Apple SpeechAnalyzer обошёл Whisper на Mac и iPhone: тесты, цифры и кому это реально нужно — VogueTech

Что нового

Apple тихо, без громких презентаций, сменила старый API распознавания речи SFSpeechRecognizer на пару новых интерфейсов — SpeechAnalyzer и SpeechTranscriber в iOS 26 и macOS 26.

Команда Inscribe прогнала новый движок по классическому бенчмарку LibriSpeech и сравнила его с Whisper и старым API Apple. Все движки работали полностью на устройстве на Mac с Apple M2 Pro, 32 ГБ, macOS 26.5.1.

Ключевые цифры по точности (метрика — WER, word error rate, меньше — лучше):

LibriSpeech test-clean (чистая речь, 2620 фрагментов):

Apple SpeechAnalyzer — 2,12% WER
Whisper Small (CoreML через WhisperKit) — 3,74% WER, размер модели ~460 МБ
Whisper Base — 5,42% WER, ~140 МБ
Whisper Tiny — 7,88% WER, ~40 МБ
Apple SFSpeechRecognizer (legacy) — 9,02% WER

LibriSpeech test-other (сложная и шумная речь, 2939 фрагментов):

Apple SpeechAnalyzer — 4,56% WER
Whisper Small — 7,95% WER
Whisper Base — 12,51% WER
Whisper Tiny — 17,04% WER
SFSpeechRecognizer (legacy) — 16,25% WER

Если упростить:

Новый движок Apple примерно в 3,5–4 раза точнее старого SFSpeechRecognizer на той же аудиозаписи.
SpeechAnalyzer обгоняет Whisper Small по точности на чистой и шумной речи и при этом работает примерно в 3 раза быстрее на секунду аудио.

По скорости:

Все движки на M2 Pro работали быстрее реального времени — от 12× до 40×.
Это значит, что 1 час аудио превращается в текст примерно за 1,5–5 минут прямо на устройстве.
SpeechAnalyzer — примерно в 3 раза быстрее Whisper Small при лучшей точности.

Что ещё изменилось по сравнению с SFSpeechRecognizer:

Новый API выдаёт уже оформленный текст — с пунктуацией и правильным регистром.
Старый SFSpeechRecognizer чаще давал «сырой» текст и при этом ошибался в 4 раза чаще на длинной записи.

По языкам:

SpeechTranscriber поддерживает около 30 локалей.
Whisper по-прежнему покрывает 100+ языков, так что по многоязычности он впереди.

Как это работает

Inscribe использует оба стека параллельно — SpeechAnalyzer / SpeechTranscriber от Apple и три модели Whisper (Tiny, Base, Small) через WhisperKit CoreML. Это позволяет запускать все движки через одни и те же продакшн-кодовые пути на одной и той же машине и одном и том же аудио.

Бенчмарк и проверка честности

Чтобы результатам можно было доверять, Inscribe построила тест так:

Один и тот же корпус — LibriSpeech
- test-clean: 2620 фрагментов чистой, хорошо записанной речи.
- test-other: 2939 более сложных, шумных и акцентированных фрагментов.
  Всего — 5559 высказываний.
Одинаковая нормализация текста
Оригинальные транскрипты LibriSpeech — заглавными буквами, без пунктуации, числа прописью. Современные движки выдают:
- пунктуацию,
- строчные и заглавные буквы,
- цифры,
- сокращения.
Чтобы не штрафовать движок за «красивый» текст, обе стороны прогоняют через один и тот же нормализатор, который:
- приводить регистр,
- убирает пунктуацию,
- переводит цифры в слова,
- разворачивает или унифицирует сокращения.
  Нормализатор повторяет подход английского нормализатора OpenAI для Whisper.
Корпусный WER, а не средний по фрагментам
WER считают как общее число ошибок / общее число слов во всём тестовом наборе.
Это не даёт коротким фразам (например, односложным командам) влиять на итоговую метрику сильнее длинных предложений.
Полностью on-device, без «подмешивания» облака
- По умолчанию SFSpeechRecognizer отправляет звук на серверы Apple.
- Для теста Inscribe жёстко принудила локальный режим.
- Если движок пытался уйти в облако, тестовый раннер просто отказывался запускаться, а не подменял результаты.
  Причина простая: сравнение имеет смысл только когда все движки работают на одном железе, без внешних сервисов.
Ошибки не скрывают
Если движок на конкретном фрагменте не вернул вообще ничего, этот фрагмент получает 100% WER.
В тесте это случилось 1 раз из 27 795 транскрипций (старый SFSpeechRecognizer, тестовый набор test-other).

Сопоставление с числами OpenAI

Чтобы проверить, что бенчмарк корректно считает ошибки Whisper, Inscribe сравнила свои результаты с опубликованными числами OpenAI по тем же моделям и тому же корпусу.

Сравнение WER для Whisper (наши vs OpenAI):

Whisper Tiny, test-clean: 7,88% vs 7,6% у OpenAI → +0,28 п.п.
Whisper Base, test-clean: 5,42% vs 5,0% → +0,42 п.п.
Whisper Small, test-clean: 3,74% vs 3,4% → +0,34 п.п.
Whisper Tiny, test-other: 17,04% vs 16,9% → +0,14 п.п.
Whisper Base, test-other: 12,51% vs 12,4% → +0,11 п.п.
Whisper Small, test-other: 7,95% vs 7,6% → +0,35 п.п.

Во всех случаях сдвиг небольшой и положительный. Инженеры объясняют это двумя факторами:

чуть более строгая нормализация текста;
квантизация моделей Whisper в CoreML по сравнению с эталонной GPU-версией.

Это важно: тот же пайплайн нормализации и подсчёта ошибок использовали для Apple SpeechAnalyzer и SFSpeechRecognizer. То есть методика, которая воспроизводит результаты OpenAI, используется и для колонок, которые никто больше проверить не может.

Открытые данные

Чтобы любой разработчик мог проверить подсчёты, Inscribe выложила сырые данные:

summary.json — все 10 измерений в машиночитаемом виде (около 3 КБ).
raw-transcripts-apple.json.gz — гипотезы SpeechAnalyzer по всем 5559 фрагментам (около 620 КБ).
raw-transcripts-legacy.json.gz — гипотезы SFSpeechRecognizer по тем же фрагментам (около 620 КБ).

Можно взять эти файлы, прогнать через свой нормализатор и пересчитать WER.

Неожиданный бонус: баг в продакшене

Во время сборки бенчмарка Inscribe нашла баг в своём продукте:

при импорте файлов аудио подавали в SpeechAnalyzer,
закрывали входной поток,
но не вызывали finalizeAndFinishThroughEndOfInput().

Без этого вызова SpeechAnalyzer не возвращал финальный результат, и импорт зависал навсегда. Баг долго не всплывал, потому что режим Auto по умолчанию выбирал Whisper, а не движки Apple.

После бенчмарка Inscribe исправила это и обновила релиз. Это хороший пример, как детальное тестирование движка вылавливает проблемы в самом приложении.

Что это значит для вас

Если вы разработчик под iOS / macOS

1. Если вы всё ещё используете SFSpeechRecognizer — пора мигрировать.

Цифры по LibriSpeech:

9,02% → 2,12% WER на чистой речи.
16,25% → 4,56% WER на шумной речи.

То есть на часовой встрече, записанной с нормальным микрофоном:

транскрипция через SFSpeechRecognizer даст примерно в 4 раза больше неправильных слов, чем через SpeechAnalyzer.
При этом новый API ещё и быстрее, и выдаёт аккуратный текст с пунктуацией.

Если ваше приложение делает что-то длиннее голосовой команды — встречи, лекции, подкасты, диктовку текстов — переход на SpeechAnalyzer окупается только за счёт точности.

2. Если вы уже используете Whisper на устройстве

Для английской речи на актуальных iPhone и Mac ситуация изменилась:

раньше Whisper Small был почти «дефолтным» выбором для максимальной точности;
теперь SpeechAnalyzer показывает меньший WER на LibriSpeech и работает в 3 раза быстрее на том же железе.

Inscribe отреагировала на это так:

в режиме Auto приложение теперь предпочитает SpeechAnalyzer для поддерживаемых языков;
Whisper остаётся движком по умолчанию для остальных языков.

Если вы делаете продукт только для iOS/macOS и вам нужен английский офлайн-транскрипт, имеет смысл:

использовать SpeechAnalyzer как основной движок;
держать Whisper как резерв для языков, которых нет в SpeechTranscriber.

3. Где новый API особенно полезен

Приложения для заметок и диктовки: быстрый и точный текст прямо на устройстве, без отправки аудио в облако.
Сервисы для протоколирования встреч: часовой звонок превращается в текст за несколько минут, а ошибок заметно меньше, чем у старого API.
Продукты с повышенными требованиями к приватности: Inscribe подчёркивает, что не загружает ни один из 5559 фрагментов в облако — всё работает локально.

4. Когда SpeechAnalyzer не подойдёт

Если вам нужен широкий набор языков (100+), включая редкие, — SpeechTranscriber с его ~30 локалями пока не заменяет Whisper.
Если вы таргетируете Android, Windows, Linux или старые версии iOS/macOS без 26-й версии, SpeechAnalyzer вам недоступен.
Если ваша задача — тяжёлые акценты, много говорящих, далекий микрофон, LibriSpeech даёт только ориентир. Вам всё равно придётся собирать свой корпус и тестировать.

Доступность в России

Apple поставляет iOS и macOS в Россию без официальной локальной поддержки, но устройства и обновления операционных систем доступны.
SpeechAnalyzer и SpeechTranscriber встроены в iOS 26 и macOS 26. Для их использования не нужен VPN, так как распознавание в тесте работало полностью офлайн.

Если вы публикуете приложение в российском сегменте, имеет смысл:

проверить, как новый API ведёт себя с русским языком (в бенчмарке тестировали только английский);
заложить в архитектуру fallback на Whisper или другие движки для неподдерживаемых локалей.

Место на рынке

SpeechAnalyzer против Whisper

По результатам теста на английском LibriSpeech на Apple M2 Pro:

Точность (WER, меньше — лучше):

SpeechAnalyzer: 2,12% (clean) / 4,56% (other).
Whisper Small: 3,74% / 7,95%.
Whisper Base: 5,42% / 12,51%.
Whisper Tiny: 7,88% / 17,04%.

Скорость:

Все движки: 12–40× быстрее реального времени.
SpeechAnalyzer: примерно в 3 раза быстрее Whisper Small на секунду аудио при лучшей точности.

Размеры моделей Whisper (для ориентира по ресурсам):

Whisper Tiny — ~40 МБ.
Whisper Base — ~140 МБ.
Whisper Small — ~460 МБ.

У SpeechAnalyzer как системного движка нет отдельной цифры по размеру модели — он встроен в ОС. Но по итогам теста на одном и том же железе видно, что он экономнее по вычислениям, чем Whisper Small.

Языки:

SpeechTranscriber — около 30 локалей.
Whisper — 100+ языков.

Вывод по позиционированию:

Для английского on-device на современном iPhone или Mac сейчас самый сильный вариант по сочетанию точности и скорости — встроенный SpeechAnalyzer.
Для многоязычных приложений или кроссплатформенных решений Whisper остаётся основным кандидатом: он работает на любом железе и закрывает значительно больше языков.

SpeechAnalyzer против SFSpeechRecognizer

На том же корпусе LibriSpeech новый API выглядит как жёсткий апгрейд:

Чистая речь (test-clean):

SFSpeechRecognizer: 9,02% WER.
SpeechAnalyzer: 2,12% WER.

Шумная речь (test-other):

SFSpeechRecognizer: 16,25% WER.
SpeechAnalyzer: 4,56% WER.

То есть новый движок:

в 3,5–4 раза точнее на тех же данных;
выдаёт лучше оформленный текст;
работает полностью на устройстве и корректно сравнивается с локальными моделями.

Для экосистемы iOS/macOS это означает, что стандартный системный выбор для диктовки и транскрипции меняется. Всё, что ещё опирается на SFSpeechRecognizer для длительных задач, теряет качество без какой-либо выгоды.

Ограничения и что ещё нужно знать

Только английский в тесте. LibriSpeech — корпус английской прочитанной речи. Никаких цифр по русскому, китайскому или другим языкам здесь нет.
Тип речи — аудиокниги, а не митинги. Это хорошо читаемый текст, а не хаотичный разговор нескольких людей в переговорке. Для реальных митингов, акцентов и плохих микрофонов нужен отдельный бенчмарк.
Одна конфигурация железа. Все цифры по скорости относятся к M2 Pro, 32 ГБ, macOS 26.5.1. На других чипах Apple Silicon точность должна быть сопоставимой, а скорость — отличаться.
Whisper в версии CoreML. В тесте использовали квантизованные модели через WhisperKit. Эталонная GPU-версия может дать немного другие числа, но расхождение уже отражено в сравнении с официальными данными OpenAI.

Если вы планируете строить продукт поверх этих движков, разумный шаг — повторить тест хотя бы на своём типе аудио: звонки, диктовки, лекции, подкасты. Но как стартовый ориентир для английского на Apple-устройствах этот бенчмарк даёт довольно чёткую картину: SpeechAnalyzer сместил Whisper с позиции «по умолчанию» для on-device транскрипции в экосистеме Apple.