Parakeet V3 vs Whisper：10 倍速 + 更高精度（基准测试）

为什么换了默认模型

Whisper 很好用，但它是个通用模型——支持 100+ 种语言、能翻译、能生成时间戳，是把瑞士军刀。代价是速度。对于英文听写这种只需要快速出字的场景，它太重了。

最让我难受的是：按住 Fn 用全局语音输入时，说完大概1分钟的话，要等3到5秒才能看到转录结果。这个等待打断了节奏——你说完了，盯着光标，什么都没出来，voice typing 的魔力瞬间消失。

Parakeet 彻底改变了这一点。它的速度快到说完的瞬间，文字就出现了。言出法随，毫无延迟。一旦体验过这种感觉——这种丝滑的、零等待的流畅——就很难再回到 Whisper 了。

Parakeet V3 有多快？

数字最有说服力。同一台 Mac 上，同一段 35 分钟的音频：

快了 10 倍。而且模型更小（6 亿 vs 8 亿参数），内存和电量消耗也更低。

Parakeet v3 为什么这么快

Whisper 处理音频的方式就像逐字朗读一本书——一帧一帧，从不跳过。即使是静音，它也在处理，在猜测下一个词是什么。这很严谨，但太慢了。

Parakeet 的思路完全不同。它先把音频信号压缩 8 倍，只保留关键信息。然后，它不再逐帧磨，而是同时预测两件事：你说了什么词，以及这个词持续多久——然后直接跳到下一个词。静音？直接跳过。一个长元音？一次预测搞定，而不是重复几十次。

结果就是，模型处理语音的方式更像你的大脑——只关注有意义的词，忽略中间的空白。这就是为什么它用更少的参数、更高的准确率，做到了 10 倍的速度。

基准测试：Parakeet v3 vs Whisper

Parakeet v3 在 FLEURS、CoVoST 和 MLS 基准测试中匹敌甚至超越参数量 2-4 倍的模型

在 Hugging Face Open ASR 排行榜上，Parakeet v3 仅凭 6 亿参数就登顶——不到 Whisper Large V3 的 15.5 亿参数的一半：

词错率越低越好，RTFx 越高越快。Parakeet 两项全赢。6 亿参数也意味着它是列表中最小的模型——在 Apple Silicon 上运行极其流畅，内存和电量消耗都很低。

多语言词错率：全部 25 种语言

上面的排行榜只涵盖英语。接下来是全貌——Whisper Notes 中可用的三个模型在 Parakeet 支持的全部 25 种语言上的表现，基于 FLEURS 基准测试。词错率越低 = 转录错误越少。每行中 Large V3 和 Parakeet 的最佳值已高亮显示：

词错率（%）基于 FLEURS 测试集。Whisper Small 数据来自 Radford 等人；Large V3 和 Parakeet V3 数据来自 NVIDIA Canary-1B-v2 论文。

Whisper Large V3 在多数单语言上略胜一筹，但 Parakeet V3 的平均值很接近（12.0% vs 12.6%），在希腊语、法语、爱沙尼亚语和马耳他语上领先，而且比 Whisper Small 的平均错误率低约 60%。实际优势是这组组合：接近 Large V3 的多语言准确率、约 23 倍速度、更小的运行时占用，以及我们在听写测试中观察到的更可靠静音处理。

为什么它在静音时更少出现幻觉

如果你用 Whisper 做过听写，可能遇到过它在静音时产生幻觉——重复短语、凭空造词，甚至输出"Subtitles by Amara.org"这种莫名其妙的文字。这是因为 Whisper 的自回归解码器总是期望生成文本，即使根本没有内容可转录。

Parakeet 的转导器架构可以输出空白，不必在每个时间点强行生成文字。在我们的全局听写测试里，它比 Whisper 更少在停顿时补出重复或无关内容。但它仍是语音模型，所以准确的说法是“更少”，不是“从不”。

Parakeet 支持的语言

Parakeet v3 支持 25 种语言：保加利亚语、克罗地亚语、捷克语、丹麦语、荷兰语、英语、爱沙尼亚语、芬兰语、法语、德语、希腊语、匈牙利语、意大利语、拉脱维亚语、立陶宛语、马耳他语、波兰语、葡萄牙语、罗马尼亚语、俄语、斯洛伐克语、斯洛文尼亚语、西班牙语、瑞典语和乌克兰语。

它基本覆盖欧洲语言，但不支持中文、日语、韩语、阿拉伯语或印地语。中日韩粤建议用 SenseVoice；阿拉伯语、印地语和其他不在 Parakeet 列表里的语言，用 Whisper Large V3 Turbo。

本地模型该怎么选？

Whisper Notes 内置四个本地语音转文字引擎，选起来其实比看上去简单：绝大多数时候，你要转录的语言就决定了答案，剩下的由硬件决定。选哪个都不影响隐私——四个模型全部在你的设备上离线运行。变化的只是速度、准确率，以及模型要占多少磁盘和内存。

整个决策就在下面这张表里。

同样这四个模型，换成决定取舍的参数来看：

英语 WER 来自 Open ASR Leaderboard；25 种语言均值来自上文的 FLEURS 表格。速度、下载体积和内存数据来自我们在 Apple M4 Pro 上对 Mac 版的实测——iPhone 上的占用会有所不同。

不确定你的语言在不在列表里？语言支持页上的分引擎表格由应用源码直接生成，逐个引擎列出——“我的语言支持吗、由哪个模型支持”可以直接查到。如果上面的表格把你指向了 Parakeet 之外的模型，每个专精模型也都有各自的实测文章：中日韩粤看 SenseVoice，101 种语言的长尾看 Whisper Large V3 Turbo。

同一套模型，按设备合身：iPhone 与 Mac

有一个差别值得直说，因为它是刻意的设计选择，不是短板。Mac 上——Mac App Store 版和官网下载版（DMG）都一样——四个引擎全都可用：默认的 Parakeet V3，加上 SenseVoice Small、Whisper Small 和 Whisper Large V3 Turbo。

iPhone 版内置 Parakeet V3，另外可以按需下载 Whisper Small 和 SenseVoice Small。Whisper Large V3 Turbo 有意不放进 iPhone：这个模型下载约 1.6 GB，转录时内存占用也差不多同样大，让大多数 iPhone 一直背着它并不现实。与其塞进一个装得上、用起来却让手机很难受的模型，我们更愿意按设备把模型阵容配到合身。

在 iPhone 上你并不会损失语言覆盖：Whisper Small 提供和 Turbo 一样的 101 种语言，占用却只有它的一小部分。你让出的是最难那批语言上的准确率——在手机上这是正确的取舍。如果你需要 Turbo 级别的多语言准确率来处理长音频，就把这件事交给 Mac；官网下载版（DMG）也总是最先拿到新模型和模型更新。

模型选择器：Parakeet V3（默认）、SenseVoice Small、Whisper Small 和 Whisper Large V3 Turbo，全部本地运行

每个模型各自的短板

这四个引擎每一个都是取舍，而一条推荐只有说清楚你放弃了什么才算有用。下面是实话版本。

Whisper（两个尺寸都一样）会在静音处产生幻觉。长停顿、环境底噪和空白段落，都可能让它输出重复短语、凭空造句，或者那句著名的"Subtitles by Amara.org"——它的解码器被设计成必须一直吐字，于是静音就被随便填上了东西。Whisper Notes 在转录前会先用 Pyannote 做语音活动检测把静音切掉，这能减少很多，但再多预处理也不能让模型免疫。Whisper Large V3 Turbo 也是应用里最重的选项：下载约 1.6 GB，转录时内存占用也差不多同样大。Whisper Small 是进入 101 种语言最省资源的方式，它的多语言准确率就是代价——上表 25 种语言平均 WER 29.8%，而 Large V3 是 12.6%。

Parakeet V3 有一道 25 种语言的硬天花板。而且全是欧洲语言。这个列表之外没有“打折支持”：喂它日语，你得到的不是差一点的日语，而是用错了工具。中文、日语、韩语、粤语、阿拉伯语、印地语、土耳其语、越南语，一概不支持。在不少单个语言上它也弱于 Whisper Large V3——上文 FLEURS 表里的丹麦语、芬兰语、瑞典语、斯洛文尼亚语和拉脱维亚语——所以“Parakeet 拿下欧洲”是平均值上的结论，不是每一行都成立。至于静音幻觉，它确实少得多，但我们愿意担保的说法是“少得多”，不是“从不”。

SenseVoice Small 是专才，不是通才。六个选项——英语、简体中文、繁体中文、粤语、日语、韩语——再没有别的。在这个范围里它极其出色，出了这个范围就没有意义。它也是应用里最新的引擎，在官网下载版（DMG）1.5.0 中取代了 Qwen3-ASR，Mac App Store 版同样搭载。

还有一些限制是四个模型共有的。Mac 版需要 Apple Silicon 和 macOS 14 及以上——不支持 Intel Mac。模型是在应用内下载的，不随安装包打包，所以第一次用某个引擎要花一次下载和一份磁盘空间。很长的录音需要真实的内存，在老硬件上耗时也会成比例增加。另外这四个模型都不做实时字幕：Whisper Notes 是在录音停止之后转录，不是边说边出字。如果你要的是实时字幕，那不管选哪个模型，这个应用都不对路。

Parakeet V2 怎么样？

如果你之前用过 V2，可能想知道它和 V3 有什么不同。V2 是纯英语模型，英语准确率实际上比 V3 略高（WER 6.05% vs 6.32%）。V3 用这一点点差距换来了 25 种语言的支持。不过两者都比 Whisper 准确得多。

简单来说：如果你只需要英语，V2 和 V3 都很优秀。Whisper Notes 默认使用 V3，因为多语言支持对大多数用户更有价值——英语准确率的差异几乎可以忽略。

WhisperKit 又是什么？

WhisperKit 是 Argmax 为 Apple 设备开发的开源 Swift 框架，运行的是 Whisper 系列模型；Parakeet 则来自 NVIDIA。一个是开发工具，一个是模型家族，不能直接当作同类产品比较。Whisper Notes 把 Parakeet V3、Whisper Large V3 Turbo 和 SenseVoice 做成可直接使用的 Mac 与 iPhone 应用。

想把所有设备端模型放在一起比较，可查看本地语音模型对比；如果想先弄清 Whisper 的型号、运行方式和费用，可从Whisper 转录指南开始。

常见问题

来试试

Parakeet v3 现已在 Mac 版中可用——直接下载最新 DMG 即可体验。（更新：最新版 iOS 已支持 Parakeet。）

有问题或反馈？邮件联系 support@whispernotes.app。

下载 iOS 版 下载 macOS 版