Awtomatikong salin · Orihinal sa Ingles
Qwen3-ASR vs Whisper on Apple Silicon
Qwen3-ASR at Whisper ay parehong malakas na local speech-recognition na pagpipilian, ngunit sila ay pinakamahusay para sa iba't ibang mga demand.Ang paghahambing na ito ay nagbukod ng mga strain Qwen at Whisper mula sa Soniqo'Ang mas malawak na benchmark kaya ang bilis, memorya, at mga pagpapatupad na trade-off ay mas madaling tasahin.
Ang dalawang makina ay suportado: Mga barkong speech-swift Qwen3-ASR sa pamamagitan ng MLX at Whisper Large-v3 Turbo sa pamamagitan ng katutubong Core ML. Whisper Kit ay lumilitaw sa ibaba lamang bilang isang panlabas na benchmark reference.
Sa lahat ng hanay, Qwen3-ASR 1.7B 5-bit Ang pinakamababang sukat ay WER sa 1.32%, habang Qwen3-ASR 0.6B 5- Ang bit ang may pinakamababa RTF sa 0.014. Sa paghahambing 200- Pagbigkas Whisper Kung ihahambing, ang katutubong Whisper ASR ay mas mabilis: RTF 0.077 Laban 0.084 at may nakatagong kargada 1.3 s laban 7.2 Ang pagkakamali ay isang salita lamang ang pagitan ( s.U.1.73% Laban 1.71% WER), at ang pinakamataas na RSS ay naiiba lamang sa pamamagitan ng 18 MB (MB445 Laban 427 MB).
Tinatayang mga resulta
Ang RTF ay panahon ng pader na hinati ng audio stage, kaya mas mabilis ang mas mababa. lahat ng hanay ay gumagamit ng LibriSpeech test-malinis at ang parehong teksto ay normalizer; tingnan ang metodolohiyang linat sa ibaba para sa mga inclume na sukat.
| Kasangkapan | Sandali lang. | WER% | RTF | Pinakamataas na RS |
|---|---|---|---|---|
| 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 |
| Katutubo ng WhisperASR CoreML | FP16 | 1.73 | 0.077 | 445 MB |
Alin ang dapat mong piliin?
- Qwen3-ASR 1.7B 5-bit: Piliin ito para sa pinakamahusay na katumpakan/speed resulta dito kapag ang 1.92 GB peak footprint ay tanggap.
- Qwen3-ASR 0.6B 5-bit: Piliin ito para sa pinakamabilis na balanseng Qwen optionisensiyaRTF 0.014 na may 1.03 GB peak footprint.
- Katutubong Whisper CoreML: Piliin ito para sa pinakamabilis na suportado Whisper path, isang 1.3 s cached load, isang nakapirmeng CoreML lot, o isang umiiral na Whisper na workflow.
- WhisperKit: Piliin ito kapag ang iyong aplikasyon ay nakasalalay na sa WhisperKit at ang modelo nitong-makinang at decoding na API.
Pamamaraan at mga hangganan
Ang benkmark ay gumagamit ng LibriSpeech test-malinis na Ingles na binabasang talumpati sa isang Apple M5 Ang mga ito ay may kasamang mga gusali, at ang mga ito'y may kasamang pag - asa. 8-bit Qwen at Whisper ginagamit ng mga hanay ang una 200 mga salita (tungkol sa 30 mga minuto). Qwen 5--bit na hanay ay gumagamit ng isang 100- Ang subset ng user na iyon, na idinagdag nang ang mga pagkakaibang iyon ay lumapag.
Pinaghahambing ng mga bilang na ito ang mga pagpapatupad na ito sa integralidad na ito; ang mga ito ay hindi isang unibersal na multilingwal na ranggo. accent, ingay, long-form segmentation, paghalo ng wika, decoding settings, at hardware ay maaaring baguhin ang resulta. ang WER ay mas mababa-is-mas-maigi, at ang tuktok na RSS ay sinusukat sa bawat makina sa isang hiwalay na proseso.