Parakeet vs Whisper vs Nemotron: o melhor sistema local de voz para texto em 2026

Para inglês e os principais idiomas europeus, o NVIDIA Parakeet TDT 0.6B v3 é o melhor modelo local de voz para texto em 2026: supera o Whisper large-v3 em precisão medida, ocupa um quarto do espaço e é muito mais rápido numa CPU comum. Para texto que aparece ao vivo enquanto fala, os novos modelos de streaming Nemotron da NVIDIA são os primeiros modelos locais concebidos precisamente para isso. E para um dos muitos idiomas não cobertos pela NVIDIA, o Whisper da OpenAI — com 99 idiomas — continua a ser a escolha certa.

A surpresa de 2026 é que o Whisper já não detém a liderança de precisão entre modelos abertos que manteve durante três anos. Mas a pergunta «qual é o melhor?» tornou-se uma verdadeira disputa a três, pois cada modelo se destaca num aspeto: Parakeet otimiza a precisão por watt, Nemotron a latência e Whisper a abrangência. Este artigo compara-os com números das próprias fichas e do leaderboard público, sem impressões vagas nem exagerar as diferenças.

Última atualização: 18 de julho de 2026. Desenvolvemos o OpenWhispr, um aplicativo de ditado de código aberto que inclui as três famílias; por isso, testamos e suportamos todas em produção. Esse é também o nosso ponto de vista: não vendemos nenhum destes modelos, e os compromissos abaixo são os mesmos que explicamos aos nossos usuários.

• O Parakeet TDT 0.6B v3 tem WER médio de 6.34% nos oito testes do Open ASR Leaderboard, com débito de 3,332× tempo real. 600M parâmetros, 25 idiomas, licença CC-BY-4.0. Ficha do Parakeet TDT v3 · Open ASR Leaderboard
• O Whisper large-v3 obtém cerca de 7.4% no mesmo leaderboard e suporta 99 idiomas com 1.55B parâmetros e licença MIT. Repositório OpenAI Whisper · Ficha do Whisper large-v3
• O Nemotron Speech Streaming EN 0.6B obtém WER médio de 6.93% em streaming (blocos de 1.12 segundos), chega a 2.32% no LibriSpeech test-clean e foi treinado com 530,000 horas de áudio. Ficha do Nemotron Streaming EN
• O Nemotron 3.5 ASR cobre 40 variantes regionais num único modelo de streaming de 600M com deteção automática do idioma, lançado em 4 de junho de 2026 sob licença OpenMDW. Ficha do Nemotron 3.5 ASR
• Todos os tamanhos em disco e comportamentos no aplicativo referidos abaixo podem ser verificados no registro de modelos de código aberto do OpenWhispr. OpenWhispr no GitHub · Página de modelos do OpenWhispr

Os três são modelos gratuitos de pesos abertos, que pode descarregar e executar offline. As arquiteturas diferem e explicam quase todas as diferenças práticas.

Os modelos de voz são avaliados pela taxa de erro de palavras (WER) — a percentagem de palavras erradas. Quanto menor, melhor. A referência é o Open ASR Leaderboard da Hugging Face, que calcula a média do WER em oito conjuntos de dados variados em inglês (reuniões, apresentações de resultados, palestras TED, audiolivros e outros), impedindo que um único conjunto fácil favoreça um modelo.

Leia o gráfico com rigor: todos estes modelos estão prontos para produção, e a diferença total ronda 1.5 pontos. No ditado diário, 6.3% e 7.4% parecem semelhantes em áudio limpo; as diferenças surgem em áudio difícil (sotaques, ruído, jargão). O destaque dos números da NVIDIA é o custo: Parakeet atinge esta precisão com 600M parâmetros contra 1.55B do Whisper, e Nemotron regista 6.93% durante o streaming, sem conhecer o áudio futuro.

No hardware do leaderboard, o Parakeet TDT v3 transcreve a 3,332× tempo real — uma hora de áudio em cerca de um segundo. O Whisper large-v3 fica muito abaixo de um décimo disso. A razão é arquitetural: o Whisper escreve token a token, com cada passo à espera do anterior; um transdutor lê o áudio uma vez e emite texto à medida que avança. Sem ciclos nem idas e voltas por palavra.

Em um notebook, os números absolutos são menores, mas a proporção se mantém: um parágrafo que o Whisper large leva segundos para processar surge quase imediatamente com Parakeet, em CPU e sem GPU. Testes independentes indicam ainda que os transdutores NVIDIA usam cerca de 8–10× menos energia por hora de áudio do que o Whisper com qualidade comparável, relevante para quem dita todo o dia com bateria.

A resposta do Whisper é turbo (1.6GB), uma versão destilada do large-v3 que troca alguma precisão por cerca de 8× a velocidade do Whisper-large. É o Whisper certo para ditado, mas reduz a distância sem a eliminar. Consulte a comparação de tamanhos no nosso guia de tamanhos dos modelos Whisper.

A regra é simples. Para inglês ou um grande idioma europeu, qualquer um serve; escolha pela velocidade. Japonês, coreano, vietnamita, árabe e hindi já têm streaming no Nemotron 3.5, uma verdadeira estreia em modelos locais. Para mandarim, tailandês, indonésio, suaíli ou forte alternância de idiomas, Whisper continua a ser a única opção séria, e isso não deve mudar em breve.

No streaming, o Nemotron não é apenas um pouco melhor — faz algo que a arquitetura dos outros dois não permite. O Whisper processa áudio em janelas de 30 segundos e volta a codificar tudo. Por isso, Whisper «ao vivo» é o mesmo modelo em lote executado repetidamente sobre áudio sobreposto — dispendioso, lento e instável nas junções. A arquitetura com cache do Nemotron foi treinada para streaming: processa apenas o bloco mais recente, mantém o estado interno e emite texto parcial com latência configurável de 80 milissegundos a 1.12 segundos.

Em grande escala, a diferença de eficiência é enorme: a NVIDIA indica 17× mais streams simultâneos do que o modelo de streaming anterior na mesma GPU. Em um notebook, a vantagem é simples: o texto aparece enquanto você fala, a partir de um modelo na sua CPU. Explicamos a engenharia necessária para disponibilizá-lo em um aplicativo de desktop na nossa análise técnica de ASR em streaming.

Se não precisa de texto ao vivo — dita, para e quer a transcrição final — o streaming não acrescenta nada, e os modelos em lote do Parakeet são melhores. Streaming serve para legendas ao vivo, agentes de voz e a pré-visualização do ditado enquanto fala.

Nenhum precisa de GPU. Os modelos NVIDIA são arquivos ONNX quantizados em INT8 (631–680MB) que funcionam em qualquer CPU recente — Apple Silicon ou x86 — via sherpa-onnx, um binário nativo sem Python nem PyTorch. Whisper funciona em qualquer lugar com whisper.cpp; small e turbo são adequados para CPU, enquanto large-v3 (3GB, ~10GB RAM) beneficia realmente de aceleração.

Se tiver GPU, use-a com Whisper: Metal está integrado em Apple Silicon, e o OpenWhispr oferece runtimes CUDA (NVIDIA) e Vulkan (AMD e Intel) com um clique e retorno automático à CPU em caso de falha. Os transdutores NVIDIA já são tão rápidos em CPU que a aceleração GPU pouco acrescenta ao ditado.

Se a privacidade é a razão para usar modelos locais, os três são equivalentes: o áudio é processado no computador e nunca enviado. Saiba mais sobre essa escolha em transcrição local versus cloud.