Volver al blog

Parakeet vs Whisper: velocidad, precisión e idiomas

Parakeet vs Whisper: el modelo de NVIDIA es más rápido y gana en inglés, pero cubre 25 idiomas europeos frente a los 99 de Whisper. Cuál usar para subtítulos.

16 de noviembre de 2026
Sablate Team

Parakeet vs Whisper se reduce a en qué idioma está tu vídeo. Parakeet TDT 0.6B v3, de NVIDIA, es mucho más rápido que Whisper y, en las pruebas de inglés del Open ASR Leaderboard, más preciso que Whisper large-v3 y turbo. Pero cubre 25 idiomas europeos, y Whisper cubre 99. Fuera de esos 25, incluidos el turco, el japonés, el coreano, el chino, el árabe y el hindi, Parakeet no es una opción.

Eso hace la elección más fácil de lo que sugieren los gráficos de los benchmarks. Aquí tienes las cifras de las fichas de modelo de NVIDIA y OpenAI y del leaderboard, por qué Parakeet es tan rápido, dónde sigue ganando Whisper y qué aplicaciones de escritorio ejecutan cada uno.

Parakeet vs Whisper, lado a lado

Cifras comprobadas el 16 de noviembre de 2026 en las fichas de modelo de NVIDIA y OpenAI y en el Open ASR Leaderboard, actualizado por última vez el 13 de noviembre de 2026. La tasa de error es la tasa media de error de palabras en inglés del leaderboard; cuanto más baja, mejor. La velocidad es su RTFx: segundos de audio transcritos por segundo de cómputo, en una sola NVIDIA H200.

CaracterísticaParakeet TDT 0.6B v3Whisper large-v3Whisper large-v3-turbo
Creado porNVIDIAOpenAIOpenAI
Parámetros600 M1550 M809 M
Idiomas25 europeos9999
Tasa de error en inglés (leaderboard)7,04 %8,24 %8,75 %
Tasa de error en grabaciones largas (leaderboard)12,60 %13,10 %12,82 %
Velocidad (RTFx)~6320~470~810
Turco, japonés, coreano, chino, árabe, hindiNoSíSí
Traducción de vozNoAl inglésNo
Marcas de tiempo por palabraSíSíSí
LicenciaCC-BY-4.0MITMIT

Dos filas merecen una segunda mirada. La de los idiomas decide más que ninguna otra: un modelo más rápido y más preciso no vale nada si no entiende tu idioma. Y la fila de grabaciones largas, medida en llamadas de resultados y entrevistas largas, deja a los tres modelos a menos de medio punto entre sí. La ventaja de Parakeet se nota más en los clips de inglés más cortos, que son los que forman la mayoría de los benchmarks.

La ficha de modelo de NVIDIA también incluye puntuación y uso de mayúsculas automáticos, detección automática del idioma y audio de hasta 24 minutos de una sola pasada con atención completa, o de hasta tres horas con atención local. Whisper maneja cualquier duración avanzando por el audio en ventanas de 30 segundos, como describe el README de OpenAI.

¿Por qué Parakeet es tanto más rápido que Whisper?

Los dos modelos están construidos de forma distinta. Whisper es un transformer de codificador-decodificador: el codificador escucha 30 segundos de audio y el decodificador escribe después el texto token a token, y cada token espera al anterior. Esa segunda mitad es donde se va la mayor parte del tiempo, y por eso large-v3-turbo, que conserva el codificador y reduce el decodificador de 32 capas a 4, funciona unas ocho veces más rápido que large-v3.

Parakeet combina un codificador FastConformer con un decodificador TDT. TDT son las siglas de Token-and-Duration Transducer: en cada paso predice el siguiente token y cuántas tramas de audio abarca ese token, así que puede saltarse tramas en lugar de visitarlas todas. Sus autores midieron una inferencia hasta 2,82 veces más rápida que la de un transductor convencional solo por eso. Menos trabajo por segundo de audio significa más audio por segundo de cómputo.

Toma las cifras de velocidad del leaderboard como una proporción, no como una promesa. Salen de una GPU de centro de datos. En una tarjeta RTX en casa, o en la CPU de un portátil, los dos modelos son muchas veces más lentos que esas cifras, y cuánto más rápido siga siendo Parakeet depende del software que lo ejecute. No lo hemos medido nosotros en hardware de escritorio, así que no publicamos una cifra para eso.

¿Es Parakeet más preciso que Whisper?

En los benchmarks de inglés, sí. Parakeet v3 promedia una tasa de error de palabras del 7,04 % en el conjunto de inglés actual del leaderboard, frente al 8,24 % de Whisper large-v3 y el 8,75 % de turbo. Su predecesor solo para inglés, Parakeet v2, puntúa algo mejor todavía, con un 6,93 %. En grabaciones largas la brecha casi se cierra: 12,60 % para Parakeet v3, 12,82 % para turbo, 13,10 % para large-v3.

Tres matices mantienen esas cifras en su justa medida:

  • El leaderboard es sobre todo de inglés. Su pestaña multilingüe prueba ocho idiomas. Parakeet v3 cubre seis de ellos y no tiene puntuación para chino ni hindi, así que no obtiene ninguna media multilingüe. Whisper large-v3 promedia un 7,76 % en los ocho.
  • Los benchmarks no son tu audio. Una diferencia de un punto porcentual es aproximadamente una palabra de cada cien. Tu micrófono, los acentos, la música y las voces que se pisan mueven el resultado mucho más que la clasificación de modelos.
  • Los errores de Whisper están bien documentados; los de Parakeet, menos. El propio artículo de OpenAI enumera entre los fallos de Whisper «quedarse atascado en bucles de repetición» y «alucinación completa, en la que el modelo produce una transcripción totalmente ajena al audio real». Las fichas de modelo de NVIDIA no dicen nada sobre las alucinaciones, ni en un sentido ni en otro; publican en cambio cifras de ruido, con la tasa de error en inglés subiendo del 6,34 % con audio limpio al 11,66 % con 0 dB de relación señal-ruido. Por qué Whisper alucina explica las soluciones por el lado de Whisper.

Para subtítulos, unas diferencias de precisión tan pequeñas importan menos que las omisiones. Un modelo que se salta una frase cuesta más que uno que escribe mal un nombre, así que prueba con un clip tuyo y busca primero lo que falta.

¿Qué idiomas admite Parakeet v3?

Veinticinco, todos europeos: búlgaro, croata, checo, danés, neerlandés, inglés, estonio, finés, francés, alemán, griego, húngaro, italiano, letón, lituano, maltés, polaco, portugués, rumano, ruso, eslovaco, esloveno, español, sueco y ucraniano. Detecta cuál se habla sin que se lo digas.

Todo lo demás queda fuera de su alcance. El turco, el japonés, el coreano, el chino, el árabe, el hindi, el vietnamita, el tailandés, el indonesio y el persa están entre los idiomas que Parakeet v3 no puede transcribir. NVIDIA publica un Parakeet aparte solo para japonés, de una generación anterior, pero ningún Parakeet multilingüe cubre los idiomas asiáticos ni el turco.

Los 99 idiomas de Whisper tampoco son iguales. Su precisión varía mucho de un idioma a otro, como dice el README de OpenAI, y los idiomas que admite Whisper recoge la tasa de error de OpenAI para cada uno. Pero un resultado flojo en tu idioma sigue siendo una transcripción que puedes corregir; no tener ningún resultado, no.

A fecha de noviembre de 2026, la página de NVIDIA en Hugging Face no lista ningún Parakeet v4. Sus lanzamientos más recientes de 0.6B son un modelo de streaming solo para inglés y una versión multilingüe de este que cubre los mismos 25 idiomas europeos.

¿Dónde se puede ejecutar Parakeet en Windows y Mac?

Parakeet sale del kit de herramientas NeMo de NVIDIA, un framework de Python que su ficha de modelo describe como optimizado para GPU de NVIDIA, con Linux como sistema preferido. Pocas personas lo ejecutan así. Estas aplicaciones de escritorio lo incluyen, según sus propias páginas:

  • Vibe (Windows, Mac y Linux, gratis y de código abierto) ejecuta Whisper y Parakeet TDT v3 y exporta SRT, VTT y varios formatos de documento.
  • Subtitle Edit (Windows, Mac y Linux, gratis) añadió modelos Parakeet a su ventana Speech to text en la versión 5.1, mediante el motor CrispASR. Subtitle Edit con Whisper explica esa ventana.
  • MacWhisper (Mac) ejecuta Whisper y Parakeet en Apple Silicon y exporta SRT y VTT. Las alternativas a MacWhisper para Windows lo comparan con las opciones de Windows.
  • MacParakeet (Apple Silicon, gratis y de código abierto) está construido en torno a Parakeet v3, exporta SRT y VTT, y dice claramente que no admite chino, japonés ni coreano.
  • parakeet-mlx es una herramienta de línea de comandos para Apple Silicon que escribe SRT por defecto.
  • Handy (Windows, Mac y Linux, gratis) usa Parakeet v3 para dictado, no para transcribir archivos.

Para el lado de Whisper, la comparativa de interfaces para Whisper recoge siete aplicaciones de escritorio y el motor que ejecuta cada una.

Parakeet o Whisper: ¿cuál usar para subtítulos?

«Mis vídeos están en inglés, o en otro de los 25 idiomas de Parakeet, y la velocidad importa». Prueba Parakeet en Vibe o en Subtitle Edit. Es más rápido y, en los benchmarks de inglés, algo más preciso.

«Mis vídeos están en turco, japonés, coreano, chino, árabe o hindi». Usa Whisper. Parakeet no transcribe estos idiomas en absoluto.

«Trabajo en varios idiomas y no todos son europeos». Usa Whisper, para que una sola herramienta y un solo flujo de trabajo cubran todos los vídeos.

«Necesito subtítulos en otros idiomas, no solo en el hablado». Ninguno de los dos modelos lo hace bien por sí solo. Transcribe en el idioma hablado con el modelo que mejor se ajuste, corrige la transcripción y después traduce el texto.

«Transcribo grabaciones largas». Sirven los dos. En las pruebas de formato largo del leaderboard los tres modelos están a menos de medio punto entre sí, así que elige según el idioma y la velocidad.

Por qué Sablate usa Whisper y no Parakeet

Sablate transcribe con faster-whisper en tu propio ordenador y no ofrece Parakeet. El motivo son los idiomas. Sablate está pensado para que una transcripción se convierta en subtítulos en muchos idiomas, y el vídeo de origen puede estar en cualquiera de 100 idiomas, los 99 de Whisper más el cantonés. Un modelo que se queda en 25 idiomas europeos no cubriría los vídeos en turco, japonés y coreano que la gente le trae.

La contrapartida es real, y Parakeet la gana donde se aplica. En un Mac, Sablate ejecuta Whisper en la GPU de Apple Silicon mediante whisper.cpp, pero para inglés o un idioma europeo, MacWhisper o MacParakeet ejecutando Parakeet seguirán terminando antes. En Windows, una GPU NVIDIA hace que los modelos Whisper de Sablate vayan aproximadamente entre cinco y diez veces más rápido que la CPU, con large-v3-turbo como opción por defecto sensata.

Lo que ocurre después de la transcripción es donde Sablate se distingue de un transcriptor. Cada traducción es una capa sobre los mismos tiempos, sin conexión con Argos o con tu propia clave de DeepL, OpenAI o Claude, y cada idioma conserva su propio estilo y su propia fuente. Exporta archivos .srt o .vtt, un .mkv con una pista por idioma, o un .mp4 con los subtítulos incrustados. El plan gratis ejecuta los modelos Fast y Balanced; Pro añade Accurate (large-v3-turbo) y Best (large-v3) por $29 una sola vez o $5.99 al mes.

En resumen

Parakeet v3 es el modelo más rápido y, en inglés, también algo más preciso. Whisper es el modelo que entiende tu idioma si no es uno de los 25 de Parakeet. Para vídeo en inglés o en un idioma europeo, prueba Parakeet en una app gratuita como Vibe o Subtitle Edit. Para cualquier otra cosa, o para subtítulos que acaben en varios idiomas, quédate con Whisper y usa la comparativa de modelos de Whisper para elegir un tamaño.

Preguntas frecuentes

¿Es Parakeet mejor que Whisper?

Para el inglés y los 25 idiomas europeos que admite, Parakeet TDT 0.6B v3 es más rápido y tiene una tasa de error menor que Whisper large-v3 y turbo en el Open ASR Leaderboard. Para cualquier otro idioma no es una opción, porque no transcribe turco, japonés, coreano, chino, árabe ni hindi. Whisper cubre 99 idiomas.

¿Cuánto más rápido es Parakeet que Whisper?

Aproximadamente trece veces más rápido que Whisper large-v3 y ocho veces más que turbo en el Open ASR Leaderboard, que midió unos 6300 segundos de audio por segundo de cómputo para Parakeet v3 en una GPU de centro de datos. En una tarjeta gráfica de sobremesa o en un portátil las cifras absolutas son mucho menores y dependen del software que ejecuta cada modelo.

¿Qué idiomas admite Parakeet v3?

Veinticinco idiomas europeos: búlgaro, croata, checo, danés, neerlandés, inglés, estonio, finés, francés, alemán, griego, húngaro, italiano, letón, lituano, maltés, polaco, portugués, rumano, ruso, eslovaco, esloveno, español, sueco y ucraniano. Detecta automáticamente cuál se habla. Parakeet v2, la versión anterior, solo transcribe inglés.

¿Puede Parakeet transcribir japonés, chino, coreano o turco?

No. Ninguno de ellos está en la lista de 25 idiomas de Parakeet v3, y tampoco el árabe ni el hindi. NVIDIA tiene un modelo Parakeet aparte solo para japonés, de una generación anterior, pero ningún Parakeet multilingüe cubre los idiomas asiáticos ni el turco. Para esos idiomas, Whisper large-v3 o turbo es la opción práctica en local.

¿Puede Parakeet traducir voz como Whisper?

No. Parakeet solo transcribe, en el idioma en que se habló. Whisper large-v3 puede traducir voz al inglés, aunque turbo no. El modelo de NVIDIA para traducción de voz es Canary-1B-v2, que traduce entre el inglés y 24 idiomas europeos. Para subtítulos en otros idiomas, traducir como texto la transcripción corregida da mejores resultados que cualquiera de los dos.