Traducere automată · Originalul în engleză
Qwen3-ASR vs Whisper on Apple Silicon
Qwen3-ASR și Whisper sunt atât alegeri puternice de recunoaștere a vorbirii locale, dar acestea optimizează pentru constrângeri diferite. Această comparație izolează rândurile Qwen şi Whisper din indicele de referință mai larg Soniqo, astfel încât acuratețea, viteza, memoria și implementarea compromisurilor sunt mai ușor de evaluat.
Ambele motoare sunt sprijinite: speech-swift nave Qwen3-ASR prin MLX și Whisper Large-v3 Turbo prin Core ML.Whisper Kit apare mai jos doar ca referință de referință externă de referință.
Peste toate rândurile, Qwen3-ASR 1.7B 5-bit are cel mai mic WER măsurat la 1.32%, în timp Qwen3-ASR 0.6B 5-Bit are cel mai mic RTF la 0.014. În potrivire 200-Vorbire. Whisper comparaţie, Whisper ASR nativ este mai rapid: RTF 0.077 versus 0.084 și sarcina cached 1.3 s comparativ cu 7.2 S. Acurateţea este un cuvânt de eroare în afară (1.73% versus 1.71% WER), iar vârful RSS diferă doar prin 18 MB (445 versus 427 MB).
Rezultate măsurate
RTF este timpul de perete împărțit la durata audio, astfel încât mai mică este mai rapidă. Toate rândurile folosesc LibriSpeech test-clean și același normalizator text; a se vedea metodologia caveat de mai jos pentru dimensiunile de fixare.
| Motor | Quant. | WER% | RTF | Vârful RSS |
|---|---|---|---|---|
| Qwen3-ASR 1.7B MLX | 5 biți | 1.32 | 0.027 | 1.92 GB |
| Qwen3-ASR 1.7B MLX | 8 biți | 1.52 | 0.033 | 2,7 GB |
| Qwen3-ASR 0,6B MLX | 5 biți | 1.74 | 0.014 | 1,03 GB |
| Qwen3-ASR 0,6B MLX | 8 biți | 1.82 | 0.015 | 1,3 GB |
| WhisperKit Large-v3 Turbo | FP16 | 1.71 | 0.084 | 427 MB |
| WhisperASR nativ CoreML | FP16 | 1.73 | 0.077 | 445 MO |
Pe care ar trebui să-l alegi?
- Qwen3-ASR 1.7B 5-bit: alegeți-l pentru cel mai bun rezultat de precizie/viteză aici atunci când o amprentă de vârf de 1,92 GB este acceptabilă.
- Qwen3-ASR 0,6B 5-bit: alege-l pentru cea mai rapidă valoare echilibrată Qwen opțiune: RTF 0,014, cu o amprentă de vârf de 1,03 GB.
- Nativ Whisper CoreML: alegeți-l pentru cel mai rapid suport Whisper cale, o sarcină cache 1,3 s, un pachet fix CoreML sau un flux de lucru existent Whisper.
- WhisperKit: alege când aplicaţia ta depinde deja de WhisperKat şi de API-urile sale de management de modele şi de decodare.
Metodologie și limite
Valoarea de referință folosește discursul de citire în limba engleză cu citire în LibriSpeech pe un Apple M5 Pro cu cladiri de eliberare. Rândurile de 8-bit Qwen și Whisper folosesc primele 200 de declarații (aproximativ 30 minute). Rândurile Qwen 5 biți utilizează un subset de 100-tuterance al aceluiași dispozitiv, adăugat atunci când aceste variante au aterizat.
Aceste numere compară aceste implementări pe acest dispozitiv; acestea nu sunt un rang multilingv universal. Accent, zgomot, segmentare de lungă formă, mix limbă, setări de decodare, și hardware-ul poate schimba rezultatul. WER este mai mic-is-mai bine, iar vârful RSS este măsurat cu fiecare motor într-un proces separat.