Hướng dẫn

Bạn thật sự cần mô hình Whisper nào?

Tiny, Base, Small, Medium, Large. Lớn hơn thì chính xác hơn và chậm hơn nhiều, và với rất nhiều bản ghi thì khác biệt nhỏ hơn những gì quảng cáo gợi ý.

25 August 2026

Mọi ứng dụng chép lời chạy trên máy đều đang dùng một phiên bản nào đó của Whisper từ OpenAI, và phần lớn đều nhấn mạnh chúng hỗ trợ những kích thước mô hình nào. Mô hình lớn hơn thật sự chính xác hơn. Chúng cũng chậm hơn rất nhiều và chiếm nhiều dung lượng ổ đĩa hơn hẳn, còn khoảng cách về độ chính xác thì phụ thuộc vào bản ghi của bạn nhiều hơn là vào mô hình.

Đây là cách suy nghĩ về chuyện này mà không theo phản xạ chọn ngay cái lớn nhất được cung cấp.

Các kích thước #

Whisper có năm kích thước chính. Các con số ít quan trọng bằng hình dạng của đường cong:

Mô hình	Tham số	Dung lượng ổ đĩa xấp xỉ
Tiny	39 triệu	~75 MB
Base	74 triệu	~140 MB
Small	244 triệu	~470 MB
Medium	769 triệu	~1,5 GB
Large	1,5 tỉ	~3 GB

Mỗi bậc lớn hơn khoảng gấp ba lần bậc dưới nó, và chạy lâu hơn tương ứng. Đi từ Small lên Large là gấp khoảng sáu lần số tham số — với một bản ghi dài, đó là khác biệt giữa việc đi pha một tách cà phê và việc đi ăn trưa.

Đường cong độ chính xác thì không hề dốc nhanh như vậy. Nó leo dốc từ Tiny lên Small, rồi phẳng dần.

Điều thật sự quyết định độ chính xác của bạn #

Đây là phần hay bị bỏ quên. Chất lượng bản ghi của bạn quan trọng hơn kích thước mô hình.

Một bản ghi sạch — một người nói, micro tử tế, phòng yên tĩnh, giọng chuẩn — sẽ được chép lời tốt với Small. Đẩy đúng tệp đó qua Large chỉ giúp bạn sửa được một nhúm từ, chủ yếu là danh từ riêng.

Những thứ thật sự phá hỏng việc chép lời là:

• Tiếng ồn nền. Quán cà phê, máy lạnh, xe cộ.
• Lời nói chồng lên nhau. Hai người nói cùng lúc là chuyện khó với mọi mô hình.
• Khoảng cách tới micro. Âm thanh thu từ bên kia bàn họp.
• Giọng nặng hoặc ít phổ biến, nhất là ở một ngôn ngữ mà mô hình được học ít hơn trong lúc huấn luyện.
• Từ vựng chuyên ngành, tên riêng và từ viết tắt. Không kích thước mô hình nào sửa được một cái họ hiếm gặp.
• Các ngôn ngữ không phải tiếng Anh. Dữ liệu huấn luyện của Whisper nghiêng nặng về tiếng Anh, nên khoảng cách giữa các kích thước mô hình rộng hơn nhiều với những ngôn ngữ khác.

Nếu âm thanh của bạn dính vài thứ trong số đó, một mô hình lớn hơn đáng đồng tiền thật. Nếu nó không dính thứ nào, bạn đang trả tiền cho một sai số làm tròn.

Một cách chọn thực dụng #

Tiny — Bản nháp thô và khả năng tìm kiếm. Đủ tốt để tìm ra phần nào trong bản ghi hai tiếng mà bạn cần. Không đủ tốt để công bố.

Base — Ghi âm nhanh, ghi chú cho chính mình, âm thanh sạch một người nói mà bạn sẽ đọc lại kết quả và tự biết mình đã định nói gì.

Small — Lựa chọn mặc định hợp lý cho phần lớn công việc. Phỏng vấn với micro tử tế, tập podcast, bản ghi bài giảng, âm thanh cuộc họp nơi mọi người ngồi gần micro. Đây là chỗ đường cong bắt đầu phẳng với tiếng Anh nói rõ ràng.

Medium và Large — Âm thanh khó, các ngôn ngữ không phải tiếng Anh, hoặc bất cứ thứ gì bạn sẽ công bố mà không đọc lại toàn bộ. Cũng là lựa chọn đúng nếu thời gian của bạn đáng giá hơn thời gian chờ, và việc đọc lại một bản chép lời tốn của bạn nhiều hơn phần xử lý thêm.

Cứ thử đi #

Câu trả lời thành thật là không ai nói trước được cho bạn chỉ từ mô tả các bản ghi, vì những biến số ở trên tương tác với nhau.

Hãy lấy tệp tệ nhất của bạn — cái ồn nhất, cái có giọng khó nghe, cái bạn đã biết là có vấn đề — và cho nó chạy qua tất cả những kích thước mô hình bạn có. So sánh các bản chép lời. Chỉ một phép thử đó thôi sẽ cho bạn biết nhiều hơn bất kỳ bảng đo chuẩn nào, vì nó dùng chính micro của bạn, căn phòng của bạn và chủ đề của bạn.

Nếu mô hình nhỏ xử lý được tệp khó nhất của bạn, nó sẽ xử lý được mọi thứ còn lại, và bạn vừa tiết kiệm được vài gigabyte cùng rất nhiều thời gian chờ.

Ứng dụng này đứng ở đâu #

Nói thẳng: Offline Transcription đi kèm Tiny, Base và Small. Nó không bao gồm Medium hay Large.

Chừng đó bao phủ phần lớn nhu cầu chép lời hằng ngày — phỏng vấn sạch tiếng, podcast, bài giảng, cuộc họp, ghi âm nhanh — và giữ cho ứng dụng nhỏ gọn và nhanh, kể cả trên iPhone. Nếu bạn thường xuyên làm việc với âm thanh khó hoặc các bản ghi không phải tiếng Anh, nơi mô hình lớn thật sự xứng đáng, thì một ứng dụng có sẵn chúng sẽ hợp hơn, và bài so sánh với MacWhisper của chúng tôi nói thẳng điều đó.

Ứng dụng miễn phí để tải về, nên phép thử ở trên không tốn của bạn gì ngoài thời gian thực hiện.

Một điều hoàn toàn không liên quan đến kích thước mô hình #

Dù bạn dùng mô hình nào, nó chạy ở đâu lại là một câu hỏi riêng. Whisper là một mô hình mở, và nó chạy được trên chính máy của bạn hoặc trên máy chủ của ai đó. Một dịch vụ chép lời trên đám mây nhiều khả năng đang chạy Large — và cũng đang giữ một bản sao bản ghi của bạn.

Chạy Small ngay trên máy và chạy Large trong trung tâm dữ liệu của người khác không phải là hai điểm trên cùng một thang đo. Nếu bản ghi là thông tin mật, quyết định đó phải đến trước, còn kích thước mô hình đến sau. Hướng dẫn của chúng tôi về cách kiểm tra xem một ứng dụng có thật sự ngoại tuyến hay không nói về cách kiểm chứng theo cả hai hướng.