Maskinoversættelse · Engelsk original
Qwen3-ASR vs Whisper på Apple Silicon
Qwen3-ASR og Whisper er begge stærke lokale speech- recognition valg, men de optimerer for forskellige begrænsninger. Denne sammenligning isolater Qwen and Whisper rækker fra Soniqo bredere benchmark, så nøjagtighed, hastighed, hukommelse, og implementering tradeoffs er lettere at evaluere.
Begge motorer er understøttet: speech-swift-skibe Qwen3-ASR gennem MLX og Whisper Large-v3 Turbo gennem indfødt Core MLWhisper Kit vises kun nedenfor som en ekstern reference.
På tværs af alle rækker, Qwen3-ASR 1.7B 5- bit har den laveste målte WER ved 1.32%, mens Qwen3-ASR 0.6B 5-bit har den laveste RTF på 0.014. I matchede 200- Udtryk Whisper sammenligning, indfødte Whisper ASR er hurtigere: RTF 0.077 versus 0.084 og cached belastning 1.3 s versus 7.2 s. Nøjagtighed er et ord fejl fra hinanden (1.73% versus 1.71% WER), og peak RSS adskiller sig ved kun 18 MB (445 versus 427 MB).
Målte resultater
RTF er vægtid divideret med lydvarighed, så lavere er hurtigere. Alle rækker bruge LibriSpeech test- ren og den samme tekst normalizer; se metodikken caveat nedenfor for fiksturet størrelser.
| Motor | Quant. | WER% | RTF | Peak 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 indfødt CoreML | FP16 | 1.73 | 0.077 | 445 MB |
Hvilken en skal du vælge?
- Qwen3-ASR 1.7B 5- bit: vælge det for den bedste nøjagtighed / hastighed resultat her, når en 1.92 GB peak fodaftryk er acceptabel.
- Qwen3-ASR 0.6B 5- bit: vælge det for den hurtigste balancerede Qwen option - RTF 0.014 med en 1.03 GB peak fodaftryk.
- Native Whisper CoreML: vælge det for den hurtigste understøttet Whisper sti, en 1.3 s cachet belastning, en fast CoreML bundt, eller en eksisterende Whisper arbejdsgang.
- WhisperKit: vælge det, når din ansøgning allerede afhænger af WhisperKit og dens model- management og dekodning API 'er.
Metode og grænser
benchmark bruger LibriSpeech test- ren engelsk læse tale på et Apple M5 Pro med release builds. 8- bit Qwen og Whisper rækker bruge den første 200 Udtalelser (ca. 30 minutter). Qwen 5-bit rækker bruge en 100-Opskrift delmængde af samme stativ, tilføjet, når disse varianter landede.
Disse tal sammenligner disse implementeringer på denne stativ; de er ikke en universel flersproget ranking. Procent, støj, lang form segmentering, sprog mix, dekodning indstillinger, og hardware kan ændre resultatet. WER er lavere-is- bedre, og peak RSS måles med hver motor i en separat proces.