Tamaños de modelo de Whisper explicados: Tiny vs Base vs Small vs Medium vs Large

Whisper de OpenAI viene en 9 variantes de modelo distribuidas en 5 categorías de tamaño: tiny (39M de parámetros), base (74M), small (244M), medium (769M) y large (1.55B). Cada tamaño tiene una versión multilingüe y una versión solo en inglés (excepto large y turbo, que son únicamente multilingües). También existe un modelo turbo (809M) — una versión destilada de large-v3 que es casi igual de precisa pero drásticamente más rápida. Los modelos más grandes son más precisos pero más lentos y requieren más memoria.

Para el formato cuantizado (GGML) de whisper.cpp que usan la mayoría de las apps de transcripción local, los archivos de modelo van desde 75 MB (tiny) hasta 2.9 GB (large). El uso de memoria en tiempo de ejecución va desde alrededor de 273 MB para tiny hasta 3.9 GB para large. El modelo adecuado depende de tu hardware, tu idioma y cuánta precisión necesites.

Última actualización: 17 de febrero de 2026. Las afirmaciones sobre parámetros, memoria y benchmarks se contrastan con al menos dos fuentes primarias.

• Familias de modelos oficiales y recuentos de parámetros: tiny/base/small/medium/large más turbo están documentados por OpenAI. README de OpenAI Whisper · Ficha del modelo Whisper
• Contexto de disco y memoria en tiempo de ejecución de GGML/GGUF: las huellas de implementación local provienen de la documentación de conversión/ejecución de whisper.cpp. whisper.cpp · Notas de memoria de whisper.cpp
• Advertencia sobre los benchmarks: el WER varía mucho según el conjunto de datos y el idioma; las cifras de LibriSpeech no son una puntuación universal de calidad. Artículo de Whisper · Ficha del modelo large-v2
• Posicionamiento del modelo turbo: turbo es una variante enfocada en la velocidad con compromisos de precisión documentados en las notas de versión/fichas de modelo. Ficha del modelo turbo · Discusión sobre el lanzamiento de turbo
• Contexto de uso en OpenWhispr: OpenWhispr expone varios tamaños de Whisper para que los usuarios ajusten velocidad/precisión en el dispositivo. OpenWhispr · Backend de whisper.cpp

El modelo tiny es la variante más pequeña y rápida de Whisper. Con apenas 39 millones de parámetros y un tamaño de archivo GGML de 75 MB, puede ejecutarse cómodamente en casi cualquier hardware — incluidas Raspberry Pi, portátiles antiguos y dispositivos móviles de gama baja. Transcribe a aproximadamente 10x la velocidad en tiempo real respecto al modelo large, lo que lo convierte en la mejor opción cuando la latencia importa más que una precisión perfecta.

En la variante tiny.en (solo inglés), el WER de LibriSpeech test-clean ronda el 5.6%, subiendo a ~14.9% en test-other (audio ruidoso/con acento). El modelo tiny multilingüe rinde algo peor en inglés pero admite los 99 idiomas de Whisper.

Tiny es ideal para notas rápidas, dictado de poca importancia, prototipos de subtitulado en vivo y dispositivos embebidos o de borde donde el cómputo es limitado. Es el modelo inicial por defecto de muchas herramientas basadas en whisper.cpp porque se descarga en segundos y se ejecuta al instante.

El modelo base duplica el número de parámetros de tiny (74M frente a 39M) sin dejar de ser muy ligero. Con 142 MiB (GGML) y ~388 MB de RAM en ejecución, sigue cabiendo cómodamente en prácticamente cualquier dispositivo moderno. La mejora de precisión respecto a tiny es notable — especialmente en audio ruidoso y voz con acento.

La variante base.en alcanza alrededor del 4.3% de WER en LibriSpeech test-clean y ~12.8% en test-other. Es una mejora significativa respecto a tiny.en (5.6% y 14.9% respectivamente), sobre todo en audio difícil.

Base es una buena opción para dispositivos de bajo consumo donde tiny no es del todo lo bastante preciso. También es popular en flujos de transcripción en tiempo real donde quieres un equilibrio entre velocidad y calidad sin superar los 500 MB de RAM.

Small es donde Whisper empieza a sentirse genuinamente preciso. Con 244M de parámetros, supone un salto de 3.3x respecto a base y aporta una mejora de precisión significativa — especialmente para idiomas distintos del inglés y grabaciones ruidosas. El archivo GGML pesa 466 MiB y el uso de RAM en ejecución ronda los 852 MB. Se ejecuta a cerca de 4x la velocidad de large.

La variante small.en alcanza alrededor del 3.0% de WER en LibriSpeech test-clean — un resultado notable para un modelo que cabe en menos de 500 MB. Para muchos casos de uso solo en inglés, small.en ofrece una precisión cercana a la de medium a una fracción del coste de recursos.

A menudo se recomienda small como modelo por defecto para la mayoría de los usuarios. Funciona bien en cualquier portátil moderno (incluido el MacBook Air M1 con 8 GB de RAM), ofrece buena precisión en varios idiomas y transcribe lo bastante rápido para flujos de dictado en tiempo real.

Medium es donde empiezan a notarse los rendimientos decrecientes — pero las ganancias de precisión sobre small siguen siendo significativas, especialmente en transcripción multilingüe, vocabulario técnico y condiciones de audio difíciles. Con 769M de parámetros, requiere 1.5 GiB de espacio en disco (GGML) y unos 2.1 GB de RAM en ejecución.

El modelo medium.en alcanza alrededor del 3.0% de WER en LibriSpeech test-clean y aproximadamente un 7.5% en test-other. Sin embargo, en benchmarks más amplios — sobre todo los que incluyen acentos variados, ruido de fondo y vocabulario especializado — medium supera de forma consistente a small.

Medium es una opción sólida para flujos de transcripción profesionales donde la precisión importa pero no tienes el hardware (ni la paciencia) para large. Funciona bien en máquinas con 8 GB o más de RAM y se beneficia notablemente de la aceleración por GPU.

El modelo large es la variante más precisa de Whisper, con 1.55 mil millones de parámetros. Hay tres versiones: large-v1 (el lanzamiento original), large-v2 (entrenado durante 2.5x más épocas con regularización añadida) y large-v3 (entrenado con más datos y 128 bandas de frecuencia Mel en lugar de 80). Large-v3 es la versión recomendada actualmente para una precisión máxima.

large-v2 vs large-v3

Qué modelo large usar: Para proyectos nuevos, usa large-v3. Es estrictamente mejor que large-v2 en promedio entre idiomas. Sin embargo, algunos usuarios han reportado que large-v2 produce menos alucinaciones (genera texto que no está presente en el audio) en ciertos casos límite con segmentos de audio muy silenciosos o en silencio. Si tienes problemas de alucinaciones con large-v3, prueba large-v2 como alternativa.

El modelo turbo es una versión destilada de large-v3 que reduce drásticamente el tiempo de inferencia conservando la mayor parte de la precisión. OpenAI lo logró podando el decodificador de 32 capas a tan solo 4 — recortando el número de parámetros de 1.550M a 809M. El codificador (que hace el trabajo pesado) permanece idéntico al de large-v3.

Turbo es la mejor opción cuando quieres una precisión cercana a large-v3 pero no puedes permitirte la latencia del modelo large completo. En GPU con optimizaciones como torch.compile, turbo puede lograr hasta 4.5x de mejora de velocidad sobre la inferencia estándar, lo que lo hace extremadamente rápido.

Para los tamaños tiny, base, small y medium, Whisper ofrece dos variantes: un modelo multilingüe y un modelo solo en inglés ( .en ). Los modelos large y turbo son únicamente multilingües — no hay versiones solo en inglés.

La diferencia de rendimiento entre los modelos .en y los multilingües es más marcada en los tamaños más pequeños. Para tiny y base, las variantes .en son notablemente mejores en inglés. Cuando llegas a small y medium, la diferencia se reduce considerablemente. En el nivel large, solo hay un modelo multilingüe — y rinde excelentemente en inglés de todos modos.

El hardware que necesitas depende en gran medida del tamaño del modelo y de si usas whisper.cpp (CPU/Metal/CUDA) o la implementación de PyTorch (orientada a GPU). Esto es lo que puedes esperar en clases de hardware habituales.

Backends de aceleración de whisper.cpp

whisper.cpp — el port en C/C++ que usan la mayoría de las apps de escritorio — admite varios backends de aceleración por hardware que pueden mejorar drásticamente el rendimiento:

Velocidad de transcripción aproximada

Factor de tiempo real (RTF) para un clip de audio de 60 segundos. Un RTF < 1.0 significa más rápido que el tiempo real. Son estimaciones aproximadas — el rendimiento real depende del contenido del audio, la cuantización del modelo y la carga del sistema.

Aquí tienes recomendaciones concretas basadas en escenarios habituales. Ante la duda, empieza por small y sube o baja según tu experiencia.

OpenWhispr es una app de dictado de escritorio de código abierto que usa whisper.cpp por debajo. Te permite descargar y cambiar entre cualquier modelo de Whisper directamente desde los ajustes — sin necesidad de línea de comandos. Los modelos se descargan una vez y se almacenan localmente. Puedes cambiar de modelo en cualquier momento para equilibrar velocidad y precisión según tu hardware.

• Radford et al. "Robust Speech Recognition via Large-Scale Weak Supervision" (2022) — El artículo original de Whisper con todos los resultados de los benchmarks.
• Repositorio de OpenAI Whisper en GitHub — Tabla oficial de modelos, recuentos de parámetros, requisitos de VRAM y cifras de velocidad relativa.
• Ficha del modelo OpenAI Whisper — Composición oficial de los datos de entrenamiento y advertencias sobre la evaluación.
• Repositorio de whisper.cpp en GitHub — Tamaños de modelo GGML, uso de RAM y detalles de aceleración por hardware.
• Ficha del modelo Whisper large-v2 (HuggingFace) — Contexto del benchmark de LibriSpeech usado en muchas comparaciones de WER.
• Ficha del modelo Whisper large-v3 (HuggingFace) — Detalles de entrenamiento, cambios de arquitectura respecto a large-v2 y mejoras multilingües.
• Ficha del modelo Whisper large-v3-turbo (HuggingFace) — Detalles de la arquitectura de turbo, especificaciones de la poda del decodificador y compromisos de rendimiento.
• Anuncio de OpenAI Whisper Turbo (GitHub Discussion #2363) — Notas oficiales del lanzamiento de turbo y comparaciones de rendimiento entre idiomas.
• OpenWhispr — Contexto práctico de implementación local para elegir tamaños de modelo.