Docs

Whisper, Parakeet o Nemotron: qué modelo de voz para dictar

Casi todos los programas de dictado local corren una de tres familias de modelos. Se diferencian más de lo que sugieren sus nombres: en cuánta memoria ocupan, cuánto tarda una frase en un procesador, si puntúan, y qué idiomas cubren. HoldToType incluye las tres y unos cuantos parientes, así que los números de abajo vienen del mismo programa en la misma máquina.

Actualizado 10 de septiembre de 2026 · Vitalii Yemets

Las tres familias en un párrafo cada una

• Whisper (OpenAI, ejecutado mediante whisper.cpp) es el generalista: 99 idiomas, traducción al inglés por diseño, tamaños desde 74 MB hasta más de un gigabyte. Oye la frase entera después de que sueltas y responde el más lento de los tres. La puntuación es parcial.
• Parakeet TDT 0.6B v3 (NVIDIA, ejecutado mediante sherpa-onnx) es el velocista: 25 idiomas europeos, puntuación integrada, una frase en bastante menos de un segundo en un procesador, 670 MB en disco. No traduce.
• Nemotron 3.5 (NVIDIA, en flujo) es el que escribe mientras hablas: texto parcial cada pocos cientos de milisegundos, 40 idiomas, puntuación integrada, 651 MB. Necesita un poco más de margen que Parakeet.

Tamaño y memoria

El tamaño en disco es lo que descargas una vez; la memoria es lo que el programa retiene mientras un modelo está cargado. HoldToType estima la memoria como 1,2 veces el archivo para los modelos sherpa-onnx y 1,5 veces más 60 MB para Whisper, y muestra la estimación junto a cada modelo.

• Whisper Tiny 74 MB en disco, Base 142 MB, Small 466 MB, Medium q5 539 MB, Large v3 Turbo q5 574 MB.
• Parakeet TDT 0.6B v3 670 MB; Nemotron 3.5 651 MB; Canary 180M 198 MB; GigaAM v3 232 MB; Qwen3 ASR 0.6B 937 MB.
• En memoria: Whisper Medium unos 870 MB, Parakeet unos 800 MB, GigaAM unos 280 MB.

Velocidad en un procesador

Dos mediciones con números, ambas en un procesador de portátil corriente, un Intel Core i7-12700H, con los cuatro hilos por defecto del programa. Primero el inglés: una frase de seis segundos le llevó a Parakeet TDT 0.6B v3 medio segundo y a Whisper Medium q5 doce segundos. El caso más llamativo es el ruso: GigaAM v3, un modelo estrecho de sherpa-onnx, convirtió una frase de once segundos en texto en 0,47 segundos donde Whisper Medium q5 tardó 11,6 segundos, usando 277 MB de memoria en lugar de 814. Parakeet se comporta como GigaAM: una frase es texto en bastante menos de un segundo después de soltar. Whisper en el mismo hardware tarda más o menos lo que dura la frase. Nemotron no espera en absoluto: las palabras llegan mientras hablas, y el texto final está listo casi en cuanto sueltas las teclas.

La máquina era un procesador de portátil corriente sin tarjeta gráfica; las tres familias corren sin ella, y de eso se trata.

Puntuación, idiomas, traducción

• Puntuación: Parakeet, Nemotron, GigaAM v3 y Canary puntúan solos. Whisper lo hace en parte; el posprocesado de HoldToType termina el trabajo con un modelo pequeño en tu disco.
• Idiomas: Whisper 99. Nemotron 40. Parakeet 25 europeos, incluidos el ucraniano, el polaco y el ruso. GigaAM solo ruso. Canary inglés, alemán, español y francés.
• Traducción: Whisper traduce al inglés por diseño y a los demás idiomas de la interfaz cuando se le dice que la voz ya está en el idioma de destino; Canary traduce entre sus cuatro idiomas. Parakeet y Nemotron solo transcriben, así que HoldToType mantiene en reserva el mejor Whisper instalado y la placa ofrece pasarle una frase.
• Texto en vivo: solo Nemotron.

Cuál elegir

HoldToType mantiene un modelo por idioma y cambia cuando cambias de idioma, así que no tienes que elegir uno para todo. La página de modelos tiene el catálogo y un párrafo por idioma; la página de idiomas muestra dónde se ajusta el modelo de cada idioma.

• Dictado cotidiano en un idioma europeo: Parakeet. Rápido, con puntuación, preciso.
• Quieres ver las palabras mientras hablas: Nemotron 3.5.
• Ruso: GigaAM v3, y nada se le acerca en velocidad.
• Traducción, o un idioma fuera de los 25: Whisper Medium q5, o Small en una máquina floja.
• Un portátil viejo: Canary 180M para inglés, alemán, español y francés; Whisper Base para el resto.
• Precisión por encima de todo y memoria de sobra: Qwen3 ASR.

Probarlos tú mismo

1. Instala desde la sección de descarga y deja que el asistente traiga un modelo.
2. Abre Idiomas y modelos, añade un segundo modelo para el mismo idioma y alterna entre ellos; el registro de la pestaña Sistema imprime cuántos segundos tardó cada dictado.
3. Dile la misma frase a cada uno. La diferencia entre Whisper y un modelo estrecho se ve sin cronómetro.

Preguntas

Prueba los tres en tu propia máquina

Una instalación, nueve modelos, y el registro te dice los segundos.

Descargar HoldToType