Strojový překlad · Anglický originál
Qwen3-ASR vs Whisper na Apple Silicon
Qwen3-ASR a Whisper jsou obě silné místní volby pro rozpoznávání slov, ale optimalizují se pro různá omezení. Toto srovnání izoluje řady Qwen i Whisper z širšího měřítka Soniqo, takže přesnost, rychlost, paměť a implementační obchodníky se snáze vyhodnotí.
Oba motory jsou podporovány: speech-swift lodě Qwen3-ASR přes MLX a Whisper Large-v3 Turbo přes nativní Core ML. Whisper Kit se objevuje níže pouze jako vnější referenční reference.
Přes všechny řady, Qwen3-ASR 1.7B 5- bit má nejnižší naměřený WER na 1.32%, zatímco Qwen3-ASR 0.6B 5-bit má nejnižší RTF v 0.014. V porovnání 200- Výslovnost Whisper srovnání, Nativní Whisper ASR je rychlejší: RTF 0.077 versus 0.084 a v pouzdře nákladu 1.3 s versus 7.2 s. Přesnost je jedno slovo chyba od sebe (1.73% versus 1.71% WER), a špičkový RSS se liší pouze 18 MB (445 versus 427 MB).
Měřené výsledky
RTF je čas na stěnu děleno dobou trvání zvuku, takže nižší je rychlejší. Všechny řádky používají LibriSpeech test- clean a stejný text normalizer; viz níže metodický vaveat pro velikosti fixace.
| Motor | Quant. | WER% | RTF | Vrchol RSS |
|---|---|---|---|---|
| Qwen3-ASR 1.7B MLX | 5- bit | 1.32 | 0.027 | 1.92 GB |
| Qwen3-ASR 1.7B MLX | 8- bit | 1.52 | 0.033 | 2.7 GB |
| Qwen3-ASR 0.6B MLX | 5- bit | 1.74 | 0.014 | 1.03 GB |
| Qwen3-ASR 0.6B MLX | 8- bit | 1.82 | 0.015 | 1.3 GB |
| WhisperKit Large-v3 Turbo | FP16 | 1.71 | 0.084 | 427 MB |
| WhisperASR mateřský CoreML | FP16 | 1.73 | 0.077 | 445 MB |
Kterou si vybereš?
- Qwen3-ASR 1.7B 5- bit: Zvolte jej pro nejlepší výsledek přesnosti / rychlosti zde, když je přijatelná špička 1.92 GB.
- Qwen3-ASR 0.6B 5- bit: Qwen - RTF 0.014 s nejvyšší stopou 1.03 GB.
- Native Whisper CoreML: Whisper je zvolena pro nejrychlejší podporovanou cestu ZXQ0 QXZ, pro uložené zatížení 1.3 a pro pevný svazek CoreML nebo pro stávající pracovní tok Whisper.
- WhisperKit: Vyberte si ji, když vaše aplikace již závisí na WhisperKit a jeho model- management a dekódování API.
Metodika a limity
Referenční hodnota používá LibriSpeech test- clean English čtení řeč na Apple M5 Pro s uvolňováním staví. 8-bit Qwen a Whisper řádky použijte první 200 výroky (o nich 30 5). Qwen 5-bitové řádky používat 100-uterance podmnožiny stejného upínacího přípravku, přidáno při těchto variantách přistál.
Tato čísla porovnat tyto implementace na tomto zařízení, nejsou univerzální vícejazyčné žebříčku. Příkon, hluk, dlouhotrvající forma segmentace, jazyková mix, dekódování nastavení, a hardware může změnit výsledek. WER je nižší-is-lepší, a špičkový RSS se měří s každým motorem v samostatném procesu.