Docs
Whisper, Parakeet ou Nemotron : quel modèle vocal pour la dictée
Presque tous les programmes de dictée locale font tourner une de trois familles de modèles. Elles diffèrent plus que leurs noms ne le suggèrent : par la mémoire qu'elles prennent, le temps que met une phrase sur un processeur, le fait qu'elles ponctuent ou non, et les langues qu'elles couvrent. HoldToType livre les trois et quelques parents, les chiffres ci-dessous viennent donc du même programme sur la même machine.
Mis à jour · Vitalii Yemets
Les trois familles en un paragraphe chacune
- Whisper (OpenAI, exécuté via whisper.cpp) est le généraliste : 99 langues, traduction vers l'anglais par conception, des tailles de 74 Mo à plus d'un gigaoctet. Il entend toute la phrase après que vous avez relâché et répond le plus lentement des trois. La ponctuation est partielle.
- Parakeet TDT 0.6B v3 (NVIDIA, exécuté via sherpa-onnx) est le sprinteur : 25 langues européennes, ponctuation intégrée, une phrase en bien moins d'une seconde sur un processeur, 670 Mo sur le disque. Il ne traduit pas.
- Nemotron 3.5 (NVIDIA, en flux) est celui qui tape pendant que vous parlez : du texte partiel toutes les quelques centaines de millisecondes, 40 langues, ponctuation intégrée, 651 Mo. Il a besoin d'un peu plus de marge que Parakeet.
Taille et mémoire
La taille sur le disque, c'est ce que vous téléchargez une fois ; la mémoire, c'est ce que le programme retient pendant qu'un modèle est chargé. HoldToType estime la mémoire à 1,2 fois le fichier pour les modèles sherpa-onnx et 1,5 fois plus 60 Mo pour Whisper, et affiche l'estimation à côté de chaque modèle.
- Whisper Tiny 74 Mo sur le disque, Base 142 Mo, Small 466 Mo, Medium q5 539 Mo, Large v3 Turbo q5 574 Mo.
- Parakeet TDT 0.6B v3 670 Mo ; Nemotron 3.5 651 Mo ; Canary 180M 198 Mo ; GigaAM v3 232 Mo ; Qwen3 ASR 0.6B 937 Mo.
- En mémoire : Whisper Medium environ 870 Mo, Parakeet environ 800 Mo, GigaAM environ 280 Mo.
Vitesse sur un processeur
Deux mesures avec des chiffres, toutes deux sur un processeur de portable ordinaire, un Intel Core i7-12700H, avec les quatre threads par défaut du programme. L'anglais d'abord : une phrase de six secondes a pris une demi-seconde à Parakeet TDT 0.6B v3 et douze secondes à Whisper Medium q5. Le cas le plus frappant est le russe : GigaAM v3, un modèle sherpa-onnx étroit, a transformé une phrase de onze secondes en texte en 0,47 seconde là où Whisper Medium q5 a mis 11,6 secondes, en utilisant 277 Mo de mémoire au lieu de 814. Parakeet se comporte comme GigaAM : une phrase est du texte en bien moins d'une seconde après le relâchement. Whisper sur le même matériel prend à peu près la durée de la phrase. Nemotron n'attend pas du tout : les mots arrivent pendant que vous parlez, et le texte final est prêt presque dès que vous relâchez les touches.
La machine était un processeur de portable ordinaire sans carte graphique ; les trois familles tournent sans, et c'est là tout l'intérêt.
Ponctuation, langues, traduction
- Ponctuation : Parakeet, Nemotron, GigaAM v3 et Canary ponctuent d'eux-mêmes. Whisper le fait en partie ; le post-traitement de HoldToType finit le travail avec un petit modèle sur votre disque.
- Langues : Whisper 99. Nemotron 40. Parakeet 25 européennes, dont l'ukrainien, le polonais et le russe. GigaAM le russe seulement. Canary l'anglais, l'allemand, l'espagnol et le français.
- Traduction : Whisper traduit vers l'anglais par conception et vers les autres langues de l'interface quand on lui dit que la parole est déjà dans la langue cible ; Canary traduit entre ses quatre langues. Parakeet et Nemotron ne font que transcrire, HoldToType garde donc en réserve le meilleur Whisper installé et la plaque propose de lui confier une phrase.
- Texte en direct : Nemotron seulement.
Lequel choisir
HoldToType garde un modèle par langue et bascule quand vous changez de langue, vous n'avez donc pas à en choisir un pour tout. La page des modèles a le catalogue et un paragraphe par langue ; la page des langues montre où se règle le modèle de chaque langue.
- Dictée de tous les jours dans une langue européenne : Parakeet. Rapide, ponctué, précis.
- Vous voulez voir les mots pendant que vous parlez : Nemotron 3.5.
- Le russe : GigaAM v3, et rien n'approche sa vitesse.
- La traduction, ou une langue hors des 25 : Whisper Medium q5, ou Small sur une machine faible.
- Un vieux portable : Canary 180M pour l'anglais, l'allemand, l'espagnol et le français ; Whisper Base ailleurs.
- La précision avant tout et de la mémoire à revendre : Qwen3 ASR.
Les essayer vous-même
- Installez depuis la section de téléchargement et laissez l'assistant récupérer un modèle.
- Ouvrez Langues et modèles, ajoutez un second modèle pour la même langue et basculez entre les deux ; le journal de l'onglet Système imprime combien de secondes a pris chaque dictée.
- Dites la même phrase à chacun. La différence entre Whisper et un modèle étroit se voit sans chronomètre.
Questions
Ai-je besoin d'une carte graphique ?
Non. HoldToType fait tourner chaque modèle sur le processeur. Un GPU rendrait Whisper plus rapide dans d'autres programmes ; les modèles étroits sont déjà rapides sans.
Lequel est le plus précis ?
Pour une parole propre dans une langue majeure, les trois sont proches. Qwen3 ASR est le plus précis du catalogue et le plus lourd. Pour les noms et le jargon, le dictionnaire compte plus que le modèle.
Puis-je apporter mon propre modèle ?
Oui. Déposez un fichier Whisper GGML ou un dossier de modèle sherpa-onnx dans le dossier des modèles et il apparaît dans la liste.
Essayez les trois sur votre propre machine
Une installation, neuf modèles, et le journal vous dit les secondes.