Parakeet vs Whisper: Velocidade, Precisão e Idiomas
Parakeet vs Whisper: o modelo da NVIDIA é mais rápido e vence nos testes em inglês, mas cobre 25 idiomas europeus contra 99 do Whisper. Qual usar para legendas.
Parakeet vs Whisper se resume ao idioma do seu vídeo. O Parakeet TDT 0.6B v3, da NVIDIA, é muito mais rápido do que o Whisper e, nos testes em inglês do Open ASR Leaderboard, mais preciso do que o Whisper large-v3 e o turbo. Mas ele cobre 25 idiomas europeus, e o Whisper cobre 99. Fora desses 25, incluindo turco, japonês, coreano, chinês, árabe e híndi, o Parakeet não é uma opção.
Isso torna a escolha mais fácil do que os gráficos de benchmark sugerem. Aqui estão os números dos model cards da NVIDIA e da OpenAI e do leaderboard, por que o Parakeet é tão rápido, onde o Whisper ainda ganha e quais programas para desktop rodam cada um.
Parakeet vs Whisper, lado a lado
Números conferidos em 16 de novembro de 2026 nos model cards da NVIDIA e da OpenAI e no Open ASR Leaderboard, atualizado pela última vez em 13 de novembro de 2026. A taxa de erro é a taxa média de erro de palavras em inglês do leaderboard; quanto menor, melhor. A velocidade é o RTFx dele: segundos de áudio transcritos por segundo de processamento, em uma única NVIDIA H200.
| Recurso | Parakeet TDT 0.6B v3 | Whisper large-v3 | Whisper large-v3-turbo |
|---|---|---|---|
| Criado por | NVIDIA | OpenAI | OpenAI |
| Parâmetros | 600 M | 1.550 M | 809 M |
| Idiomas | 25 europeus | 99 | 99 |
| Taxa de erro em inglês (leaderboard) | 7,04% | 8,24% | 8,75% |
| Taxa de erro em gravações longas (leaderboard) | 12,60% | 13,10% | 12,82% |
| Velocidade (RTFx) | ~6.320 | ~470 | ~810 |
| Turco, japonês, coreano, chinês, árabe, híndi | Não | Sim | Sim |
| Tradução de fala | Não | Para o inglês | Não |
| Timestamps por palavra | Sim | Sim | Sim |
| Licença | CC-BY-4.0 | MIT | MIT |
Duas linhas merecem uma segunda olhada. A linha de idiomas decide mais do que qualquer outra: um modelo mais rápido e mais preciso não vale nada se não consegue ouvir o seu idioma. E a linha de gravações longas, medida em teleconferências de resultados financeiros e entrevistas longas, deixa os três modelos a menos de meio ponto uns dos outros. A vantagem do Parakeet fica mais clara nos clipes curtos em inglês que formam a maior parte dos benchmarks.
O model card da NVIDIA também lista pontuação e maiúsculas automáticas, detecção automática de idioma e áudio de até 24 minutos em uma única passada com atenção completa, ou de até três horas com atenção local. O Whisper lida com qualquer duração percorrendo o áudio em janelas de 30 segundos, como descreve o README da OpenAI.
Por que o Parakeet é tão mais rápido do que o Whisper?
Os dois modelos são construídos de forma diferente. O Whisper é um transformer codificador-decodificador: o codificador ouve 30 segundos de áudio, e o decodificador escreve o texto um token por vez, cada token esperando o anterior. É nessa segunda metade que vai a maior parte do tempo, e por isso o large-v3-turbo, que mantém o codificador e reduz o decodificador de 32 para 4 camadas, roda cerca de oito vezes mais rápido do que o large-v3.
O Parakeet combina um codificador FastConformer com um decodificador TDT. TDT é a sigla de Token-and-Duration Transducer: a cada passo ele prevê o próximo token e quantos quadros de áudio esse token cobre, e assim consegue pular quadros em vez de visitar cada um. Seus autores mediram uma inferência até 2,82 vezes mais rápida do que a de um transducer convencional só por isso. Menos trabalho por segundo de áudio significa mais áudio por segundo de processamento.
Trate os números de velocidade do leaderboard como uma proporção, não como uma promessa. Eles vêm de uma GPU de data center. Em uma placa RTX em casa, ou em uma CPU de notebook, os dois modelos são muitas vezes mais lentos do que esses números, e o quanto o Parakeet continua mais rápido depende do software que o executa. Nós mesmos não o medimos em hardware de desktop, então não publicamos um número para isso.
O Parakeet é mais preciso do que o Whisper?
Em benchmarks em inglês, sim. O Parakeet v3 tem em média 7,04% de taxa de erro de palavras no conjunto atual de inglês do leaderboard, contra 8,24% do Whisper large-v3 e 8,75% do turbo. O antecessor só para inglês, o Parakeet v2, se sai um pouco melhor ainda, com 6,93%. Em gravações longas a diferença quase some: 12,60% para o Parakeet v3, 12,82% para o turbo, 13,10% para o large-v3.
Três ressalvas mantêm esses números em proporção:
- O leaderboard é majoritariamente em inglês. A aba multilíngue testa oito idiomas. O Parakeet v3 cobre seis deles e não tem pontuação para chinês nem híndi, então não recebe nenhuma média multilíngue. O Whisper large-v3 tem média de 7,76% nos oito.
- Benchmark não é o seu áudio. Uma diferença de um ponto percentual é cerca de uma palavra em cem. O seu microfone, os sotaques, a música e as falas sobrepostas mexem no resultado muito mais do que a classificação dos modelos.
- Os erros do Whisper são bem documentados, os do Parakeet nem tanto. O próprio artigo da OpenAI lista o Whisper “travando em loops de repetição” e “alucinação completa, em que o modelo produz uma transcrição totalmente sem relação com o áudio real”. Os model cards da NVIDIA não afirmam nada sobre alucinação, nem num sentido nem no outro; publicam números de ruído, com a taxa de erro em inglês subindo de 6,34% em áudio limpo para 11,66% a 0 dB de relação sinal-ruído. Por que o Whisper tem alucinações trata das correções do lado do Whisper.
Para legendas, diferenças de precisão tão pequenas importam menos do que omissões. Um modelo que pula uma frase custa mais do que um que erra a grafia de um nome, então teste em um clipe seu e procure primeiro o que está faltando.
Quais idiomas o Parakeet v3 suporta?
Vinte e cinco, todos europeus: búlgaro, croata, tcheco, dinamarquês, holandês, inglês, estoniano, finlandês, francês, alemão, grego, húngaro, italiano, letão, lituano, maltês, polonês, português, romeno, russo, eslovaco, esloveno, espanhol, sueco e ucraniano. Ele detecta qual deles está sendo falado sem que você precise dizer.
Todo o resto fica fora de alcance. Turco, japonês, coreano, chinês, árabe, híndi, vietnamita, tailandês, indonésio e persa estão entre os idiomas que o Parakeet v3 não consegue transcrever. A NVIDIA publica, sim, um Parakeet separado só para japonês, de uma geração mais antiga, mas nenhum Parakeet multilíngue cobre idiomas asiáticos nem o turco.
Os 99 idiomas do Whisper também não são todos iguais. A precisão dele varia muito de um idioma para outro, como diz o README da OpenAI, e os idiomas suportados pelo Whisper lista a taxa de erro da própria OpenAI para cada um. Mas um resultado fraco no seu idioma ainda é uma transcrição que você pode corrigir, e nenhum resultado não é.
Em novembro de 2026, a página da NVIDIA no Hugging Face não lista nenhum Parakeet v4. Os lançamentos mais novos de 0.6B são um modelo de streaming só para inglês e uma versão multilíngue dele que cobre os mesmos 25 idiomas europeus.
Onde rodar o Parakeet no Windows e no Mac?
O Parakeet vem do toolkit NeMo da NVIDIA, um framework em Python que o model card descreve como otimizado para GPUs NVIDIA, com o Linux como sistema preferido. Poucas pessoas o rodam assim. Estes programas para desktop o empacotam, segundo as páginas de cada um:
- Vibe (Windows, Mac e Linux, gratuito e de código aberto) roda o Whisper e o Parakeet TDT v3 e exporta SRT, VTT e vários formatos de documento.
- Subtitle Edit (Windows, Mac e Linux, gratuito) acrescentou modelos Parakeet à janela Speech to text na versão 5.1, por meio do mecanismo CrispASR. Subtitle Edit com Whisper trata dessa janela.
- MacWhisper (Mac) roda o Whisper e o Parakeet no Apple Silicon e exporta SRT e VTT. As alternativas ao MacWhisper para Windows o comparam com as opções para Windows.
- MacParakeet (Apple Silicon, gratuito e de código aberto) é construído em torno do Parakeet v3, exporta SRT e VTT e diz com todas as letras que não tem suporte a chinês, japonês nem coreano.
- parakeet-mlx é uma ferramenta de linha de comando para Apple Silicon que grava SRT por padrão.
- Handy (Windows, Mac e Linux, gratuito) usa o Parakeet v3 para ditado, e não para transcrever arquivos.
Para o lado do Whisper, a comparação de GUIs do Whisper lista sete programas para desktop e o mecanismo que cada um roda.
Parakeet ou Whisper: qual usar para legendas?
“Meus vídeos são em inglês, ou em outro dos 25 idiomas do Parakeet, e a velocidade importa.” Teste o Parakeet no Vibe ou no Subtitle Edit. Ele é mais rápido e, nos benchmarks em inglês, ligeiramente mais preciso.
“Meus vídeos são em turco, japonês, coreano, chinês, árabe ou híndi.” Use o Whisper. O Parakeet não transcreve esses idiomas de jeito nenhum.
“Trabalho com vários idiomas, e nem todos são europeus.” Use o Whisper, para que uma ferramenta e um fluxo de trabalho cubram todos os vídeos.
“Preciso de legendas em outros idiomas, não só no idioma falado.” Nenhum dos dois modelos faz isso bem sozinho. Transcreva no idioma falado com o modelo que o atende, corrija a transcrição e depois traduza o texto.
“Transcrevo gravações longas.” Qualquer um serve. Nos testes de formato longo do leaderboard, os três modelos ficam a menos de meio ponto uns dos outros, então escolha pelo idioma e pela velocidade.
Por que o Sablate roda o Whisper, e não o Parakeet
O Sablate transcreve com o faster-whisper no seu próprio computador e não oferece o Parakeet. O motivo são os idiomas. O Sablate foi feito em torno de uma transcrição que vira legendas em vários idiomas, e o vídeo de origem pode estar em qualquer um de 100 idiomas: os 99 do Whisper mais o cantonês. Um modelo que para em 25 idiomas europeus não cobriria os vídeos em turco, japonês e coreano que as pessoas trazem para ele.
A troca é real, e o Parakeet ganha onde se aplica. No Mac, o Sablate roda o Whisper na GPU do Apple Silicon por meio do whisper.cpp, mas, para inglês ou um idioma europeu, o MacWhisper ou o MacParakeet rodando o Parakeet ainda vai terminar mais rápido. No Windows, uma GPU NVIDIA deixa os modelos Whisper do Sablate de cinco a dez vezes mais rápidos do que a CPU, com o large-v3-turbo como padrão sensato.
O que acontece depois da transcrição é onde o Sablate se diferencia de um transcritor. Cada tradução é uma camada sobre os mesmos tempos, offline com o Argos ou com sua própria chave do DeepL, da OpenAI ou do Claude, e cada idioma mantém o próprio estilo e a própria fonte. Exporte arquivos .srt ou .vtt, um .mkv com uma faixa por idioma ou um .mp4 com legendas embutidas. O plano gratuito roda os modelos Fast e Balanced; o Pro acrescenta o Accurate (large-v3-turbo) e o Best (large-v3) por $29 em pagamento único ou $5.99 por mês.
Resumindo
O Parakeet v3 é o modelo mais rápido e, em inglês, o ligeiramente mais preciso. O Whisper é o modelo que entende o seu idioma se ele não for um dos 25 do Parakeet. Para vídeo em inglês ou em idiomas europeus, teste o Parakeet em um programa gratuito como o Vibe ou o Subtitle Edit. Para qualquer outro caso, ou para legendas que acabam em vários idiomas, fique com o Whisper e use a comparação de modelos Whisper para escolher um tamanho.
Perguntas frequentes
O Parakeet é melhor do que o Whisper?
Para o inglês e os 25 idiomas europeus que suporta, o Parakeet TDT 0.6B v3 é mais rápido e tem taxa de erro menor do que o Whisper large-v3 e o turbo no Open ASR Leaderboard. Para qualquer outro idioma, ele não é uma opção, porque não transcreve turco, japonês, coreano, chinês, árabe nem híndi. O Whisper cobre 99 idiomas.
Quanto mais rápido o Parakeet é do que o Whisper?
Cerca de treze vezes mais rápido do que o Whisper large-v3 e oito vezes mais do que o turbo no Open ASR Leaderboard, que mediu cerca de 6.300 segundos de áudio por segundo de processamento para o Parakeet v3 em uma GPU de data center. Em uma placa de vídeo de desktop ou notebook, os números absolutos são bem menores e dependem do software de cada modelo.
Quais idiomas o Parakeet v3 suporta?
Vinte e cinco idiomas europeus: búlgaro, croata, tcheco, dinamarquês, holandês, inglês, estoniano, finlandês, francês, alemão, grego, húngaro, italiano, letão, lituano, maltês, polonês, português, romeno, russo, eslovaco, esloveno, espanhol, sueco e ucraniano. Ele detecta automaticamente qual deles está sendo falado. O Parakeet v2, a versão anterior, transcreve apenas inglês.
O Parakeet transcreve japonês, chinês, coreano ou turco?
Não. Nenhum deles está na lista de 25 idiomas do Parakeet v3, e o árabe e o híndi também não. A NVIDIA tem um modelo Parakeet separado só para japonês, de uma geração mais antiga, mas nenhum Parakeet multilíngue cobre idiomas asiáticos nem o turco. Para esses, o Whisper large-v3 ou o turbo é a escolha prática para rodar localmente.
O Parakeet traduz fala como o Whisper?
Não. O Parakeet só transcreve, no idioma que foi falado. O Whisper large-v3 consegue traduzir fala para o inglês, embora o turbo não consiga. O modelo da NVIDIA para tradução de fala é o Canary-1B-v2, que traduz entre o inglês e 24 idiomas europeus. Para legendas em outros idiomas, traduzir a transcrição corrigida como texto dá resultados melhores do que qualquer um dos dois.