Konekäännös · Englanninkielinen alkuperäinen
Qwen3-ASR vs Whisper on Apple Silicon
Qwen3-ASR sekä Whisper ovat molemmat vahvoja paikallisia puheentunnistus valintoja, mutta ne optimoivat erilaisia rajoitteita. Tämä vertailu eristää Qwen sekä Whisper rivit alkaen Soniqo's laajempi benchmark niin tarkkuus, nopeus, muisti, ja täytäntöönpano kompromissit on helpompi arvioida.
Molemmat moottorit ovat tuettuja: speech-swift alukset Qwen3-ASR kautta MLX ja Whisper Large-v3 Turbo natiivin Core ML. Whisper Kit esiintyy alle vain ulkoisena vertailuarvona.
-Kaikkien rivien yli. Qwen3-ASR 1.7B 5-bit:llä on WER:llä alhaisin mitattu 1.32%., Qwen3-ASR 0.6B 5-bit on alhaisin RTF klo 0.014. Mukautettu 200-tuotin Whisper vertailu, natiivi Whisper ASR on nopeampi: RTF 0.077 vastaan 0.084 ja välimuistikuorma 1.3 vs. 7.2 S. Tarkkuus on yksi sanavirhe toisistaan (1.73% vastaan 1.71% WER) ja huippu RSS eroaa vain 18 MB (445 vastaan 427 MB).
Mitatut tulokset
RTF on seinän aika jaettuna äänen kestolla, joten pienempi on nopeampaa. Kaikilla riveillä käytetään LibriSpeech-testin siisteyttä ja samaa tekstiä normalisoija; ks. alla oleva menetelmä.
| Moottori | Quant. | WER% | RTF | RSS-huippu |
|---|---|---|---|---|
| Qwen3-ASR 1,7B MLX | 5-bittinen | 1.32 | 0.027 | 1,92 GB |
| Qwen3-ASR 1,7B MLX | 8-bittinen | 1.52 | 0.033 | 2.7 GB |
| Qwen3-ASR 0,6B MLX | 5-bittinen | 1.74 | 0.014 | 1,03 GB |
| Qwen3-ASR 0,6B MLX | 8-bittinen | 1.82 | 0.015 | 1,3 GB |
| WhisperKit Large-v3 Turbo | FP16 | 1.71 | 0.084 | 427 MB |
| WhisperASR natiivi CoreML | FP16 | 1.73 | 0.077 | 445 Mt |
Kumman valitset?
- Qwen3-ASR 1.7B 5-bit: Valitse paras tarkkuus/nopeustulos tässä, kun 1,92 Gt:n huippujalanjälki on hyväksyttävä.
- Qwen3-ASR 0,6B 5-bit: Valitse se nopeimmasta tasapainotetusta Qwen vaihtoehdosta.RTF 0.014, jossa on 1,03 GB:n huippujalanjälki.
- Native Whisper CoreML: Valitse se nopeimman tuetun Whisper -polun, 1,3 sekunnin välimuistin kuorman, kiinteän CoreML -yhdistelmän tai olemassa olevan Whisper -työvirran osalta.
- KuittaaKit: valitse se, kun sovelluksesi jo riippuu WhisperKitin ja sen mallinhallinta- ja dekoodausrajapinta-arvoista.
Menetelmät ja rajoitukset
Vertailukohtana käytetään LibriSpeech-testipuhdasta englanninkielistä lukupuhetta Applella M5 Pro ja julkaisurakennukset. 8-bittisessä Qwen ja Whisper -riveissä käytetään ensimmäisiä 200 ilmaisua (noin 30 minuuttia). Qwen 5-bit-riveissä käytetään saman laitteen 100-putteranssiosaa, joka lisätään, kun nämä versiot laskeutuvat.
Nämä numerot vertailevat näitä tämän laitteen sovelluksia; ne eivät ole monikielinen yleisjärjestys. Aksentti, melu, pitkän muodon segmentaatio, kielijakauma, dekoodausasetukset ja laitteisto voivat muuttaa tulosta. WER on pienempi-is-parempi, ja huippu RSS mitataan kullakin moottorilla erillisessä prosessissa.