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 транскрибуванняSenseVoice 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.
- Для китайської частка помилок SenseVoice Small становила 7,9% — менше, ніж у найкращої моделі Whisper, Medium (9,8%).
- Для японської SenseVoice Small (8,6%) була приблизно на рівні Whisper Medium (8,7%) і Large v3 Turbo (8,9%), а Large v3 (6,9%) зробила менше помилок.
- Для англійської Whisper Small (7,3%) і більші моделі зробили менше помилок, ніж SenseVoice Small (9,0%). Для корейської SenseVoice Small (7,9%) була приблизно на рівні Whisper Small (7,2%), а Large v3 Turbo (5,0%) і Large v3 (4,6%) зробили менше помилок.
- На нашому тестовому комп’ютері обробка 1 години аудіо тривала близько 7 хвилин із SenseVoice Small на CPU і близько 16 хвилин із Whisper Large v3 Turbo на вбудованій графіці. Перше завантаження — 240 МБ і 1,5 ГБ відповідно.
| Модель | Японська | Англійська | Корейська | Китайська | Час на 1 годину аудіо | Перше завантаження |
|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6% | 9,0% | 7,9% | 7,9% | близько 7 хв | 〜240 MB |
| Whisper Small | 14,1% | 7,3% | 7,2% | 14,5% | близько 10 хв | 〜925 MB |
| Whisper Medium | 8,7% | 5,7% | 5,7% | 9,8% | близько 19 хв | 〜650 MB |
| Whisper Large v3 Turbo | 8,9% | 5,8% | 5,0% | 9,9% | близько 16 хв | 〜1.5 GB |
| Whisper Large v3 | 6,9% | 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.
- Для англійської Parakeet Ultra (частка помилок 5,7%) була приблизно на рівні Whisper Large v3 Turbo (5,8%), Medium (5,7%) і Large v3 (5,6%) і зробила менше помилок, ніж Small (7,3%) і Base (11,5%).
- Для іспанської Parakeet Ultra (4,2%) була приблизно на рівні Whisper Large v3 Turbo (4,4%) і зробила менше помилок, ніж Medium (5,3%) і Large v3 (6,2%).
- На нашому тестовому комп’ютері (вбудована графіка) обробка 1 години аудіо тривала близько 2 хвилин із Parakeet Ultra, близько 16 хвилин із Whisper Large v3 Turbo і близько 23 хвилин із Large v3. Перше завантаження — 500 МБ, третина від Turbo (1,5 ГБ).
| Модель | Англійська | Іспанська | Час на 1 годину аудіо | Перше завантаження |
|---|---|---|---|---|
| Parakeet Ultra | 5,7% | 4,2% | близько 2 хв | 〜500 MB |
| Whisper Base | 11,5% | 13,2% | близько 6 хв | 〜280 MB |
| Whisper Small | 7,3% | 7,6% | близько 10 хв | 〜925 MB |
| Whisper Medium | 5,7% | 5,3% | близько 19 хв | 〜650 MB |
| Whisper Large v3 Turbo | 5,8% | 4,4% | близько 16 хв | 〜1.5 GB |
| Whisper Large v3 | 5,6% | 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.
| Модель | Японська | Англійська | Іспанська | Корейська | Китайська |
|---|---|---|---|---|---|
| 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% | — | — | — | — |
«—» 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.
| Модель | Час на 1 годину аудіо | Перше завантаження | Вимоги |
|---|---|---|---|
| Haas-ja v1.0 | близько 2 хв | 〜710 MB | Комп’ютер із WebGPU (використовує близько 1 ГБ пам’яті GPU) |
| SenseVoice Small | близько 7 хв | 〜240 MB | Комп’ютери й телефони (працює на CPU) |
| Parakeet Ultra | близько 2 хв | 〜500 MB | Комп’ютер із WebGPU (використовує близько 1,3 ГБ пам’яті GPU) |
| FastConformer | близько 3 хв | 〜175 MB | Комп’ютери й телефони (працює на CPU) |
| Whisper Tiny | близько 5 хв | 〜145 MB | Комп’ютери й телефони |
| Whisper Base | близько 6 хв | 〜280 MB | Комп’ютери й телефони |
| Whisper Small | близько 10 хв | 〜925 MB | Комп’ютери й телефони |
| Whisper Medium | близько 19 хв | 〜650 MB | Рекомендовано комп’ютер із WebGPU (на CPU 1 година аудіо обробляється кілька годин) |
| Whisper Large v3 Turbo | близько 16 хв | 〜1.5 GB | Рекомендовано комп’ютер із WebGPU і GPU з підтримкою 16-бітних чисел (fp16) (без цього модель працює на CPU кілька годин) |
| Whisper Large v3 | близько 23 хв | 〜2.0 GB | Комп’ютер із WebGPU і GPU з підтримкою 16-бітних чисел (fp16) |
| Qwen3-ASR 1.7B | близько 19 хв | 〜5.2 GB | Комп’ютер із WebGPU (використовує близько 5 ГБ пам’яті GPU) |
| Voxtral Mini 4B | близько 50 хв | 〜2.9 GB | Комп’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.
| Модель | Японська | Англійська | Іспанська | Корейська | Китайська | Час на 1 годину аудіо | Перше завантаження |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6% | 9,0% | — | 7,9% | 7,9% | близько 7 хв | 〜240 MB |
| FastConformer | — | — | 9,2% | — | — | близько 3 хв | 〜175 MB |
| Whisper Tiny | 70,5% | 28,3% | 31,5% | 30,2% | 51,0% | близько 10 хв | 〜40 MB |
| Whisper Base | 31,2% | 12,1% | 14,0% | 15,2% | 25,1% | близько 15 хв | 〜75 MB |
| Whisper Small | 14,8% | 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
- Більші моделі не завжди точніші. Whisper Large v3 точніша за Large v3 Turbo для японської та корейської, але для іспанської й китайської помиляється частіше за Turbo й працює приблизно в 1,4 раза довше.
- Для японської та китайської SenseVoice Small (240 МБ) не поступається точністю Whisper Large v3 Turbo (1,5 ГБ) або перевершує її (японська 8,6% проти 8,9%, китайська 7,9% проти 9,9%).
- Whisper Medium майже така ж точна, як Large v3 Turbo, а обсяг завантаження більш ніж удвічі менший (650 МБ проти 1,5 ГБ). Вона працює приблизно в 1,2 раза довше за Turbo.
- Qwen3-ASR 1.7B робить найменше помилок для англійської, іспанської та китайської.
- Найменше помилок для японської робить Haas-ja v1.0 (5,2%) — приблизно на 40% менше, ніж SenseVoice Small (8,6%). Вона також працює приблизно втричі швидше за SenseVoice Small.
- На CPU, як і на телефонах, частка помилок Whisper Tiny різко зростає (для японської — з 44,4% до 70,5%). У Small вона майже не змінюється.
- На CPU, як і на телефонах, FastConformer (175 МБ) має частку помилок для іспанської 9,2% — менше третини від Whisper Tiny (31,5%) — і витрачає приблизно третину часу обробки Tiny.
Як ми вимірювали
- Для кожної мови взято 100 висловлювань через рівні проміжки з тестової частини FLEURS (мовлення, прочитане вголос) — багатомовного набору для оцінювання розпізнавання мовлення, опублікованого Google.
- Ми транскрибували в браузері з тим самим програмним забезпеченням, що й у цьому інструменті (transformers.js 4.2.0), тими самими форматами моделей і тією самою обробкою (початковий текст для Whisper і повторна обробка фрагментів, що повернулися порожніми).
- Перед порівнянням із правильним текстом ми прибрали розділові знаки, пробіли та різницю між повноширинними й напівширинними символами. Китайську перетворено на спрощену, а англійську пропущено через нормалізацію тексту, яку використовують в оцінюванні Whisper.
- Тестовий комп’ютер має AMD Ryzen 7 8745H (вбудована графіка Radeon 780M) і 32 ГБ пам’яті, браузер — Chromium 153. Час обробки не враховує завантаження моделі.
- Haas-ja v1.0 і Voxtral Mini 4B вимірювали лише для японської, SenseVoice Small — для 4 мов, крім іспанської, Parakeet Ultra — лише для англійської та іспанської, FastConformer — лише для іспанської (лише для мов, які можна вибрати для кожної моделі в цьому інструменті). Voxtral Mini 4B вимірювали за день до інших моделей, Haas-ja v1.0 — 3 листопада 2026 року, Parakeet Ultra — 10 листопада, а FastConformer — 11 листопада, на тому самому комп’ютері й аудіо.
- Qwen3-ASR 1.7B використовує окрему модель для часових міток, тому її час обробки виміряно під час транскрибування японського аудіо (108 секунд) у цьому інструменті разом із цим кроком.
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