Apple Speech เทียบกับ Whisper ในเครื่องบน Mac: ทดสอบความแม่นยำและเวลาแฝง
เราทดสอบ Apple Speech และโมเดล WhisperKit base ในเครื่องด้วยคลิปภาษาอังกฤษที่มีข้อความอ้างอิงชุดเดียวกัน 30 คลิป พร้อมวัด WER เวลาแสดงข้อความแรก และเวลารอผลสุดท้าย
2026-08-30 · 9 minคำตอบแบบสั้น
บน Mac ชิป Apple เครื่องนี้ Apple Speech แสดงข้อความแรกได้เร็วกว่า ส่วน Whisper ในเครื่องแสดงความแตกต่างระหว่างความแม่นยำของโมเดลกับผลจากขั้นตอนคำบรรยายสด ในคลิปภาษาอังกฤษสะอาดจาก LibriSpeech 30 คลิป Apple Speech มี WER 0.9% เส้นทาง Whisper สดของ Alison Workspace มี 7.9% และ Whisper ที่รู้จำทั้งคลิปมี 1.9% ค่ามัธยฐานเวลาแสดงข้อความแรกคือ 1.14 s สำหรับ Apple และ 1.74 s สำหรับ Whisper สด ตัวเลขนี้อธิบายเฉพาะการทดสอบครั้งนี้ ไม่ใช่ผู้พูด ภาษา หรือ Mac ทุกกรณี
วิธีทดสอบ
การทดสอบทำในเครื่องเมื่อ 30 สิงหาคม 2026 บน Mac ชิป Apple ที่ใช้ macOS 26.5.2 ทั้งสองเอนจินได้รับคลิป LibriSpeech test-clean ที่มีข้อความอ้างอิงชุดเดียวกัน 30 คลิป แปลงเป็นเสียงโมโน 16 kHz แล้วส่งเฟรม 100 ms ตามเวลาจริง พร้อมเติมช่วงเงียบเท่ากัน 0.8 วินาทีที่ท้ายเสียง โมเดลและทรัพยากรภาษาของ Apple ถูกเตรียมก่อนเริ่มวัด ความแม่นยำใช้ word error rate ส่วนเวลาแฝงวัดข้อความที่ไม่ว่างครั้งแรกและเวลาจากจบเสียงพูดถึงข้อความสุดท้าย
ความแม่นยำ: แยกเอนจินออกจากขั้นตอนสด
Whisper ที่รู้จำทั้งคลิปได้ WER 1.9% ซึ่งแสดงเพดานความแม่นยำเมื่อโมเดลได้รับประโยคครบ เส้นทาง Whisper ในผลิตภัณฑ์ได้ 7.9% เพราะการตรวจจับเสียงพูด การแบ่งช่วง ข้อความร่างที่เปลี่ยนไป และการรวมผลสุดท้ายล้วนกระทบข้อความบนแถบคำบรรยาย ผลสุดท้ายแบบสตรีมดั้งเดิมของ Apple Speech ได้ 0.9% แม้โมเดลจะแข็งแรงก็อาจทำคำหายได้หากขั้นตอนเรียลไทม์ตัดประโยคผิดตำแหน่ง
เวลาแฝง: ข้อความแรกกับข้อความสุดท้ายไม่ใช่ค่าเดียวกัน
Apple Speech แสดงข้อความแรกด้วยค่ามัธยฐาน 1.14 s เทียบกับ 1.74 s ของเส้นทาง Whisper สด หลังเสียงพูดจบ ผลสุดท้ายของ Apple มาถึงหลัง 1.13 s และ Whisper หลัง 0.58 s การถอดทั้งคลิปของ Whisper มี real-time factor มัธยฐาน 0.021× แต่ความเร็วแบบออฟไลน์นี้ไม่ใช่เวลาของคำบรรยายแรก ประสบการณ์ที่ดีต้องมีทั้งข้อความร่างที่อ่านได้เร็วและบรรทัดสุดท้ายที่เชื่อถือได้
เหตุใด Alison Workspace จึงใช้ทั้งสองเอนจิน
Alison Workspace ไม่ถือว่าเอนจินเดียวดีที่สุดเสมอ บน macOS 26 ภาษาที่เลือกชัดเจนและมีทรัพยากรเสียงแบบ on-device ของ Apple สามารถใช้เส้นทางสตรีม Apple Speech ได้ ระบบเก่า การตรวจภาษาอัตโนมัติ ภาษาที่ Apple ไม่รองรับ หรือทรัพยากรที่ไม่พร้อม สามารถใช้ WhisperKit ในเครื่อง วิธีนี้รักษาความครอบคลุมกว้างและใช้ประโยชน์จาก Apple streaming เมื่อพร้อม หลังดาวน์โหลดทรัพยากรภาษาหรือโมเดล Whisper ครั้งแรก การรู้จำทำงานบน Mac
สิ่งที่ benchmark นี้ไม่ได้พิสูจน์
30 คลิปเป็นเสียงอ่านภาษาอังกฤษที่สะอาดและส่วนใหญ่มีผู้พูดคนเดียว ไม่ได้แทนทุกสำเนียง ไมค์ประชุม ห้องที่มีเสียงรบกวน เพลง เสียงพูดทับกัน ศัพท์เฉพาะ หรือภาษาอื่น การแปลบทความนี้ไม่ได้เปลี่ยนการทดสอบภาษาอังกฤษให้เป็น benchmark หลายภาษา เราเปิดเผยจำนวนตัวอย่าง ระบบ โมเดล วิธีป้อน และผลของแต่ละขั้นตอนเพื่อให้เข้าใจขอบเขต งานสำคัญควรทดสอบชื่อ ตัวเลข สำเนียง และแอปเสียงจริงของคุณ
ทดสอบหนึ่งนาทีบน Mac ของคุณ
เปิดวิดีโอสั้นหรือบันทึกประชุมที่มีเสียงผู้พูดชัดหนึ่งคน เลือกภาษาพูดที่ทราบ ยืนยันว่าแอปรับเสียงระบบ Mac ไม่ใช่เสียงรบกวนจากไมค์ห้อง แล้วดูว่าคำที่มีประโยชน์ชุดแรกปรากฏเมื่อใด ตรวจชื่อ ตัวเลข และศัพท์เทคนิคอย่างละหนึ่ง จากนั้นเทียบบรรทัดสุดท้ายกับเสียง ทำซ้ำในแอปประชุม เบราว์เซอร์ หรือโปรแกรมเล่นที่คุณใช้จริง
คำถามที่พบบ่อย
Apple Speech เร็วกว่า Whisper บน Mac หรือไม่
ในการทดสอบคลิปอังกฤษ 30 คลิปนี้ ค่ามัธยฐานข้อความแรกคือ 1.14 s สำหรับ Apple และ 1.74 s สำหรับเส้นทาง Whisper ของ Alison ฮาร์ดแวร์ ภาษา และเสียงอาจเปลี่ยนผล
Whisper ในเครื่องแม่นกว่า Apple Speech หรือไม่
Whisper ทั้งคลิปได้ WER 1.9% Apple ดั้งเดิม 0.9% และขั้นตอน Whisper สด 7.9% จึงต้องแยกความแม่นยำโมเดลออกจากผลิตภัณฑ์ทั้งระบบ
การรู้จำเสียงพูดบน Mac ทำงานออฟไลน์ได้ไหม
ได้ หลังดาวน์โหลดทรัพยากรภาษา Apple หรือโมเดล Whisper ในเครื่องที่จำเป็น การติดตั้งครั้งแรกอาจต้องใช้อินเทอร์เน็ต
Alison Workspace ใช้เอนจินใด
ใช้ Apple Speech บน macOS 26 ได้เมื่อภาษาและทรัพยากรในเครื่องรองรับ และใช้ WhisperKit ในเครื่องเพื่อความครอบคลุมกว้างขึ้นหรือเป็นเส้นทางสำรอง