Parakeet vs Whisper vs Nemotron: il miglior speech-to-text locale nel 2026

Per l'inglese e le principali lingue europee, NVIDIA Parakeet TDT 0.6B v3 è il miglior modello speech-to-text locale del 2026: supera Whisper large-v3 nell'accuratezza misurata, occupa un quarto dello spazio ed è molto più veloce su una normale CPU. Se vuoi vedere il testo apparire in diretta mentre parli, i nuovi modelli Nemotron di NVIDIA sono i primi modelli locali progettati esattamente per lo streaming. Se invece parli una delle tante lingue non coperte dai modelli NVIDIA, Whisper di OpenAI — con 99 lingue — resta la scelta giusta.

La sorpresa del 2026 è che Whisper non detiene più il primato di accuratezza tra i modelli aperti, mantenuto per tre anni. Ma la domanda «qual è il modello migliore?» è diventata una vera sfida a tre, perché ciascuno eccelle in un ambito diverso: Parakeet ottimizza l'accuratezza per watt, Nemotron la latenza e Whisper l'ampiezza della copertura. Questo articolo li confronta usando i dati delle rispettive schede e del leaderboard pubblico, senza impressioni vaghe né differenze gonfiate.

Ultimo aggiornamento: 18 luglio 2026. Sviluppiamo OpenWhispr, un'app di dettatura open source che include tutte e tre le famiglie; per questo le valutiamo e le supportiamo in produzione. È anche il nostro punto di vista: non vendiamo nessuno di questi modelli e i compromessi descritti di seguito sono gli stessi che spieghiamo ai nostri utenti.

• Parakeet TDT 0.6B v3 registra un tasso medio di errore sulle parole del 6.34% negli otto benchmark dell'Open ASR Leaderboard, con un throughput di 3,332× il tempo reale. 600M parametri, 25 lingue, licenza CC-BY-4.0. Scheda del modello Parakeet TDT v3 · Open ASR Leaderboard
• Whisper large-v3 ottiene circa il 7.4% nello stesso leaderboard e supporta 99 lingue con 1.55B parametri e licenza MIT. Repository OpenAI Whisper · Scheda del modello Whisper large-v3
• Nemotron Speech Streaming EN 0.6B registra un WER medio del 6.93% durante lo streaming (blocchi da 1.12 secondi), raggiunge il 2.32% su LibriSpeech test-clean ed è stato addestrato su 530,000 ore di audio. Scheda di Nemotron Streaming EN
• Nemotron 3.5 ASR copre 40 varianti locali in un unico modello di streaming da 600M con rilevamento automatico della lingua, pubblicato il 4 giugno 2026 con licenza OpenMDW. Scheda del modello Nemotron 3.5 ASR
• Tutte le dimensioni su disco e i comportamenti dell'app citati di seguito sono verificabili nel registro open source dei modelli di OpenWhispr. OpenWhispr su GitHub · Pagina dei modelli OpenWhispr

Sono tutti modelli gratuiti a pesi aperti, scaricabili ed eseguibili offline. Le loro architetture sono diverse, e spiegano quasi ogni differenza pratica.

I modelli vocali si misurano tramite il tasso di errore sulle parole (WER), cioè la percentuale di parole riconosciute male. Più è basso, meglio è. Il riferimento standard è l'Open ASR Leaderboard di Hugging Face, che calcola il WER medio su otto dataset inglesi eterogenei (riunioni, presentazioni finanziarie, TED Talk, audiolibri e altro), così un singolo dataset facile non può favorire un modello.

Il grafico va letto con onestà: ogni modello è pronto per la produzione e l'intero intervallo è di circa 1.5 punti. Nella dettatura quotidiana, 6.3% e 7.4% sembrano simili con audio pulito; le differenze emergono con audio difficile (accenti, rumore, gergo). I dati NVIDIA colpiscono per il costo con cui sono ottenuti: Parakeet raggiunge la sua accuratezza con 600M parametri contro 1.55B di Whisper, e Nemotron segna 6.93% durante lo streaming, senza poter conoscere l'audio successivo.

Sull'hardware del leaderboard, Parakeet TDT v3 trascrive a 3,332× il tempo reale: un'ora di audio in circa un secondo. Whisper large-v3 non arriva a un decimo. La ragione è nell'architettura: Whisper scrive la trascrizione token per token, aspettando ogni volta il passaggio precedente; un trasduttore legge l'audio una volta ed emette testo procedendo. Nessun ciclo né passaggi ripetuti per ogni parola.

Sul portatile i numeri assoluti sono inferiori, ma il rapporto resta: un paragrafo che Whisper large elabora in diversi secondi appare quasi subito con Parakeet, su CPU e senza GPU. Benchmark indipendenti riferiscono anche che i trasduttori NVIDIA consumano circa 8–10× meno energia per ora di audio rispetto a Whisper a qualità simile, un dato importante se detti tutto il giorno a batteria.

La risposta di Whisper è turbo (1.6GB), una versione distillata di large-v3 che scambia un po' di accuratezza per circa 8× la velocità di Whisper-large. È il Whisper giusto per la dettatura, ma riduce il divario senza chiuderlo. Per il confronto completo di tutte le dimensioni, consulta la nostra guida alle dimensioni dei modelli Whisper.

La regola generale è semplice. Per l'inglese o una delle principali lingue europee, vanno bene tutti e tre: scegli in base alla velocità. Nemotron 3.5 copre ora giapponese, coreano, vietnamita, arabo e hindi in streaming, una vera novità per i modelli locali. Per mandarino, thailandese, indonesiano, swahili o audio con frequenti cambi di lingua, Whisper resta l'unica opzione seria, e difficilmente cambierà presto.

Nello streaming, Nemotron non è solo un po' migliore: fa qualcosa che gli altri due non possono fare per architettura. Whisper elabora l'audio in finestre di 30 secondi e ricodifica tutto. Di fatto, Whisper «in diretta» è lo stesso modello batch ripetuto su audio sovrapposto: costoso, lento e instabile nei punti di giunzione. L'architettura con cache di Nemotron è stata addestrata per lo streaming: elabora solo il blocco più recente, conserva lo stato interno ed emette testo parziale con latenza configurabile da 80 millisecondi a 1.12 secondi.

Su larga scala la differenza di efficienza è enorme: NVIDIA dichiara 17× più stream simultanei rispetto al precedente modello di streaming sulla stessa GPU. Sul portatile il vantaggio è più semplice: il testo appare mentre parli, da un modello eseguito sulla tua CPU. Abbiamo descritto l'ingegneria necessaria per inserirlo in un'app desktop nel nostro approfondimento tecnico sull'ASR in streaming.

Se il testo in diretta non ti interessa — detti, ti fermi e vuoi la trascrizione finale — lo streaming non offre vantaggi e i modelli batch di Parakeet sono preferibili. Lo streaming serve per sottotitoli dal vivo, agenti vocali e anteprima della dettatura mentre parli.

Nessuno richiede una GPU. I modelli NVIDIA sono file ONNX quantizzati INT8 (631–680MB) che funzionano senza problemi su qualsiasi CPU recente — Apple Silicon o x86 — tramite sherpa-onnx, un binario nativo senza Python né PyTorch. Whisper funziona ovunque con whisper.cpp; small e turbo vanno bene su CPU, mentre large-v3 (3GB, ~10GB RAM) beneficia davvero dell'accelerazione.

Se hai una GPU, usala per Whisper: Metal è integrato in Apple Silicon e OpenWhispr offre runtime CUDA (NVIDIA) e Vulkan (AMD e Intel) con un clic e ripiego automatico sulla CPU in caso di errore. I trasduttori NVIDIA sono già tanto veloci su CPU che l'accelerazione GPU è poco rilevante per la dettatura.

Se la privacy è il motivo per cui scegli l'elaborazione locale, i tre modelli si equivalgono: l'audio viene elaborato sul computer e non viene mai caricato. Abbiamo approfondito questo compromesso in trascrizione locale o cloud.