So sánh mô hình chuyển giọng nói thành văn bản: Whisper vs SenseVoice, Parakeet và các mô hình khác
Chúng tôi đã đo 12 mô hình chuyển giọng nói thành văn bản có trong công cụ này trên cùng âm thanh ở 5 ngôn ngữ. Tỷ lệ lỗi là phần bản chép lời bị nhận dạng sai, còn thời gian xử lý là ước tính thời gian cần cho 1 giờ âm thanh. Nếu bạn chưa biết chọn mô hình nào, hãy bắt đầu từ “Khuyên dùng theo ngôn ngữ và thiết bị”.
Ngày đo: 29 tháng 10, 2026
Khuyên dùng theo ngôn ngữ và thiết bị
Tiếng Nhật
Trên máy tính có WebGPU, Haas-ja v1.0 (710 MB) chính xác nhất (tỷ lệ lỗi 5,2%). Mô hình này cũng chỉ mất khoảng một phần ba thời gian so với SenseVoice Small. Đây là mặc định trong Chrome và Edge trên các máy tính như vậy (trừ máy Mac dùng chip Apple silicon). Trên điện thoại và máy tính không có WebGPU, hãy chọn mô hình mặc định là SenseVoice Small (240 MB). Mô hình này chính xác xấp xỉ Whisper Large v3 Turbo (1,5 GB) và mất chưa đến một nửa thời gian.
Tiếng Trung và tiếng Hàn
Với tiếng Trung, mô hình mặc định SenseVoice Small chính xác hơn mọi mô hình Whisper. Với tiếng Hàn, trên máy tính có WebGPU, Whisper Large v3 Turbo (tỷ lệ lỗi 5,0%) và Large v3 (4,6%) chính xác hơn SenseVoice Small (7,9%). Với cả hai ngôn ngữ, Qwen3-ASR 1.7B trên máy tính có WebGPU chính xác ngang hoặc hơn SenseVoice Small.
Tiếng Anh
Trên máy tính có WebGPU, Whisper Large v3 Turbo (tỷ lệ lỗi 5,8%) hoặc Medium (5,7%) đã đủ chính xác. Chính xác nhất là Qwen3-ASR 1.7B (4,3%), nhưng lần đầu phải tải xuống khoảng 5,2 GB và dùng khoảng 5 GB bộ nhớ GPU. Parakeet Ultra (500 MB) chính xác xấp xỉ Large v3 Turbo (5,7%) và chỉ mất khoảng 1/7 thời gian xử lý của Turbo. Đây là mặc định trên máy tính dùng đồ họa tích hợp trong Chrome hoặc Edge. Trên điện thoại, hãy chọn SenseVoice Small (9,0%).
Tiếng Tây Ban Nha, tiếng Đức và các ngôn ngữ khác
Với tiếng Tây Ban Nha, Đức, Pháp, Ý, Bồ Đào Nha, Nga, Ba Lan, Hà Lan, Ukraina, Hungary, Séc và các ngôn ngữ châu Âu khác, hãy chọn Parakeet Ultra (500 MB) trên máy tính có WebGPU. Tỷ lệ lỗi tiếng Tây Ban Nha của mô hình này là 4,2%, xấp xỉ Large v3 Turbo (4,4%), và chỉ mất khoảng 1/7 thời gian xử lý của Turbo. Đây là mặc định cho 11 ngôn ngữ này và tiếng Hy Lạp trên máy tính dùng đồ họa tích hợp trong Chrome hoặc Edge. Tuy nhiên, với tiếng Hy Lạp, Whisper Large v3 Turbo mắc ít lỗi hơn, nên khi độ chính xác là ưu tiên hàng đầu, hãy chọn Turbo (đây là mặc định trên máy tính có GPU rời). Với các ngôn ngữ khác, hãy chọn Whisper Large v3 Turbo trên máy tính có WebGPU. Trên điện thoại và máy tính không có WebGPU, với tiếng Tây Ban Nha, Pháp, Ý và Đức, hãy chọn mô hình mặc định là FastConformer (175 MB). Tỷ lệ lỗi tiếng Tây Ban Nha của mô hình này là 9,2%, cao hơn một chút so với Whisper Small (7,7%), nhưng chỉ mất khoảng 1/15 thời gian xử lý của Small. Với các ngôn ngữ khác, hãy chọn Whisper Small trở lên.
Điện thoại
Với tiếng Nhật, Trung, Hàn và Anh, hãy chọn mô hình mặc định là SenseVoice Small. Với tiếng Tây Ban Nha, Pháp, Ý và Đức, hãy chọn mô hình mặc định là FastConformer. Điện thoại chạy phiên bản Whisper nhẹ hơn (8 bit), nên tỷ lệ lỗi tiếng Nhật của Tiny vượt quá 70%. Với các ngôn ngữ khác, Whisper Small chính xác nhất, nhưng thời gian xử lý xấp xỉ hoặc dài hơn độ dài âm thanh. Với âm thanh dài, Whisper Base cũng là một lựa chọn.
WebGPU là cách để trình duyệt dùng GPU cho việc tính toán. Có trong Chrome, Edge và các trình duyệt khác trên máy tính.
Mở công cụ chép lờiSenseVoice vs Whisper (tiếng Nhật, Trung, Hàn và Anh)
Chúng tôi đã so sánh SenseVoice Small với 4 mô hình Whisper trên cùng âm thanh giọng đọc (100 câu nói mỗi ngôn ngữ). SenseVoice Small chạy trên CPU ở mọi thiết bị, kể cả điện thoại. Kết quả của Whisper được đo trên máy tính có WebGPU.
- Với tiếng Trung, SenseVoice Small có tỷ lệ lỗi 7,9%, thấp hơn mô hình Whisper ít lỗi nhất là Medium (9,8%).
- Với tiếng Nhật, SenseVoice Small (8,6%) xấp xỉ Whisper Medium (8,7%) và Large v3 Turbo (8,9%), còn Large v3 (6,9%) mắc ít lỗi hơn.
- Với tiếng Anh, Whisper Small (7,3%) trở lên mắc ít lỗi hơn SenseVoice Small (9,0%). Với tiếng Hàn, SenseVoice Small (7,9%) xấp xỉ Whisper Small (7,2%), còn Large v3 Turbo (5,0%) và Large v3 (4,6%) mắc ít lỗi hơn.
- Trên máy tính thử nghiệm của chúng tôi, 1 giờ âm thanh mất khoảng 7 phút với SenseVoice Small trên CPU và khoảng 16 phút với Whisper Large v3 Turbo trên đồ họa tích hợp. Dung lượng tải xuống lần đầu là 240 MB và 1,5 GB.
| Mô hình | Tiếng Nhật | Tiếng Anh | Tiếng Hàn | Tiếng Trung | Thời gian cho 1 giờ âm thanh | Tải xuống lần đầu |
|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6% | 9,0% | 7,9% | 7,9% | khoảng 7 phút | 〜240 MB |
| Whisper Small | 14,1% | 7,3% | 7,2% | 14,5% | khoảng 10 phút | 〜925 MB |
| Whisper Medium | 8,7% | 5,7% | 5,7% | 9,8% | khoảng 19 phút | 〜650 MB |
| Whisper Large v3 Turbo | 8,9% | 5,8% | 5,0% | 9,9% | khoảng 16 phút | 〜1.5 GB |
| Whisper Large v3 | 6,9% | 5,6% | 4,6% | 11,5% | khoảng 23 phút | 〜2.0 GB |
Trong công cụ này không thể chọn SenseVoice Small cho tiếng Tây Ban Nha và các ngôn ngữ châu Âu khác, nên chỉ so sánh 4 ngôn ngữ. Thời gian xử lý của SenseVoice Small là trên CPU, còn của Whisper là trên GPU. Với Whisper trên điện thoại và máy tính không có WebGPU, hãy xem bảng trong “Trên điện thoại và máy tính không có WebGPU”.
Parakeet vs Whisper (tiếng Anh và tiếng Tây Ban Nha)
Parakeet trong công cụ này là Parakeet Ultra, mô hình do moondream công bố, có cùng kiến trúc và bộ từ vựng với Parakeet TDT 0.6B v3 của NVIDIA, được chúng tôi chuyển đổi để chạy trên WebGPU. Mô hình chỉ chạy trên máy tính có WebGPU. Kết quả được đo trên cùng âm thanh giọng đọc (100 câu nói mỗi ngôn ngữ); bản thân Parakeet TDT 0.6B v2 và v3 không có trong bảng này.
- Với tiếng Anh, Parakeet Ultra (tỷ lệ lỗi 5,7%) xấp xỉ Whisper Large v3 Turbo (5,8%), Medium (5,7%) và Large v3 (5,6%), và mắc ít lỗi hơn Small (7,3%) và Base (11,5%).
- Với tiếng Tây Ban Nha, Parakeet Ultra (4,2%) xấp xỉ Whisper Large v3 Turbo (4,4%), và mắc ít lỗi hơn Medium (5,3%) và Large v3 (6,2%).
- Trên máy tính thử nghiệm của chúng tôi (đồ họa tích hợp), 1 giờ âm thanh mất khoảng 2 phút với Parakeet Ultra, khoảng 16 phút với Whisper Large v3 Turbo và khoảng 23 phút với Large v3. Dung lượng tải xuống lần đầu là 500 MB, bằng một phần ba của Turbo (1,5 GB).
| Mô hình | Tiếng Anh | Tiếng Tây Ban Nha | Thời gian cho 1 giờ âm thanh | Tải xuống lần đầu |
|---|---|---|---|---|
| Parakeet Ultra | 5,7% | 4,2% | khoảng 2 phút | 〜500 MB |
| Whisper Base | 11,5% | 13,2% | khoảng 6 phút | 〜280 MB |
| Whisper Small | 7,3% | 7,6% | khoảng 10 phút | 〜925 MB |
| Whisper Medium | 5,7% | 5,3% | khoảng 19 phút | 〜650 MB |
| Whisper Large v3 Turbo | 5,8% | 4,4% | khoảng 16 phút | 〜1.5 GB |
| Whisper Large v3 | 5,6% | 6,2% | khoảng 23 phút | 〜2.0 GB |
Trên trang này, chỉ tiếng Anh và tiếng Tây Ban Nha được đo trong cùng điều kiện. Parakeet Ultra còn hỗ trợ 23 ngôn ngữ châu Âu khác.
Tỷ lệ lỗi theo ngôn ngữ
Tỷ lệ lỗi là phần bản chép lời khác với văn bản đúng. Càng thấp càng chính xác. Tiếng Nhật, Trung và Hàn được tính theo ký tự, tiếng Anh và Tây Ban Nha theo từ. Mô hình ít lỗi nhất ở mỗi ngôn ngữ được tô sáng. Bảng cho thấy kết quả trên máy tính có WebGPU.
| Mô hình | Tiếng Nhật | Tiếng Anh | Tiếng Tây Ban Nha | Tiếng Hàn | Tiếng Trung |
|---|---|---|---|---|---|
| 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% | — | — | — | — |
“—” nghĩa là không thể chọn mô hình đó cho ngôn ngữ đó trong công cụ này. Đây là kết quả với giọng đọc, nên mọi mô hình đều mắc nhiều lỗi hơn với bản ghi có tạp âm hoặc cuộc trò chuyện của nhiều người.
Thời gian xử lý và dung lượng tải xuống
Thời gian xử lý là ước tính thời gian cần để chép lời 1 giờ âm thanh trên máy tính thử nghiệm của chúng tôi (AMD Ryzen 7 8745H, đồ họa tích hợp Radeon 780M). Dung lượng tải xuống chỉ phải tải lần đầu; sau đó, mô hình đã lưu trong trình duyệt sẽ được dùng.
| Mô hình | Thời gian cho 1 giờ âm thanh | Tải xuống lần đầu | Yêu cầu |
|---|---|---|---|
| Haas-ja v1.0 | khoảng 2 phút | 〜710 MB | Máy tính có WebGPU (dùng khoảng 1 GB bộ nhớ GPU) |
| SenseVoice Small | khoảng 7 phút | 〜240 MB | Máy tính và điện thoại (chạy trên CPU) |
| Parakeet Ultra | khoảng 2 phút | 〜500 MB | Máy tính có WebGPU (dùng khoảng 1,3 GB bộ nhớ GPU) |
| FastConformer | khoảng 3 phút | 〜175 MB | Máy tính và điện thoại (chạy trên CPU) |
| Whisper Tiny | khoảng 5 phút | 〜145 MB | Máy tính và điện thoại |
| Whisper Base | khoảng 6 phút | 〜280 MB | Máy tính và điện thoại |
| Whisper Small | khoảng 10 phút | 〜925 MB | Máy tính và điện thoại |
| Whisper Medium | khoảng 19 phút | 〜650 MB | Khuyên dùng máy tính có WebGPU (trên CPU, 1 giờ âm thanh mất vài giờ) |
| Whisper Large v3 Turbo | khoảng 16 phút | 〜1.5 GB | Khuyên dùng máy tính có WebGPU và GPU hỗ trợ số thực 16 bit (fp16) (nếu không, mô hình chạy trên CPU và mất vài giờ) |
| Whisper Large v3 | khoảng 23 phút | 〜2.0 GB | Máy tính có WebGPU và GPU hỗ trợ số thực 16 bit (fp16) |
| Qwen3-ASR 1.7B | khoảng 19 phút | 〜5.2 GB | Máy tính có WebGPU (dùng khoảng 5 GB bộ nhớ GPU) |
| Voxtral Mini 4B | khoảng 50 phút | 〜2.9 GB | Máy tính có WebGPU và GPU hỗ trợ số thực 16 bit (fp16) (dùng khoảng 5 GB bộ nhớ GPU; đồ họa tích hợp cần RAM từ 16 GB trở lên) |
Máy tính có GPU rời như GeForce sẽ nhanh hơn, máy tính đời cũ sẽ chậm hơn. SenseVoice Small và FastConformer không dùng GPU mà chạy trên CPU.
Trên điện thoại và máy tính không có WebGPU
Trên điện thoại và máy tính không có WebGPU, phiên bản Whisper nhẹ hơn (8 bit) chạy trên CPU. Tỷ lệ lỗi cao hơn so với khi chạy trên GPU của máy tính, đặc biệt Tiny kém đi nhiều.
| Mô hình | Tiếng Nhật | Tiếng Anh | Tiếng Tây Ban Nha | Tiếng Hàn | Tiếng Trung | Thời gian cho 1 giờ âm thanh | Tải xuống lần đầu |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6% | 9,0% | — | 7,9% | 7,9% | khoảng 7 phút | 〜240 MB |
| FastConformer | — | — | 9,2% | — | — | khoảng 3 phút | 〜175 MB |
| Whisper Tiny | 70,5% | 28,3% | 31,5% | 30,2% | 51,0% | khoảng 10 phút | 〜40 MB |
| Whisper Base | 31,2% | 12,1% | 14,0% | 15,2% | 25,1% | khoảng 15 phút | 〜75 MB |
| Whisper Small | 14,8% | 7,6% | 7,7% | 7,4% | 14,3% | khoảng 45 phút | 〜240 MB |
Thời gian xử lý là trên CPU của máy tính thử nghiệm (1 luồng). Điện thoại sẽ mất lâu hơn. Whisper Medium trở lên mất vài giờ cho 1 giờ âm thanh trên CPU.
Kết quả đo cho thấy điều gì
- Mô hình lớn hơn không phải lúc nào cũng chính xác hơn. Whisper Large v3 chính xác hơn Large v3 Turbo với tiếng Nhật và tiếng Hàn, nhưng mắc nhiều lỗi hơn Turbo với tiếng Tây Ban Nha và tiếng Trung, và mất khoảng 1,4 lần thời gian.
- Với tiếng Nhật và tiếng Trung, SenseVoice Small 240 MB chính xác ngang hoặc hơn Whisper Large v3 Turbo 1,5 GB (tiếng Nhật 8,6% so với 8,9%, tiếng Trung 7,9% so với 9,9%).
- Whisper Medium chính xác gần bằng Large v3 Turbo với dung lượng tải xuống chưa đến một nửa (650 MB so với 1,5 GB). Mô hình này mất khoảng 1,2 lần thời gian so với Turbo.
- Qwen3-ASR 1.7B ít lỗi nhất với tiếng Anh, tiếng Tây Ban Nha và tiếng Trung.
- Ít lỗi nhất với tiếng Nhật là Haas-ja v1.0 (5,2%), ít hơn khoảng 40% so với SenseVoice Small (8,6%). Mô hình này cũng chỉ mất khoảng một phần ba thời gian so với SenseVoice Small.
- Trên CPU, cũng như trên điện thoại, tỷ lệ lỗi của Whisper Tiny tăng mạnh (từ 44,4% lên 70,5% với tiếng Nhật). Small hầu như không thay đổi.
- Trên CPU, cũng như trên điện thoại, FastConformer (175 MB) có tỷ lệ lỗi tiếng Tây Ban Nha là 9,2%, chưa bằng một phần ba của Whisper Tiny (31,5%), và chỉ mất khoảng một phần ba thời gian xử lý của Tiny.
Cách chúng tôi đo
- Âm thanh gồm 100 câu nói cho mỗi ngôn ngữ, lấy cách đều nhau từ phần kiểm thử (test) của FLEURS (giọng đọc), một bộ đánh giá nhận dạng giọng nói đa ngôn ngữ do Google công bố.
- Chúng tôi chép lời trong trình duyệt bằng cùng phần mềm với công cụ này (transformers.js 4.2.0), cùng định dạng mô hình và cùng cách xử lý (văn bản khởi đầu đưa cho Whisper, và chạy lại các đoạn trả về rỗng).
- Chúng tôi bỏ dấu câu, khoảng trắng và khác biệt giữa ký tự độ rộng đầy đủ và nửa độ rộng (full-width/half-width) trước khi so sánh với văn bản đúng. Tiếng Trung được chuyển sang chữ giản thể, còn tiếng Anh được chuẩn hóa văn bản theo cách dùng trong đánh giá của Whisper.
- Máy tính thử nghiệm dùng AMD Ryzen 7 8745H (đồ họa tích hợp Radeon 780M) và 32 GB bộ nhớ, trình duyệt là Chromium 153. Thời gian xử lý không bao gồm thời gian tải mô hình.
- Haas-ja v1.0 và Voxtral Mini 4B chỉ được đo với tiếng Nhật, SenseVoice Small với 4 ngôn ngữ trừ tiếng Tây Ban Nha, Parakeet Ultra chỉ với tiếng Anh và tiếng Tây Ban Nha, còn FastConformer chỉ với tiếng Tây Ban Nha (chỉ những ngôn ngữ có thể chọn cho từng mô hình trong công cụ này). Voxtral Mini 4B được đo một ngày trước các mô hình khác, Haas-ja v1.0 vào ngày 3 tháng 11 năm 2026, Parakeet Ultra vào ngày 10 tháng 11 và FastConformer vào ngày 11 tháng 11, trên cùng máy tính và cùng âm thanh.
- Vì Qwen3-ASR 1.7B dùng một mô hình riêng để thêm mốc thời gian, thời gian xử lý của mô hình này được đo bằng cách chép lời âm thanh tiếng Nhật (108 giây) trong công cụ này, bao gồm cả bước đó.
Câu hỏi thường gặp
Mô hình lớn hơn có chính xác hơn không?
Không phải lúc nào cũng vậy. Với Whisper, độ chính xác tăng theo kích thước từ Tiny đến Medium, nhưng Large v3 mắc nhiều lỗi hơn Large v3 Turbo với tiếng Tây Ban Nha và tiếng Trung. Với tiếng Nhật và tiếng Trung, mô hình nhỏ SenseVoice Small chính xác xấp xỉ Turbo.
Trên điện thoại nên chọn mô hình nào?
Với tiếng Nhật, Trung, Hàn và Anh, hãy chọn SenseVoice Small; với tiếng Tây Ban Nha, Pháp, Ý và Đức, hãy chọn FastConformer. Cả hai cũng là mô hình mặc định. Với các ngôn ngữ khác, Whisper Small chính xác nhất nhưng chậm, nên với âm thanh dài, Whisper Base cũng là một lựa chọn. Tiny mắc nhiều lỗi nên không được khuyên dùng.
Mô hình mặc định được chọn như thế nào?
Mô hình được chọn tự động dựa trên ngôn ngữ đã chọn và khả năng của thiết bị. Với tiếng Nhật, đó là Haas-ja v1.0 trên máy tính có từ 4 GB bộ nhớ trở lên và dùng được WebGPU trong Chrome, Edge hoặc trình duyệt tương tự (trừ máy Mac dùng chip Apple silicon). Với tiếng Nhật ở nơi khác, như trên điện thoại hoặc trong Safari và Firefox, và với tiếng Trung và tiếng Hàn, đó là SenseVoice Small. Với tiếng Anh, Tây Ban Nha, Đức, Pháp, Ý, Bồ Đào Nha, Nga, Ba Lan, Hà Lan, Ukraina, Hungary, Séc và Hy Lạp, đó là Parakeet Ultra trên máy tính dùng đồ họa tích hợp, có từ 4 GB bộ nhớ trở lên và dùng được WebGPU trong Chrome, Edge hoặc trình duyệt tương tự. Trên điện thoại và máy tính không có WebGPU, đó là FastConformer cho tiếng Tây Ban Nha, Pháp, Ý và Đức (trừ thiết bị ít bộ nhớ). Với tiếng Anh trên các thiết bị khác và với các ngôn ngữ khác, một trong các mô hình Whisper được chọn dựa trên GPU và bộ nhớ. Với tiếng Anh, những thiết bị lẽ ra được chọn Whisper Base hoặc nhỏ hơn (như điện thoại, và máy tính dùng đồ họa tích hợp trong Safari hoặc Firefox) sẽ được chọn SenseVoice Small thay thế.
Với bản ghi cuộc họp, tỷ lệ lỗi có giống vậy không?
Không. Các phép đo này dùng giọng đọc của một người, nên mọi mô hình đều mắc nhiều lỗi hơn với bản ghi có tạp âm hoặc cuộc trò chuyện của nhiều người. Hãy dùng kết quả này làm tham khảo để so sánh các mô hình.
Chọn mô hình và chép lời
Công cụ này miễn phí và không cần đăng ký. Tệp âm thanh được xử lý trong trình duyệt và không bao giờ rời khỏi thiết bị của bạn.
Mở công cụ chép lời