Parakeet vs Whisper vs Nemotron: el mejor sistema local de voz a texto en 2026

Para inglés y los principales idiomas europeos, NVIDIA Parakeet TDT 0.6B v3 es el mejor modelo local de voz a texto de 2026: supera a Whisper large-v3 en precisión medida, ocupa una cuarta parte y funciona mucho más rápido en una CPU convencional. Si quieres que el texto aparezca en directo mientras hablas, los nuevos modelos de streaming Nemotron de NVIDIA son los primeros modelos locales diseñados justo para eso. Y si hablas uno de los muchos idiomas que los modelos NVIDIA no cubren, Whisper de OpenAI —con 99 idiomas— sigue siendo la opción adecuada.

La sorpresa de 2026 es que Whisper ya no conserva la corona de precisión entre los modelos abiertos que ostentó durante tres años. Pero «qué modelo es mejor» se ha convertido en una pregunta genuinamente a tres bandas, porque cada uno destaca en algo distinto: Parakeet optimiza la precisión por vatio, Nemotron la latencia y Whisper la amplitud de cobertura. Este artículo los compara con cifras de sus propias fichas y del leaderboard público: sin impresiones vagas ni exagerar las diferencias.

Última actualización: 18 de julio de 2026. Desarrollamos OpenWhispr, una aplicación de dictado de código abierto que incluye las tres familias de modelos; por eso evaluamos y mantenemos cada una en producción. Ese es también nuestro sesgo: no vendemos ninguno de estos modelos y las ventajas e inconvenientes que explicamos aquí son los mismos que contamos a nuestros usuarios.

• Parakeet TDT 0.6B v3 obtiene una tasa media de error de palabra del 6.34% en las ocho pruebas del Open ASR Leaderboard, con un rendimiento de 3,332× tiempo real. 600M parámetros, 25 idiomas y licencia CC-BY-4.0. Ficha del modelo Parakeet TDT v3 · Open ASR Leaderboard
• Whisper large-v3 obtiene aproximadamente un 7.4% en el mismo leaderboard y admite 99 idiomas con 1.55B parámetros y licencia MIT. Repositorio de OpenAI Whisper · Ficha del modelo Whisper large-v3
• Nemotron Speech Streaming EN 0.6B obtiene un WER medio del 6.93% durante el streaming (fragmentos de 1.12 segundos), alcanza el 2.32% en LibriSpeech test-clean y se entrenó con 530,000 horas de audio. Ficha de Nemotron Streaming EN
• Nemotron 3.5 ASR cubre 40 configuraciones regionales en un único modelo de streaming de 600M con detección automática del idioma, publicado el 4 de junio de 2026 con licencia OpenMDW. Ficha del modelo Nemotron 3.5 ASR
• Todos los tamaños en disco y comportamientos de la aplicación citados a continuación se pueden verificar en el registro de modelos de código abierto de OpenWhispr. OpenWhispr en GitHub · Página de modelos de OpenWhispr

Los tres son modelos gratuitos de pesos abiertos que puedes descargar y ejecutar sin conexión. Sus arquitecturas son distintas, y esa diferencia explica casi todo lo que notarás en la práctica.

Los modelos de voz se miden mediante la tasa de error de palabra (WER): el porcentaje de palabras que el modelo reconoce mal. Cuanto menor, mejor. La referencia habitual es el Open ASR Leaderboard de Hugging Face, que promedia el WER en ocho conjuntos de datos diversos en inglés (reuniones, presentaciones de resultados, charlas TED, audiolibros y más), de modo que un único conjunto sencillo no pueda favorecer a un modelo.

Hay que leer el gráfico con rigor: todos estos modelos están listos para producción y entre el mejor y el peor solo hay unos 1.5 puntos. En el dictado diario, un modelo con 6.3% y otro con 7.4% se perciben parecidos con audio limpio; las diferencias aparecen con audio difícil (acentos, ruido, jerga). Lo notable de las cifras de NVIDIA es el coste para conseguirlas: Parakeet alcanza esa precisión con 600M parámetros frente a los 1.55B de Whisper, y Nemotron registra un 6.93% mientras transmite, sin conocer en absoluto el audio posterior.

En el hardware del leaderboard, Parakeet TDT v3 transcribe a 3,332× tiempo real: una hora de audio en alrededor de un segundo. Whisper large-v3 no llega ni a una décima parte. La razón está en la arquitectura y se entiende fácilmente: Whisper escribe la transcripción token a token y cada paso espera al anterior, mientras que un transductor lee el audio una vez y emite el texto sobre la marcha. Sin bucles ni idas y vueltas por cada palabra.

En tu portátil las cifras absolutas son menores, pero la proporción se mantiene: un párrafo dictado que Whisper large tarda varios segundos en procesar aparece casi al instante con Parakeet, en CPU y sin GPU. Benchmarks independientes también indican que los transductores de NVIDIA consumen aproximadamente 8–10× menos energía por hora de audio que Whisper con una calidad comparable, algo importante si dictas todo el día con batería.

La respuesta de Whisper es turbo (1.6GB), una versión destilada de large-v3 que sacrifica algo de precisión para multiplicar por cerca de 8× la velocidad de Whisper-large. Es el Whisper adecuado para dictar, pero solo reduce la distancia, no la elimina. Consulta el desglose completo de todos los tamaños en nuestra guía de tamaños de modelos Whisper.

La regla general es sencilla. Para inglés o un idioma europeo importante sirve cualquiera de los tres: elige por velocidad. Nemotron 3.5 ya cubre japonés, coreano, vietnamita, árabe e hindi con streaming, toda una novedad entre los modelos locales. Para mandarín, tailandés, indonesio, suajili o audio que alterna mucho entre idiomas, Whisper sigue siendo la única opción seria, y no parece que vaya a cambiar pronto.

En streaming, Nemotron no solo mejora un poco a los demás: hace algo que los otros dos no pueden hacer por su arquitectura. Whisper procesa el audio en ventanas de 30 segundos y vuelve a codificar todo lo que ve. Por tanto, Whisper «en directo» es en realidad el mismo modelo por lotes ejecutado una y otra vez sobre audio solapado: costoso, con retraso e irregular en las uniones. La arquitectura con caché de Nemotron se entrenó para streaming: procesa solo el fragmento de audio más reciente, conserva su estado interno y emite texto parcial con una latencia configurable de 80 milisegundos a 1.12 segundos.

A escala, la diferencia de eficiencia es enorme: NVIDIA informa de 17× más streams simultáneos que con su modelo de streaming de la generación anterior en la misma GPU. Pero en un portátil la ventaja se percibe de forma más sencilla: el texto aparece mientras hablas desde un modelo que se ejecuta en tu propia CPU. Explicamos toda la ingeniería necesaria para incluirlo en una aplicación de escritorio en nuestro análisis técnico del ASR en streaming.

Si el texto en directo no te importa —dictas, paras y quieres la transcripción final— el streaming no te aporta nada, y los modelos por lotes de Parakeet son la mejor elección. El streaming sirve para subtítulos en directo, agentes de voz y una vista previa del dictado que aparece al mismo ritmo que hablas.

Ninguno de estos modelos necesita GPU. Los modelos NVIDIA se distribuyen como archivos ONNX cuantizados a INT8 (631–680MB) que funcionan con soltura en cualquier CPU reciente —Apple Silicon o x86— mediante sherpa-onnx, un binario nativo sin Python ni PyTorch. Whisper funciona en todas partes mediante whisper.cpp; los tamaños small y turbo van bien en CPU, mientras que large-v3 (3GB, ~10GB RAM) sí se beneficia de la aceleración.

Si tienes una GPU, aprovéchala con Whisper: Metal viene integrado en Apple Silicon y OpenWhispr ofrece runtimes CUDA (NVIDIA) y Vulkan (AMD e Intel) con un solo clic y retorno automático a la CPU si falla el runtime de GPU. Los transductores NVIDIA ya son tan rápidos en CPU que acelerarlos por GPU apenas aporta nada al dictado.

Y si la privacidad es lo que te lleva a usar un modelo local, los tres cumplen por igual: el audio se procesa en tu equipo y nunca se sube. Analizamos mejor esa elección en transcripción local frente a la nube.