах і комп’ютерах без WebGPU для іспанської, французької, італійської та німецької вибирайте модель за замовчуванням — FastConformer (175 МБ). Її частка помилок для іспанської — 9,2%, трохи вище, ніж у Whisper Small (7,7%), але час обробки — приблизно 1/15 від Small. Для інших мов вибирайте Whisper Small або більшу.

Телефони

Для японської, китайської, корейської та англійської вибирайте модель за замовчуванням — SenseVoice Small. Для іспанської, французької, італійської та німецької — модель за замовчуванням FastConformer. На телефонах працює полегшена (8-бітна) версія Whisper, тому частка помилок Tiny для японської перевищує 70%. Для інших мов найточніша Whisper Small, але обробка триває приблизно стільки ж, скільки аудіо, або довше. Для довгого аудіо можна також вибрати Whisper Base.

WebGPU — це спосіб, у який браузер використовує GPU для обчислень. Він доступний у Chrome, Edge та інших браузерах для комп’ютера.

Відкрити інструмент транскрибування

SenseVoice vs Whisper (японська, китайська, корейська та англійська)

Ми порівняли SenseVoice Small із 4 моделями Whisper на тому самому читаному аудіо (100 висловлювань для кожної мови). SenseVoice Small працює на CPU на всіх пристроях, зокрема на телефонах. Результати Whisper отримано на комп’ютері з WebGPU.

Частка помилок (%), час обробки й розмір завантаження SenseVoice Small і Whisper
МодельЯпонськаАнглійськаКорейськаКитайськаЧас на 1 годину аудіоПерше завантаження
SenseVoice Small8,6%9,0%7,9%7,9%близько 7 хв〜240 MB
Whisper Small14,1%7,3%7,2%14,5%близько 10 хв〜925 MB
Whisper Medium8,7%5,7%5,7%9,8%близько 19 хв〜650 MB
Whisper Large v3 Turbo8,9%5,8%5,0%9,9%близько 16 хв〜1.5 GB
Whisper Large v36,9%5,6%4,6%11,5%близько 23 хв〜2.0 GB

У цьому інструменті SenseVoice Small не можна вибрати для іспанської та інших європейських мов, тому порівнюються лише 4 мови. Час обробки SenseVoice Small наведено для CPU, а Whisper — для GPU. Результати Whisper на телефонах і комп’ютерах без WebGPU див. у таблиці «На телефонах і комп’ютерах без WebGPU».

Parakeet vs Whisper (англійська та іспанська)

Parakeet у цьому інструменті — це Parakeet Ultra: модель, яку опублікувала moondream, з тією самою архітектурою й словником, що й NVIDIA Parakeet TDT 0.6B v3, і яку ми конвертували для WebGPU. Вона працює лише на комп’ютерах із WebGPU. Результати отримано на тому самому читаному аудіо (100 висловлювань для кожної мови); самі Parakeet TDT 0.6B v2 і v3 до цієї таблиці не входять.

Частка помилок (%), час обробки й розмір завантаження Parakeet Ultra і Whisper
МодельАнглійськаІспанськаЧас на 1 годину аудіоПерше завантаження
Parakeet Ultra5,7%4,2%близько 2 хв〜500 MB
Whisper Base11,5%13,2%близько 6 хв〜280 MB
Whisper Small7,3%7,6%близько 10 хв〜925 MB
Whisper Medium5,7%5,3%близько 19 хв〜650 MB
Whisper Large v3 Turbo5,8%4,4%близько 16 хв〜1.5 GB
Whisper Large v35,6%6,2%близько 23 хв〜2.0 GB

На цій сторінці за однакових умов виміряно лише англійську та іспанську. Parakeet Ultra також підтримує ще 23 європейські мови.

Частка помилок за мовами

Частка помилок — це частина транскрипції, що відрізняється від правильного тексту. Що нижча, то точніше. Для японської, китайської та корейської помилки рахуються за символами, для англійської та іспанської — за словами. Модель із найменшою кількістю помилок для кожної мови виділено. У таблиці наведено результати на комп’ютері з WebGPU.

Частка помилок (%) за моделями й мовами
МодельЯпонськаАнглійськаІспанськаКорейськаКитайська
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%————

«—» означає, що для цієї мови модель у цьому інструменті вибрати не можна. Це результати для мовлення, прочитаного вголос, тож на шумних записах або розмовах кількох людей кожна модель помиляється частіше.

Час обробки й розмір завантаження

Час обробки — це орієнтовна тривалість транскрибування 1 години аудіо на нашому тестовому комп’ютері (AMD Ryzen 7 8745H, вбудована графіка Radeon 780M). Модель завантажується лише першого разу; далі використовується модель, збережена в браузері.

Час обробки, розмір завантаження й вимоги за моделями
МодельЧас на 1 годину аудіоПерше завантаженняВимоги
Haas-ja v1.0близько 2 хв〜710 MBКомп’ютер із WebGPU (використовує близько 1 ГБ пам’яті GPU)
SenseVoice Smallблизько 7 хв〜240 MBКомп’ютери й телефони (працює на CPU)
Parakeet Ultraблизько 2 хв〜500 MBКомп’ютер із WebGPU (використовує близько 1,3 ГБ пам’яті GPU)
FastConformerблизько 3 хв〜175 MBКомп’ютери й телефони (працює на CPU)
Whisper Tinyблизько 5 хв〜145 MBКомп’ютери й телефони
Whisper Baseблизько 6 хв〜280 MBКомп’ютери й телефони
Whisper Smallблизько 10 хв〜925 MBКомп’ютери й телефони
Whisper Mediumблизько 19 хв〜650 MBРекомендовано комп’ютер із WebGPU (на CPU 1 година аудіо обробляється кілька годин)
Whisper Large v3 Turboблизько 16 хв〜1.5 GBРекомендовано комп’ютер із WebGPU і GPU з підтримкою 16-бітних чисел (fp16) (без цього модель працює на CPU кілька годин)
Whisper Large v3близько 23 хв〜2.0 GBКомп’ютер із WebGPU і GPU з підтримкою 16-бітних чисел (fp16)
Qwen3-ASR 1.7Bблизько 19 хв〜5.2 GBКомп’ютер із WebGPU (використовує близько 5 ГБ пам’яті GPU)
Voxtral Mini 4Bблизько 50 хв〜2.9 GBКомп’ютер із WebGPU і GPU з підтримкою 16-бітних чисел (fp16) (використовує близько 5 ГБ пам’яті GPU; для вбудованої графіки потрібно 16 ГБ RAM або більше)

На комп’ютерах із дискретною відеокартою, як-от GeForce, швидше, а на старих комп’ютерах — повільніше. SenseVoice Small і FastConformer не використовують GPU; вони працюють на CPU.

На телефонах і комп’ютерах без WebGPU

На телефонах і комп’ютерах без WebGPU на CPU працює полегшена (8-бітна) версія Whisper. Частка помилок вища, ніж на GPU комп’ютера, а в Tiny вона особливо зростає.

Частка помилок (%), час обробки й розмір завантаження на CPU
МодельЯпонськаАнглійськаІспанськаКорейськаКитайськаЧас на 1 годину аудіоПерше завантаження
SenseVoice Small8,6%9,0%—7,9%7,9%близько 7 хв〜240 MB
FastConformer——9,2%——близько 3 хв〜175 MB
Whisper Tiny70,5%28,3%31,5%30,2%51,0%близько 10 хв〜40 MB
Whisper Base31,2%12,1%14,0%15,2%25,1%близько 15 хв〜75 MB
Whisper Small14,8%7,6%7,7%7,4%14,3%близько 45 хв〜240 MB

Час обробки наведено для CPU нашого тестового комп’ютера (1 потік). На телефонах — довше. Whisper Medium і більші обробляють 1 годину аудіо на CPU кілька годин.

Що показали вимірювання

Як ми вимірювали

Поширені запитання

Чи точніші більші моделі?

Не завжди. У Whisper точність зростає з розміром від Tiny до Medium, але Large v3 для іспанської та китайської помилялася частіше, ніж Large v3 Turbo. Для японської та китайської невелика SenseVoice Small приблизно така ж точна, як Turbo.

Яку модель вибрати на телефоні?

Для японської, китайської, корейської та англійської вибирайте SenseVoice Small, а для іспанської, французької, італійської та німецької — FastConformer. Обидві також є моделями за замовчуванням. Для інших мов найточніша Whisper Small, але вона повільна, тому для довгого аудіо можна вибрати й Whisper Base. Tiny робить багато помилок і не рекомендується.

Як вибирається модель за замовчуванням?

Її вибирають автоматично з урахуванням вибраної мови й можливостей пристрою. Для японської це Haas-ja v1.0 на комп’ютері з пам’яттю від 4 ГБ, де WebGPU доступний у Chrome, Edge або подібному браузері (крім Mac на Apple silicon). Для японської в інших випадках, як-от на телефонах чи в Safari і Firefox, а також для китайської та корейської — SenseVoice Small. Для англійської, іспанської, німецької, французької, італійської, португальської, російської, польської, нідерландської, української, угорської, чеської та грецької — Parakeet Ultra на комп’ютері з вбудованою графікою й пам’яттю від 4 ГБ, де WebGPU доступний у Chrome, Edge або подібному браузері. На телефонах і комп’ютерах без WebGPU для іспанської, французької, італійської та німецької — FastConformer (крім пристроїв із малим обсягом пам’яті). Для англійської на інших пристроях і для інших мов вибирається одна з моделей Whisper залежно від GPU й пам’яті. Для англійської пристрої, яким дісталася б Whisper Base або менша (як-от телефони й комп’ютери з вбудованою графікою в Safari або Firefox), натомість отримують SenseVoice Small.

Чи буде частка помилок такою самою для записів зустрічей?

Ні. У цих вимірюваннях використано мовлення, прочитане вголос однією людиною, тож на шумних записах або розмовах кількох людей кожна модель помиляється частіше. Використовуйте їх як орієнтир для порівняння моделей.

Виберіть модель і транскрибуйте

Цей інструмент безкоштовний і не потребує реєстрації. Аудіофайли обробляються у вашому браузері й ніколи не залишають ваш пристрій.

Відкрити інструмент транскрибування