Le dimensioni dei modelli Whisper spiegate: Tiny vs Base vs Small vs Medium vs Large

Whisper di OpenAI è disponibile in 9 varianti di modello suddivise in 5 categorie di dimensione: tiny (39M di parametri), base (74M), small (244M), medium (769M) e large (1.55B). Ogni dimensione ha una versione multilingue e una versione solo inglese (tranne large e turbo, che sono solo multilingue). Esiste anche un modello turbo (809M) — una versione distillata di large-v3 quasi altrettanto accurata ma drasticamente più veloce. I modelli più grandi sono più accurati ma più lenti e richiedono più memoria.

Per il formato quantizzato (GGML) di whisper.cpp usato dalla maggior parte delle app di trascrizione locale, i file dei modelli vanno da 75 MB (tiny) a 2,9 GB (large). L'utilizzo di memoria a runtime varia da circa 273 MB per tiny fino a 3,9 GB per large. Il modello giusto dipende dal tuo hardware, dalla tua lingua e da quanta accuratezza ti serve.

Ultimo aggiornamento: 17 febbraio 2026. Le affermazioni su parametri, memoria e benchmark sono verificate incrociando almeno due fonti primarie.

• Famiglie di modelli ufficiali e numero di parametri: tiny/base/small/medium/large più turbo sono documentati da OpenAI. README di OpenAI Whisper · Model card di Whisper
• Contesto su spazio su disco GGML/GGUF e memoria a runtime: i requisiti di deployment locale provengono dalla documentazione di conversione/runtime di whisper.cpp. whisper.cpp · Note sulla memoria di whisper.cpp
• Avvertenza sui benchmark: il WER varia molto in base al dataset e alla lingua; i dati di LibriSpeech non sono un punteggio di qualità universale. Paper di Whisper · Model card di large-v2
• Posizionamento del modello turbo: turbo è una variante orientata alla velocità con compromessi di accuratezza documentati nelle note di rilascio e nelle model card. Model card di turbo · Discussione sul rilascio di turbo
• Contesto d'uso di OpenWhispr: OpenWhispr espone più dimensioni di Whisper così che gli utenti possano regolare velocità e accuratezza direttamente sul dispositivo. OpenWhispr · Backend whisper.cpp

Il modello tiny è la variante di Whisper più piccola e veloce. Con appena 39 milioni di parametri e una dimensione del file GGML di 75 MB, può girare senza problemi su quasi qualsiasi hardware — inclusi Raspberry Pi, laptop datati e dispositivi mobili di fascia bassa. Trascrive a circa 10 volte la velocità in tempo reale rispetto al modello large, rendendolo la scelta migliore quando la latenza conta più dell'accuratezza perfetta.

Sulla variante tiny.en (solo inglese), il WER su LibriSpeech test-clean è intorno al 5,6%, salendo a ~14,9% su test-other (audio rumoroso/con accenti). Il modello tiny multilingue ha prestazioni leggermente peggiori sull'inglese ma supporta tutte e 99 le lingue di Whisper.

Tiny è ideale per appunti veloci, dettatura a basso rischio, prototipi di sottotitolazione in tempo reale e dispositivi embedded o edge dove la potenza di calcolo è limitata. È il modello di partenza predefinito per molti strumenti basati su whisper.cpp perché si scarica in pochi secondi e gira istantaneamente.

Il modello base raddoppia il numero di parametri di tiny (74M contro 39M) pur rimanendo molto leggero. Con 142 MiB (GGML) e ~388 MB di RAM a runtime, sta comunque comodamente su praticamente qualsiasi dispositivo moderno. Il miglioramento di accuratezza rispetto a tiny è evidente — soprattutto su audio rumoroso e parlato con accenti.

La variante base.en raggiunge circa il 4,3% di WER su LibriSpeech test-clean e ~12,8% su test-other. È un miglioramento significativo rispetto a tiny.en (rispettivamente 5,6% e 14,9%), in particolare su audio impegnativo.

Base è un'ottima scelta per dispositivi a basso consumo dove tiny non è abbastanza accurato. È inoltre molto usato per pipeline di trascrizione in tempo reale dove serve un equilibrio tra velocità e qualità senza superare i 500 MB di RAM.

Small è il punto in cui Whisper inizia a risultare davvero accurato. Con 244M di parametri, rappresenta un salto di 3,3x rispetto a base e offre un miglioramento di accuratezza significativo — soprattutto per le lingue diverse dall'inglese e le registrazioni rumorose. Il file GGML è di 466 MiB e l'utilizzo di RAM a runtime è di circa 852 MB. Gira a circa 4 volte la velocità di large.

La variante small.en raggiunge circa il 3,0% di WER su LibriSpeech test-clean — un risultato notevole per un modello che sta in meno di 500 MB. Per molti casi d'uso solo inglese, small.en offre un'accuratezza vicina a medium a una frazione del costo in risorse.

Small è spesso consigliato come modello predefinito per la maggior parte degli utenti. Gira bene su qualsiasi laptop moderno (incluso un MacBook Air M1 con 8 GB di RAM), offre una buona accuratezza tra le lingue e trascrive abbastanza velocemente per flussi di dettatura in tempo reale.

Medium è il punto in cui iniziano a manifestarsi i rendimenti decrescenti — ma i guadagni di accuratezza rispetto a small restano significativi, soprattutto per la trascrizione multilingue, il vocabolario tecnico e le condizioni audio difficili. Con 769M di parametri, richiede 1,5 GiB di spazio su disco (GGML) e circa 2,1 GB di RAM a runtime.

Il modello medium.en raggiunge circa il 3,0% di WER su LibriSpeech test-clean e circa il 7,5% su test-other. Tuttavia, su benchmark più ampi — in particolare quelli con accenti diversi, rumore di fondo e vocabolario specifico di dominio — medium supera costantemente small.

Medium è un'ottima scelta per flussi di trascrizione professionali in cui l'accuratezza conta ma non hai l'hardware (o la pazienza) per large. Gira bene su macchine con 8 GB o più di RAM e beneficia notevolmente dell'accelerazione GPU.

Il modello large è la variante di Whisper più accurata, con 1,55 miliardi di parametri. Esistono tre versioni: large-v1 (il rilascio originale), large-v2 (addestrato per 2,5 volte più epoche con regolarizzazione aggiuntiva) e large-v3 (addestrato su più dati con 128 bin di frequenza Mel invece di 80). Large-v3 è la versione attualmente consigliata per la massima accuratezza.

large-v2 vs large-v3

Quale modello large usare: Per i nuovi progetti, usa large-v3. È in media nettamente migliore di large-v2 tra le lingue. Tuttavia, alcuni utenti hanno segnalato che large-v2 produce meno allucinazioni (generando testo non presente nell'audio) in casi limite specifici con segmenti audio molto silenziosi o privi di parlato. Se riscontri problemi di allucinazioni con large-v3, prova large-v2 come alternativa.

Il modello turbo è una versione distillata di large-v3 che riduce drasticamente il tempo di inferenza mantenendo gran parte dell'accuratezza. OpenAI ci è riuscita riducendo il decoder da 32 livelli a soli 4 — abbassando il numero di parametri da 1.550M a 809M. L'encoder (che svolge il lavoro più impegnativo) rimane identico a large-v3.

Turbo è la scelta migliore quando desideri un'accuratezza vicina a quella di large-v3 ma non puoi permetterti la latenza del modello large completo. Su GPU con ottimizzazioni come torch.compile, turbo può ottenere fino a 4,5x di miglioramento di velocità rispetto all'inferenza standard, risultando estremamente veloce.

Per le dimensioni tiny, base, small e medium, Whisper offre due varianti: un modello multilingue e un modello solo inglese ( .en ). I modelli large e turbo sono solo multilingue — non esistono versioni solo inglese.

Il divario di prestazioni tra i modelli .en e multilingue è più marcato alle dimensioni più piccole. Per tiny e base, le varianti .en sono nettamente migliori in inglese. Quando arrivi a small e medium, la differenza si riduce notevolmente. Al livello large esiste solo un modello multilingue — e funziona comunque in modo eccellente in inglese.

L'hardware che ti serve dipende molto dalla dimensione del modello e dal fatto che tu stia usando whisper.cpp (CPU/Metal/CUDA) o l'implementazione PyTorch (orientata alla GPU). Ecco cosa aspettarti sulle classi di hardware più comuni.

Backend di accelerazione di whisper.cpp

whisper.cpp — il port in C/C++ che usa la maggior parte delle app desktop — supporta diversi backend di accelerazione hardware che possono migliorare drasticamente le prestazioni:

Velocità di trascrizione approssimativa

Fattore tempo reale (RTF) per un clip audio di 60 secondi. Un RTF < 1,0 significa più veloce del tempo reale. Sono stime approssimative — le prestazioni effettive dipendono dal contenuto dell'audio, dalla quantizzazione del modello e dal carico del sistema.

Ecco alcune raccomandazioni concrete basate su scenari comuni. In caso di dubbio, parti da small e sali o scendi in base alla tua esperienza.

OpenWhispr è un'app desktop di dettatura open-source che usa whisper.cpp sotto il cofano. Ti permette di scaricare e passare da un modello Whisper all'altro direttamente dalle impostazioni — senza riga di comando. I modelli vengono scaricati una sola volta e archiviati in locale. Puoi cambiare modello in qualsiasi momento per bilanciare velocità e accuratezza in base al tuo hardware.

• Radford et al. "Robust Speech Recognition via Large-Scale Weak Supervision" (2022) — Il paper originale di Whisper con i risultati completi dei benchmark.
• Repository GitHub di OpenAI Whisper — Tabella ufficiale dei modelli, numero di parametri, requisiti di VRAM e dati di velocità relativa.
• Model card di OpenAI Whisper — Composizione ufficiale dei dati di addestramento e avvertenze sulla valutazione.
• Repository GitHub di whisper.cpp — Dimensioni dei modelli GGML, utilizzo di RAM e dettagli sull'accelerazione hardware.
• Model card di Whisper large-v2 (HuggingFace) — Contesto sui benchmark LibriSpeech usati in molti confronti di WER.
• Model card di Whisper large-v3 (HuggingFace) — Dettagli sull'addestramento, modifiche architetturali rispetto a large-v2 e miglioramenti multilingue.
• Model card di Whisper large-v3-turbo (HuggingFace) — Dettagli sull'architettura di turbo, specifiche sul pruning del decoder e compromessi di prestazioni.
• Annuncio di OpenAI Whisper Turbo (GitHub Discussion #2363) — Note ufficiali di rilascio di turbo e confronti di prestazioni tra le lingue.
• OpenWhispr — Contesto pratico di deployment locale per la scelta delle dimensioni dei modelli.