Tamanhos dos modelos Whisper explicados: Tiny vs Base vs Small vs Medium vs Large

O Whisper da OpenAI vem em 9 variantes de modelo distribuídas em 5 categorias de tamanho: tiny (39M de parâmetros), base (74M), small (244M), medium (769M) e large (1,55B). Cada tamanho tem uma versão multilíngue e uma versão somente em inglês (exceto large e turbo, que são apenas multilíngues). Há também um modelo turbo (809M) — uma versão destilada do large-v3 que é quase tão preciso, mas drasticamente mais rápido. Modelos maiores são mais precisos, porém mais lentos e exigem mais memória.

No formato quantizado (GGML) do whisper.cpp usado pela maioria dos apps de transcrição local, os arquivos de modelo variam de 75 MB (tiny) a 2,9 GB (large). O uso de memória em tempo de execução vai de cerca de 273 MB para o tiny a 3,9 GB para o large. O modelo certo depende do seu hardware, do seu idioma e de quanta precisão você precisa.

Última atualização: 17 de fevereiro de 2026. As afirmações sobre parâmetros, memória e benchmarks foram verificadas em pelo menos duas fontes primárias.

• Famílias oficiais de modelos e contagens de parâmetros: tiny/base/small/medium/large mais o turbo estão documentados pela OpenAI. README do Whisper da OpenAI · Cartão do modelo Whisper
• Contexto de disco e memória em tempo de execução GGML/GGUF: as pegadas de implantação local vêm da documentação de conversão/execução do whisper.cpp. whisper.cpp · Notas de memória do whisper.cpp
• Ressalva sobre benchmarks: a WER varia bastante por conjunto de dados e idioma; os números do LibriSpeech não são uma nota de qualidade universal. Artigo do Whisper · Cartão do modelo large-v2
• Posicionamento do modelo turbo: o turbo é uma variante focada em velocidade com trade-offs de precisão documentados nas notas de versão/cartões de modelo. Cartão do modelo turbo · Discussão de lançamento do turbo
• Contexto de uso no OpenWhispr: o OpenWhispr disponibiliza vários tamanhos do Whisper para que os usuários ajustem velocidade/precisão localmente. OpenWhispr · Backend whisper.cpp

O modelo tiny é a variante menor e mais rápida do Whisper. Com apenas 39 milhões de parâmetros e um arquivo GGML de 75 MB, ele roda confortavelmente em praticamente qualquer hardware — incluindo Raspberry Pi, notebooks antigos e dispositivos móveis de baixo custo. Ele transcreve a cerca de 10x a velocidade em tempo real em relação ao modelo large, tornando-se a melhor escolha quando a latência importa mais do que a precisão perfeita.

Na variante tiny.en (somente inglês), a WER no test-clean do LibriSpeech fica em torno de 5,6%, subindo para ~14,9% no test-other (áudio com ruído/sotaque). O modelo tiny multilíngue tem desempenho ligeiramente pior em inglês, mas suporta todos os 99 idiomas do Whisper.

O tiny é ideal para anotações rápidas, ditado de baixo risco, protótipos de legendagem ao vivo e dispositivos embarcados ou de borda onde a capacidade de processamento é limitada. É o modelo inicial padrão de muitas ferramentas baseadas em whisper.cpp, porque baixa em segundos e roda instantaneamente.

O modelo base dobra a contagem de parâmetros do tiny (74M vs 39M) mantendo-se bem leve. Com 142 MiB (GGML) e ~388 MB de RAM em execução, ele ainda cabe confortavelmente em praticamente qualquer dispositivo moderno. A melhora de precisão em relação ao tiny é perceptível — especialmente em áudio com ruído e fala com sotaque.

A variante base.en atinge cerca de 4,3% de WER no test-clean do LibriSpeech e ~12,8% no test-other. Isso é uma melhora significativa em relação ao tiny.en (5,6% e 14,9%, respectivamente), em especial em áudios desafiadores.

O base é uma boa escolha para dispositivos de baixa potência em que o tiny não é preciso o suficiente. Também é popular em pipelines de transcrição em tempo real onde você quer um equilíbrio entre velocidade e qualidade sem ultrapassar 500 MB de RAM.

O small é onde o Whisper começa a parecer genuinamente preciso. Com 244M de parâmetros, ele representa um salto de 3,3x em relação ao base e entrega uma melhora significativa de precisão — especialmente para idiomas que não o inglês e gravações com ruído. O arquivo GGML tem 466 MiB, e o uso de RAM em execução fica em torno de 852 MB. Ele roda a cerca de 4x a velocidade do large.

A variante small.en chega a cerca de 3,0% de WER no test-clean do LibriSpeech — um resultado notável para um modelo que cabe em menos de 500 MB. Para muitos casos de uso somente em inglês, o small.en oferece uma precisão próxima à do medium por uma fração do custo de recursos.

O small costuma ser recomendado como modelo padrão para a maioria dos usuários. Ele roda bem em qualquer notebook moderno (incluindo o MacBook Air M1 com 8 GB de RAM), entrega boa precisão em vários idiomas e transcreve rápido o suficiente para fluxos de ditado em tempo real.

O medium é onde os retornos decrescentes começam a aparecer — mas os ganhos de precisão em relação ao small ainda são relevantes, especialmente para transcrição multilíngue, vocabulário técnico e condições de áudio desafiadoras. Com 769M de parâmetros, ele exige 1,5 GiB de espaço em disco (GGML) e cerca de 2,1 GB de RAM em execução.

O modelo medium.en atinge cerca de 3,0% de WER no test-clean do LibriSpeech e aproximadamente 7,5% no test-other. No entanto, em benchmarks mais amplos — principalmente os com sotaques diversos, ruído de fundo e vocabulário específico de domínio — o medium supera consistentemente o small.

O medium é uma escolha forte para fluxos de transcrição profissionais em que a precisão importa, mas você não tem o hardware (ou a paciência) para o large. Ele roda bem em máquinas com 8 GB ou mais de RAM e se beneficia bastante da aceleração por GPU.

O modelo large é a variante mais precisa do Whisper, com 1,55 bilhão de parâmetros. Existem três versões: large-v1 (o lançamento original), large-v2 (treinado por 2,5x mais épocas, com regularização adicional) e large-v3 (treinado com mais dados e 128 faixas de frequência Mel em vez de 80). O large-v3 é a versão recomendada atualmente para máxima precisão.

large-v2 vs large-v3

Qual modelo large usar: Para projetos novos, use o large-v3. Ele é estritamente melhor que o large-v2 na média entre idiomas. No entanto, alguns usuários relataram que o large-v2 produz menos alucinações (gerar texto que não está presente no áudio) em casos extremos específicos com trechos de áudio muito baixos ou em silêncio. Se você encontrar problemas de alucinação com o large-v3, tente o large-v2 como alternativa.

O modelo turbo é uma versão destilada do large-v3 que reduz drasticamente o tempo de inferência mantendo a maior parte da precisão. A OpenAI conseguiu isso podando o decodificador de 32 camadas para apenas 4 camadas — cortando a contagem de parâmetros de 1.550M para 809M. O codificador (que faz o trabalho pesado) permanece idêntico ao do large-v3.

O turbo é a melhor escolha quando você quer precisão próxima à do large-v3, mas não pode arcar com a latência do modelo large completo. Na GPU, com otimizações como o torch.compile, o turbo pode atingir uma melhoria de velocidade de até 4,5x em relação à inferência padrão, tornando-o extremamente rápido.

Para os tamanhos tiny, base, small e medium, o Whisper oferece duas variantes: um modelo multilíngue e um modelo somente em inglês ( .en ). Os modelos large e turbo são apenas multilíngues — não há versões somente em inglês.

A diferença de desempenho entre os modelos .en e multilíngues é mais significativa nos tamanhos menores. Para o tiny e o base, as variantes .en são nitidamente melhores em inglês. Quando você chega ao small e ao medium, a diferença diminui consideravelmente. No nível large, há apenas um modelo multilíngue — e ele se sai excelente em inglês de qualquer forma.

O hardware de que você precisa depende muito do tamanho do modelo e de você estar usando o whisper.cpp (CPU/Metal/CUDA) ou a implementação em PyTorch (focada em GPU). Veja o que esperar nas classes de hardware mais comuns.

Backends de aceleração do whisper.cpp

O whisper.cpp — o port em C/C++ que a maioria dos apps de desktop usa — suporta vários backends de aceleração de hardware que podem melhorar drasticamente o desempenho:

Velocidade de transcrição aproximada

Fator de tempo real (RTF) para um clipe de áudio de 60 segundos. RTF < 1,0 significa mais rápido que tempo real. Estas são estimativas aproximadas — o desempenho real depende do conteúdo do áudio, da quantização do modelo e da carga do sistema.

Aqui estão recomendações concretas baseadas em cenários comuns. Na dúvida, comece pelo small e suba ou desça conforme sua experiência.

OpenWhispr é um app de ditado de desktop open source que usa o whisper.cpp por baixo dos panos. Ele permite que você baixe e alterne entre qualquer modelo Whisper diretamente nas configurações — sem precisar de linha de comando. Os modelos são baixados uma vez e armazenados localmente. Você pode trocar de modelo a qualquer momento para equilibrar velocidade e precisão de acordo com o seu hardware.

• Radford et al. "Robust Speech Recognition via Large-Scale Weak Supervision" (2022) — O artigo original do Whisper, com resultados completos de benchmark.
• Repositório do Whisper da OpenAI no GitHub — Tabela oficial de modelos, contagens de parâmetros, requisitos de VRAM e números de velocidade relativa.
• Cartão do modelo Whisper da OpenAI — Composição oficial dos dados de treinamento e ressalvas de avaliação.
• Repositório do whisper.cpp no GitHub — Tamanhos de modelo GGML, uso de RAM e detalhes de aceleração de hardware.
• Cartão do modelo Whisper large-v2 (HuggingFace) — Contexto do benchmark LibriSpeech usado em muitas comparações de WER.
• Cartão do modelo Whisper large-v3 (HuggingFace) — Detalhes de treinamento, mudanças de arquitetura em relação ao large-v2 e melhorias multilíngues.
• Cartão do modelo Whisper large-v3-turbo (HuggingFace) — Detalhes da arquitetura do turbo, especificidades da poda do decodificador e trade-offs de desempenho.
• Anúncio do Whisper Turbo da OpenAI (Discussão #2363 no GitHub) — Notas oficiais de lançamento do turbo e comparações de desempenho entre idiomas.
• OpenWhispr — Contexto prático de implantação local para a escolha de tamanhos de modelo.