Tłumaczenie automatyczne · Oryginał angielski
Qwen3-ASR vs Whisper na Apple Silicon
Qwen3-ASR i Whisper są zarówno silnym wyborem lokalnego rozpoznawania mowy, ale optymalizują one dla różnych ograniczeń. Porównanie to wyizolowuje rzędy Qwen oraz Whisper z szerszego punktu odniesienia Soniqo, tak więc dokładność, szybkość, pamięć i trade-off wdrażania są łatwiejsze do oceny.
Oba silniki są obsługiwane: Statki speech-swift Qwen3-ASR przez MLX oraz Whisper Large-v3 Turbo przez natywny Core ML. Whisper Kit pojawia się poniżej tylko jako zewnętrzny punkt odniesienia.
We wszystkich rzędach, Qwen3-ASR 1.7B 5- bit ma najniższy zmierzony WER w 1.32%, podczas gdy Qwen3-ASR 0.6B 5-bit ma najniższy RTF at 0.014W dopasowanych 200- Wypowiedź Whisper porównanie, rodzimy Whisper asr jest szybszy: RTF 0.077 w porównaniu z 0.084 i ładunek w obudowie 1.3 z 7.2 s. Dokładność to jeden błąd słowny (1.73% w porównaniu z 1.71% WER) i szczytowy RSS różni się tylko o 18 MB (445 w porównaniu z 427 MB).
Zmierzone wyniki
RTF jest czas ściany podzielony przez czas trwania dźwięku, więc niższy jest szybszy. Wszystkie rzędy używają testu LibriSpeech-clean i ten sam tekst normalizujący; patrz metodologia pominąć poniżej dla rozmiarów oprawy.
| Silnik | Quant. | WER% | RTF | Szczyt 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 tubylec CoreML | FP16 | 1.73 | 0.077 | 445 MB |
Którą wybrać?
- Qwen3-ASR 1.7B 5- bit: wybrać go dla najlepszego wyniku dokładności / prędkości tutaj, gdy Ślad szczytowy 1.92 GB jest akceptowalny.
- Qwen3-ASR 0.6B 5- bit: Wybierz najszybszą zbalansowaną opcję Qwen - RTF 0.014 z śladem szczytowym 1.03 GB.
- Native Whisper CoreML: Wybierz najszybszą obsługiwaną ścieżkę Whisper, ładunek buforowy 1.3 's, stały pakiet CoreML lub istniejący przepływ pracy Whisper.
- WhisperKit: Wybierz go, gdy aplikacja już zależy od WhisperKit i jego model- zarządzanie i dekodowanie API.
Metodologia i ograniczenia
Wskaźnik wykorzystuje LibriSpeech test-czysty angielski odczyt mowy na Apple M5 Pro z wersji buduje. 8-bit Qwen oraz Whisper wiersze użyj pierwszego 200 wypowiedzi (o 30 minut). Qwen 5-bit wiersze używać a 100-utterance podzbiór tego samego urządzenia, dodany, gdy te warianty wylądować.
Liczby te porównują te implementacje na tym urządzeniu; nie są uniwersalnym, wielojęzycznym rankingiem. Akcent, hałas, długie formy segmentacji, mieszanka językowa, ustawienia dekodowania i sprzęt może zmienić wynik. WER jest niższe-is- lepsze, a szczyt RSS jest mierzony z każdym silnikiem w oddzielnym procesie.