Whisper Large-v3 Turbo di OpenAI riduce il decoder da 32 a 4 livelli, facendo scendere i parametri da 1,55 miliardi a 809 milioni. Nei nostri test su Apple Silicon ha trascritto lo stesso audio circa 5 volte più velocemente, con una precisione quasi identica. Whisper Notes lo include su Mac e iPhone.
V3 Turbo vs V3: cosa è cambiato
Turbo non è una nuova architettura. È esattamente lo stesso modello Whisper Large-v3 con il decoder ridotto da 32 a 4 livelli, poi sottoposto a fine-tuning per recuperare la precisione. L'encoder è rimasto intatto.
| Large-v3 Turbo | Large-v3 | |
|---|---|---|
| Parametri | 809M | 1.550M |
| Livelli decoder | 4 | 32 |
| Lingue | 100+ | 100+ |
| Task di traduzione | Non supportato | Supportato |
| Licenza | MIT | Apache 2.0 |
Metodo: lo stesso file audio di 10 minuti è stato trascritto con la stessa build di Whisper Notes su ciascun dispositivo indicato. I tempi sono secondi effettivi dall'avvio della trascrizione al testo finale; tra V3 e Turbo è cambiato solo il modello.
Il task di traduzione è stato esplicitamente escluso dai dati di addestramento di Turbo. Il modello completo Large-v3 lo supporta, ma Whisper Notes include solo Turbo — la traduzione viene gestita separatamente tramite Apple Intelligence.
Il modello di base: che cos'è Whisper Large-v3?
Whisper Large-v3 è il modello open-source di punta di OpenAI per il riconoscimento vocale, rilasciato a novembre 2023. Ha 1,55 miliardi di parametri, usa uno spettrogramma di input a 128 mel-bin, è stato addestrato su 5 milioni di ore di audio (1 milione con etichette deboli + 4 milioni con pseudo-etichette) e supporta oltre 100 lingue, incluso il cantonese. Nella Open ASR Leaderboard di Hugging Face registra un tasso di errore per parola medio di circa il 7,4% — il tetto di precisione con cui Turbo viene confrontato in tutto questo articolo. Per vedere come Large-v3 si posiziona rispetto a tutti gli altri modelli on-device, consulta il nostro confronto dei modelli Whisper.
Benchmark di velocità: Whisper Notes su Apple Silicon
In Whisper Notes per Mac, Turbo gira tramite CoreML sul Neural Engine. Elaborazione di 10 minuti di audio:
| Dispositivo | Whisper V3 | V3 Turbo | Accelerazione |
|---|---|---|---|
| iPhone 15 Pro | 425 s | 82 s | 5.2× |
| iPad Pro M2 | 380 s | 71 s | 5.4× |
| MacBook Pro M2 | 316 s | 63 s | 5.0× |
L'accelerazione di 5× è specifica di Whisper Notes su Apple Silicon, dove il decoder più piccolo beneficia dell'ottimizzazione per il Neural Engine. Su GPU con framework come faster-whisper il divario si riduce a circa 2,7× (vedi i benchmark della community più sotto).
Precisione: confronto WER
La Open ASR Leaderboard di Hugging Face testa entrambi i modelli sugli stessi dataset in inglese. Il tasso di errore per parola di Turbo resta entro mezzo punto da quello di V3 su ogni benchmark:
| Dataset | V3 Turbo WER | V3 WER |
|---|---|---|
| LibriSpeech Clean | 2.10% | 2.01% |
| LibriSpeech Other | 4.24% | 3.91% |
| GigaSpeech | 10.14% | 10.02% |
| Earnings22 | 11.63% | 11.29% |
| AMI | 16.13% | 15.95% |
| WER medio | 7.83% | 7.44% |
V3 è leggermente più preciso su ogni dataset, ma il divario è minimo — 0,39 punti percentuali in media. Nella maggior parte delle trascrizioni reali la differenza non si sente.
Nella valutazione long-form YouTube-commons (uno dei più grandi benchmark ASR open-source), Turbo ottiene un WER del 13,40% contro il 13,20% di V3 — girando però a un fattore real-time di 129,5× contro 55,3×. Vale a dire 2,3 volte più veloce, con precisione quasi identica su audio reale.
Quanto è preciso Turbo in coreano, russo e altre lingue?
I benchmark qui sopra riguardano l'inglese. Secondo la model card di OpenAI, il decoder ridotto a 4 livelli di Turbo costa un po' più di precisione nelle lingue diverse dall'inglese, con il degrado maggiore sulle lingue a basse risorse. Per il russo e la maggior parte delle lingue europee Turbo resta vicino al Large-v3 completo — e se usi Whisper Notes, Parakeet V3 copre il russo e altre 24 lingue europee a una velocità 10 volte superiore a quella di Whisper.
Per coreano, giapponese, cinese e cantonese un modello dedicato è al tempo stesso più veloce e migliore nella punteggiatura: SenseVoice trascrive le lingue CJK a 52× real-time. Whisper Notes include SenseVoice accanto a Turbo sia su Mac sia su iOS, così puoi scegliere il modello giusto per ogni lingua invece di far passare tutto da uno solo.
Benchmark della community: GPU & CPU
Benchmark indipendenti delle community di faster-whisper e whisper.cpp mostrano risultati coerenti su hardware diversi. Trascrizione di 13 minuti di audio con faster-whisper su GPU:
| Modello | Precisione | Tempo | Memoria GPU | WER |
|---|---|---|---|---|
| Large-v3 Turbo | fp16 | 19.2 s | 2,537 MB | 1.92% |
| Large-v3 | fp16 | 52.0 s | 4,521 MB | 2.88% |
| Large-v3 Turbo | int8 | 19.6 s | 1,545 MB | 1.92% |
| Distil-Large-v3 | fp16 | 26.1 s | 2,409 MB | 2.39% |
Fonte: benchmark faster-whisper su GPU NVIDIA, split di validazione LibriSpeech clean. Turbo int8 usa solo 1,5 GB di VRAM — sta in una GPU da 2 GB.
L'inferenza batch su un RTX 3060 Laptop (6 GB di VRAM, precisione int8) spinge il vantaggio ancora più in là:
| Modello | Sequenziale | Batch (10) | WER batch |
|---|---|---|---|
| Large-v3 Turbo | 46.1 s | 18.7 s | 7.7% |
| Large-v3 | 230.8 s | 43.0 s | 7.9% |
| Large-v2 | 178.3 s | 43.2 s | 8.8% |
| Medium | 113.3 s | 26.3 s | 8.9% |
Fonte: benchmark di NilaierMusic, Intel i7-12650H + RTX 3060 Laptop 6 GB, audio in francese, precisione int8.
Con l'elaborazione batch, Turbo raggiunge il miglior WER tra tutti i modelli testati (7,7%) ed è anche il più veloce. È il punto di equilibrio ideale per l'uso in produzione.
Turbo vs Medium vs tutte le dimensioni dei modelli Whisper
Prima di Turbo, Medium era il compromesso abituale: precisione accettabile a una velocità tollerabile. Turbo rende obsoleto quel compromesso — con 809 milioni di parametri è appena più grande di Medium (769M), ma offre una precisione da classe large a una velocità diverse volte superiore. Ecco l'intera famiglia di modelli a confronto:
| Modello | Parametri | Dimensione su disco | Velocità relativa | Fascia di precisione |
|---|---|---|---|---|
| tiny | 39M | ~75 MB | ~10× | Minima |
| base | 74M | ~142 MB | ~7× | Bassa |
| small | 244M | ~466 MB | ~4× | Moderata |
| medium | 769M | ~1,5 GB | ~2× | Alta |
| large-v3 | 1.550M | ~2,9 GB | 1× (riferimento) | Massima |
| large-v3-turbo | 809M | ~1,6 GB | ~5× su Apple Silicon | Quasi massima |
Rilasciato il 30 settembre 2024, Turbo ha 809 milioni di parametri. Se sceglievi Medium per risparmiare spazio su disco o guadagnare velocità, oggi Turbo lo supera sia in precisione sia in velocità con un ingombro pressoché identico.
Limitazioni note (e come Whisper Notes le gestisce)
Nessuna traduzione integrata
Turbo è stato addestrato senza dati di traduzione. Trascrive solo nella lingua di origine — a differenza di Large-v3, che supporta la traduzione audio→inglese.
Whisper Notes — Apple Intelligence traduce automaticamente le trascrizioni nella lingua che scegli, dandoti un output bilingue indipendentemente dal modello in uso.
Più allucinazioni con audio rumoroso
Le segnalazioni della community indicano che Turbo produce più allucinazioni su clip molto brevi o registrazioni rumorose rispetto a V3. Prevedibile, visto il decoder ridotto (4 livelli contro 32).
Whisper Notes — esegue Pyannote VAD prima della trascrizione, individuando i segmenti di parlato ed eliminando silenzio e rumore, così il modello elabora solo voce reale.
Quale modello dovresti usare?
| Inglese / lingue europee | Parakeet V3 — 10 volte più veloce di Whisper, precisione migliore |
| Cinese / Giapponese / Coreano | SenseVoice — progettato per le lingue CJK, velocità 52× |
| Altre lingue | Whisper Large V3 Turbo — oltre 100 lingue, alta precisione, più lento |
FAQ su Whisper Large-v3 Turbo
Qual è la differenza tra Whisper Large-v3 e Large-v3 Turbo?
Large-v3 Turbo mantiene l'encoder di Large-v3 ma riduce il decoder da 32 a 4 livelli. Per questo è molto più veloce pur restando vicino alla precisione di Large-v3 nella trascrizione. Il compromesso è che Turbo non supporta il task di traduzione integrato di Whisper.
faster-whisper supporta Large-v3 Turbo?
Sì. faster-whisper supporta Large-v3 Turbo tramite le conversioni CTranslate2, e i benchmark della community mostrano che Turbo è un'ottima scelta quando la VRAM è limitata. Nel benchmark qui sopra, Turbo int8 ha usato circa 1,5 GB di VRAM.
whisper.cpp supporta Large-v3 Turbo?
Sì. whisper.cpp può eseguire le versioni GGML/GGUF convertite di Whisper Large-v3 Turbo. Se stai costruendo una tua pipeline di trascrizione locale, Turbo è spesso più facile da far girare su hardware consumer rispetto al Large-v3 completo.
Dove posso scaricare openai/whisper-large-v3-turbo?
I pesi ufficiali del modello sono pubblicati da OpenAI su Hugging Face. Gli utenti di Whisper Notes non devono scaricarli manualmente: l'app per Mac gestisce la configurazione del modello locale direttamente dall'interfaccia.
Stai confrontando tutte le opzioni locali? Ogni modello speech-to-text on-device — le varianti di Whisper, Parakeet V3, SenseVoice e Voxtral — è messo fianco a fianco nella nostra pagina di confronto dei modelli Whisper. Whisper è una novità per te? Parti dalla guida alla trascrizione con Whisper — che cos'è il modello, tutti i modi per eseguirlo e quanto costa.
Scarica per iOS