Wróć do bloga

Parakeet vs Whisper: szybkość, dokładność i języki

Parakeet vs Whisper: model NVIDIA jest szybszy i wygrywa w angielskich testach, ale obsługuje 25 języków europejskich, a Whisper 99. Co wybrać do napisów.

16 listopada 2026
Sablate Team

Parakeet vs Whisper sprowadza się do tego, w jakim języku jest twoje wideo. Parakeet TDT 0.6B v3 od NVIDIA jest znacznie szybszy od Whispera, a w angielskich testach Open ASR Leaderboard dokładniejszy niż Whisper large-v3 i turbo. Obsługuje jednak 25 języków europejskich, a Whisper 99. Dla języków spoza tych 25, w tym tureckiego, japońskiego, koreańskiego, chińskiego, arabskiego i hindi, Parakeet nie jest opcją.

To czyni wybór łatwiejszym, niż sugerują wykresy z benchmarków. Poniżej liczby z kart modeli samych NVIDIA i OpenAI oraz z rankingu, wyjaśnienie, dlaczego Parakeet jest tak szybki, gdzie Whisper wciąż wygrywa i które aplikacje desktopowe uruchamiają każdy z nich.

Parakeet vs Whisper w jednym zestawieniu

Dane sprawdzone 16 listopada 2026 na kartach modeli NVIDIA i OpenAI oraz w Open ASR Leaderboard, ostatnio aktualizowanym 13 listopada 2026. Współczynnik błędów to średni współczynnik błędów słów dla angielskiego z rankingu; im niższy, tym lepiej. Szybkość to jego RTFx: sekundy audio transkrybowane na sekundę obliczeń, na jednej karcie NVIDIA H200.

CechaParakeet TDT 0.6B v3Whisper large-v3Whisper large-v3-turbo
TwórcaNVIDIAOpenAIOpenAI
Parametry600 M1 550 M809 M
Języki25 europejskich9999
Współczynnik błędów dla angielskiego (ranking)7,04%8,24%8,75%
Współczynnik błędów na długich nagraniach (ranking)12,60%13,10%12,82%
Szybkość (RTFx)~6 320~470~810
Turecki, japoński, koreański, chiński, arabski, hindiNieTakTak
Tłumaczenie mowyNieNa angielskiNie
Znaczniki czasu słówTakTakTak
LicencjaCC-BY-4.0MITMIT

Dwa wiersze zasługują na drugie spojrzenie. Wiersz języków rozstrzyga więcej niż jakikolwiek inny: szybszy i dokładniejszy model nic nie jest wart, jeśli nie słyszy twojego języka. A wiersz długich nagrań, mierzony na telekonferencjach wynikowych i długich wywiadach, stawia wszystkie trzy modele w granicach pół punktu od siebie. Przewaga Parakeet jest najwyraźniejsza na krótszych angielskich klipach, z których składa się większość benchmarków.

Karta modelu NVIDIA wymienia też automatyczną interpunkcję i wielkie litery, automatyczne wykrywanie języka oraz audio do 24 minut w jednym przebiegu z pełnym mechanizmem uwagi albo do trzech godzin z uwagą lokalną. Whisper radzi sobie z nagraniem o dowolnej długości, przesuwając się po dźwięku w 30-sekundowych oknach, jak opisuje README OpenAI.

Dlaczego Parakeet jest o wiele szybszy od Whispera?

Oba modele są zbudowane inaczej. Whisper to transformer typu enkoder–dekoder: enkoder słucha 30 sekund audio, a dekoder zapisuje potem tekst token po tokenie, przy czym każdy token czeka na poprzedni. Ta druga połowa pochłania większość czasu, dlatego large-v3-turbo, który zachowuje enkoder i skraca dekoder z 32 warstw do 4, działa około ośmiu razy szybciej niż large-v3.

Parakeet łączy enkoder FastConformer z dekoderem TDT. TDT to skrót od Token-and-Duration Transducer: w każdym kroku przewiduje następny token i to, ile ramek audio ten token obejmuje, więc może przeskakiwać ramki, zamiast odwiedzać każdą z nich. Jego autorzy zmierzyli inferencję szybszą nawet 2,82 raza niż w konwencjonalnym transducerze, i to wyłącznie dzięki temu. Mniej pracy na sekundę audio oznacza więcej audio na sekundę obliczeń.

Traktuj liczby szybkości z rankingu jak proporcję, a nie obietnicę. Pochodzą z GPU klasy serwerowej. Na karcie RTX w domu albo na procesorze laptopa oba modele są wielokrotnie wolniejsze niż te liczby, a to, o ile szybszy zostaje Parakeet, zależy od oprogramowania, które go uruchamia. Sami nie mierzyliśmy go na sprzęcie desktopowym, więc nie podajemy dla niego żadnej liczby.

Czy Parakeet jest dokładniejszy od Whispera?

W angielskich benchmarkach tak. Parakeet v3 uzyskuje średni współczynnik błędów słów 7,04% na obecnym angielskim zestawie rankingu, wobec 8,24% dla Whisper large-v3 i 8,75% dla turbo. Jego poprzednik tylko dla angielskiego, Parakeet v2, wypada jeszcze odrobinę lepiej, z wynikiem 6,93%. Na długich nagraniach przewaga prawie znika: 12,60% dla Parakeet v3, 12,82% dla turbo, 13,10% dla large-v3.

Trzy zastrzeżenia ustawiają te liczby we właściwych proporcjach:

  • Ranking to głównie angielski. Jego zakładka wielojęzyczna testuje osiem języków. Parakeet v3 obejmuje sześć z nich i nie ma wyniku dla chińskiego ani hindi, więc nie dostaje żadnej średniej wielojęzycznej. Whisper large-v3 ma średnio 7,76% dla tych ośmiu.
  • Benchmarki to nie twoje nagranie. Różnica jednego punktu procentowego to mniej więcej jedno słowo na sto. Twój mikrofon, akcenty, muzyka i nakładające się wypowiedzi zmieniają wynik znacznie bardziej niż pozycja modelu w rankingu.
  • Błędy Whispera są dobrze udokumentowane, błędy Parakeet znacznie słabiej. Własny artykuł OpenAI wymienia u Whispera „utknięcie w pętlach powtórzeń” i „całkowitą halucynację, w której model wypisuje transkrypt zupełnie niezwiązany z faktycznym audio”. Karty modeli NVIDIA nie zajmują w sprawie halucynacji stanowiska w żadną stronę; publikują zamiast tego dane o szumie, z angielskim współczynnikiem błędów rosnącym z 6,34% na czystym audio do 11,66% przy 0 dB stosunku sygnału do szumu. Dlaczego Whisper halucynuje opisuje poprawki po stronie Whispera.

Dla napisów tak małe różnice w dokładności znaczą mniej niż pominięcia. Model, który pomija zdanie, kosztuje więcej niż taki, który błędnie zapisuje nazwisko, więc przetestuj go na własnym klipie i szukaj najpierw tego, czego brakuje.

Jakie języki obsługuje Parakeet v3?

Dwadzieścia pięć, wszystkie europejskie: angielski, bułgarski, chorwacki, czeski, duński, estoński, fiński, francuski, grecki, hiszpański, litewski, łotewski, maltański, niderlandzki, niemiecki, polski, portugalski, rosyjski, rumuński, słowacki, słoweński, szwedzki, ukraiński, węgierski i włoski. Rozpoznaje, który z nich jest mówiony, bez żadnej podpowiedzi.

Cała reszta jest poza zasięgiem. Turecki, japoński, koreański, chiński, arabski, hindi, wietnamski, tajski, indonezyjski i perski to jedne z języków, których Parakeet v3 nie potrafi transkrybować. NVIDIA publikuje wprawdzie osobny Parakeet tylko dla japońskiego, ze starszej generacji, ale żaden wielojęzyczny Parakeet nie obejmuje języków azjatyckich ani tureckiego.

Nie wszystkie z 99 języków Whispera są też traktowane jednakowo: jego dokładność bardzo się różni między językami, jak mówi README OpenAI, a obsługiwane języki Whispera podają własny współczynnik błędów OpenAI dla każdego z nich. Ale słaby wynik w twoim języku to wciąż transkrypt, który możesz poprawić, a całkowity brak wyniku nim nie jest.

Według stanu na listopad 2026 strona NVIDIA na Hugging Face nie wymienia żadnego Parakeet v4. Jej nowsze wydania 0.6B to strumieniowy model angielski oraz jego wielojęzyczna wersja, która obejmuje te same 25 języków europejskich.

Gdzie uruchomić Parakeet na Windows i Macu?

Parakeet pochodzi z zestawu narzędzi NeMo od NVIDIA, frameworka w Pythonie, który jego karta modelu opisuje jako zoptymalizowany pod GPU NVIDIA, z Linuksem jako preferowanym systemem. Mało kto uruchamia go w ten sposób. Te aplikacje desktopowe go pakują, według ich własnych stron:

  • Vibe (Windows, Mac i Linux, darmowy i open source) uruchamia Whisper i Parakeet TDT v3 i eksportuje SRT, VTT oraz kilka formatów dokumentów.
  • Subtitle Edit (Windows, Mac i Linux, darmowy) dodał modele Parakeet do okna Speech to text w wersji 5.1, przez silnik CrispASR. Subtitle Edit z Whisper opisuje to okno.
  • MacWhisper (Mac) uruchamia Whisper i Parakeet na Apple Silicon i eksportuje SRT i VTT. Alternatywy dla MacWhisper na Windows porównują go z opcjami na Windows.
  • MacParakeet (Apple Silicon, darmowy i open source) jest zbudowany wokół Parakeet v3, eksportuje SRT i VTT i wprost mówi, że nie obsługuje chińskiego, japońskiego ani koreańskiego.
  • parakeet-mlx to narzędzie wiersza poleceń dla Apple Silicon, które domyślnie zapisuje SRT.
  • Handy (Windows, Mac i Linux, darmowy) używa Parakeet v3 do dyktowania, a nie do transkrypcji plików.

Po stronie Whispera porównanie Whisper GUI zestawia siedem aplikacji desktopowych i silnik, który uruchamia każda z nich.

Parakeet czy Whisper: czego użyć do napisów?

„Moje wideo jest po angielsku albo w innym z 25 języków Parakeet, a liczy się szybkość”. Wypróbuj Parakeet w Vibe albo Subtitle Edit. Jest szybszy, a w angielskich benchmarkach nieco dokładniejszy.

„Moje wideo jest po turecku, japońsku, koreańsku, chińsku, arabsku albo po hindi”. Użyj Whispera. Parakeet w ogóle nie transkrybuje tych języków.

„Pracuję w kilku językach i nie wszystkie są europejskie”. Użyj Whispera, żeby jedno narzędzie i jeden proces obsługiwały każde wideo.

„Potrzebuję napisów w innych językach, nie tylko w mówionym”. Żaden z modeli nie robi tego dobrze sam z siebie. Transkrybuj w języku mówionym modelem, który do niego pasuje, popraw transkrypt, a potem przetłumacz tekst.

„Transkrybuję długie nagrania”. Oba się nadają. W długich testach rankingu trzy modele są w granicach pół punktu od siebie, więc wybierz według języka i szybkości.

Dlaczego Sablate uruchamia Whispera, a nie Parakeet

Sablate transkrybuje za pomocą faster-whisper na twoim komputerze i nie oferuje Parakeet. Powodem są języki. Sablate jest zbudowany wokół jednej transkrypcji, która staje się napisami w wielu językach, a wideo źródłowe może być w dowolnym z 100 języków, czyli 99 języków Whispera plus kantoński. Model, który kończy się na 25 językach europejskich, nie obsłużyłby filmów po turecku, japońsku i koreańsku, które ludzie do niego wrzucają.

Ten kompromis jest prawdziwy i tam, gdzie ma zastosowanie, wygrywa go Parakeet. Na Macu Sablate uruchamia Whispera na GPU Apple Silicon przez whisper.cpp, ale dla angielskiego albo języka europejskiego MacWhisper lub MacParakeet uruchamiające Parakeet nadal skończą szybciej. Na Windows karta NVIDIA sprawia, że modele Whisper w Sablate działają mniej więcej pięć do dziesięciu razy szybciej niż na CPU, a rozsądnym wyborem domyślnym jest large-v3-turbo.

To, co dzieje się po transkrypcji, odróżnia Sablate od zwykłego transkrybera. Każde tłumaczenie jest warstwą na tych samych czasowaniach, offline przez Argos albo z własnym kluczem DeepL, OpenAI lub Claude, a każdy język zachowuje własny styl i własną czcionkę. Wyeksportuj pliki .srt albo .vtt, jeden .mkv ze ścieżką na język albo wypalony .mp4. Darmowy plan obejmuje modele Fast i Balanced; Pro dodaje Accurate (large-v3-turbo) i Best (large-v3) za $29 jednorazowo albo $5.99 miesięcznie.

W skrócie

Parakeet v3 jest szybszym modelem i, po angielsku, nieco dokładniejszym. Whisper to model, który rozumie twój język, jeśli nie należy on do 25 języków Parakeet. Do wideo po angielsku albo w języku europejskim wypróbuj Parakeet w darmowej aplikacji, takiej jak Vibe czy Subtitle Edit. Do wszystkiego innego albo do napisów, które trafią w kilku językach, zostań przy Whisper i skorzystaj z porównania modeli Whisper, żeby wybrać rozmiar.

Najczęściej zadawane pytania

Czy Parakeet jest lepszy od Whisper?

Dla angielskiego i 25 obsługiwanych języków europejskich Parakeet TDT 0.6B v3 jest szybszy i ma niższy współczynnik błędów niż Whisper large-v3 i turbo w Open ASR Leaderboard. Dla każdego innego języka nie wchodzi w grę, bo nie transkrybuje tureckiego, japońskiego, koreańskiego, chińskiego, arabskiego ani hindi. Whisper obsługuje 99 języków.

O ile szybszy jest Parakeet od Whisper?

Mniej więcej trzynaście razy szybszy niż Whisper large-v3 i osiem razy szybszy niż turbo w Open ASR Leaderboard, który zmierzył około 6 300 sekund audio na sekundę obliczeń dla Parakeet v3 na GPU klasy serwerowej. Na karcie graficznej do komputera albo na laptopie wartości bezwzględne są znacznie niższe i zależą od oprogramowania uruchamiającego każdy model.

Jakie języki obsługuje Parakeet v3?

Dwadzieścia pięć języków europejskich: angielski, bułgarski, chorwacki, czeski, duński, estoński, fiński, francuski, grecki, hiszpański, litewski, łotewski, maltański, niderlandzki, niemiecki, polski, portugalski, rosyjski, rumuński, słowacki, słoweński, szwedzki, ukraiński, węgierski i włoski. Sam wykrywa, który z nich jest mówiony. Parakeet v2, poprzednia wersja, transkrybuje tylko angielski.

Czy Parakeet potrafi transkrybować japoński, chiński, koreański albo turecki?

Nie. Żaden z nich nie jest na liście 25 języków Parakeet v3, podobnie jak arabski i hindi. NVIDIA ma osobny model Parakeet tylko dla japońskiego, ze starszej generacji, ale żaden wielojęzyczny Parakeet nie obejmuje języków azjatyckich ani tureckiego. Dla nich praktycznym wyborem lokalnym jest Whisper large-v3 albo turbo.

Czy Parakeet tłumaczy mowę tak jak Whisper?

Nie. Parakeet tylko transkrybuje, w języku, w którym mowa padła. Whisper large-v3 potrafi tłumaczyć mowę na angielski, choć turbo nie. Modelem NVIDIA do tłumaczenia mowy jest Canary-1B-v2, który tłumaczy między angielskim a 24 językami europejskimi. Do napisów w innych językach lepsze wyniki daje przetłumaczenie poprawionego transkryptu jako tekstu niż którykolwiek z tych modeli.