Maskinöversättning · Engelskt original
Qwen3-ASR vs Whisper på Apple Silicon
Qwen3-ASR och Whisper är båda starka lokala tal-recognition val, men de optimerar för olika begränsningar. Qwen och Whisper rader från Soniqo"S bredare benchmark så noggrannhet, hastighet, minne och genomförande avvägningar är lättare att utvärdera.
Båda motorerna stöds: speech-swift fartyg Qwen3-ASR genom MLX och Whisper Large-v3 Turbo genom infödd Core MLWhisper Kit visas nedan endast som en extern referens.
över alla rader, Qwen3-ASR 1.7B 5-bit har den lägsta mätta WER vid 1.32%, medan Qwen3-ASR 0.6B B B B 5-bit har den lägsta RTF på 0.014I matchen 200Utterance Whisper jämförelse, infödd Whisper ASR är snabbare: RTF 0.077 Versus 0.084 och cachad last 1.3 s versus 7.2 Noggrannhet är ett ord fel isär (1.73% Versus 1.71% WER), och topp RSS skiljer sig endast 18 MB (MB)445 Versus 427 MB).
Mätade resultat
RTF är väggtid dividerad med ljudvaraktighet, så lägre är snabbare. Alla rader använder LibriSpeech test-ren och samma text normalizer; se metoden caveat nedan för fixtur storlekar.
| Engine | 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 infödd CoreML | FP16 | 1.73 | 0.077 | 445 MB |
Vilken ska du välja?
- Qwen3-ASR 1.7B 5-bitars: välj det för bästa noggrannhet/hastighetsresultat här när ett toppavtryck på 1,92 GB är acceptabelt.
- Qwen3-ASR 0,6B 5-bit: välj det för det snabbaste balanserade Qwen alternativet --RTF 0,014 med ett 1,03 GB-toppfotavtryck.
- Native Whisper CoreML: välj den för den snabbaste stöds Whisper väg, en 1,3 cachad last, en fast CoreML bunt, eller en befintlig Whisper arbetsflöde.
- WhisperKit: välj det när din ansökan redan beror på WhisperKit och dess modellhantering och avkodning av API.
Metodologi och gränser
Riktmärket använder LibriSpeech test-clean English läs tal på en Apple M5 Pro med release bygger. 8-bitars Qwen och Whisper rader använder de första 200 yttranden (ca 30 minuter). Qwen 5-bitar använder en 100-utterance subset av samma fixtur, tillsatt när dessa varianter landade.
Dessa siffror jämför dessa implementeringar på denna fixtur; de är inte en universell flerspråkig rankning. Accent, buller, long-form segmentering, språkmix, avkodningsinställningar och hårdvara kan ändra resultatet. WER är lägre-är bättre, och topp RSS mäts med varje motor i en separat process.