Parakeet V3 vs Whisper: 10x mais rápido, melhor precisão (Benchmark)

Porque mudámos o modelo predefinido

O Whisper é excelente, mas foi concebido como um modelo de propósito geral. Lida com mais de 100 línguas, traduz, gera marcas temporais — um canivete suíço. O custo é a velocidade. Para ditado em inglês, quando só queres ver as palavras no ecrã depressa, é demasiado.

Havia uma coisa que me incomodava bastante: ao usar o ditado com a tecla Fn a nível de sistema com o Whisper, acabar uma frase de ~1 minuto significava esperar 3 a 5 segundos pela transcrição. Essa pausa quebra o ritmo. Paras de falar, esperas, ficas a olhar para o cursor — e a magia da escrita por voz desaparece.

O Parakeet mudou isso por completo. A velocidade é tal que a transcrição aparece no instante em que paras de falar. Falas, e as palavras simplesmente estão lá. Quando se experimenta essa sensação — esse fluxo contínuo, sem espera nenhuma — é muito difícil voltar ao Whisper.

Quão rápido é o Parakeet V3?

Os números falam por si. Eis uma comparação real com um ficheiro de áudio de 35 minutos no mesmo Mac:

10 vezes mais rápido. E como o modelo é mais pequeno (600M vs 800M parâmetros), gasta menos memória e menos bateria.

O que torna o Parakeet v3 tão rápido

O Whisper ouve o áudio como quem lê um livro em voz alta — palavra por palavra, frame por frame, sem saltar nada. Mesmo durante os silêncios, continua a processar, a adivinhar o que vem a seguir. É minucioso, mas lento.

O Parakeet segue uma abordagem radicalmente diferente. Comprime o sinal de áudio 8 vezes antes de o processar, para que o modelo veja apenas o que interessa. Depois, em vez de percorrer cada frame um a um, prevê não só que palavra disseste, mas quanto tempo essa palavra dura — e salta para a frente. Silêncio? Saltado. Uma vogal longa? Uma só previsão em vez de dezenas.

O resultado é um modelo que processa a fala como o teu cérebro — focando-se nas palavras e ignorando os intervalos. É por isso que é 10 vezes mais rápido, com menos parâmetros e maior precisão.

Benchmarks: Parakeet v3 vs Whisper

O Parakeet v3 iguala ou supera modelos 2 a 4 vezes maiores nos benchmarks FLEURS, CoVoST e MLS

No Open ASR Leaderboard do Hugging Face, o Parakeet v3 lidera a tabela com apenas 600M parâmetros — menos de metade dos 1,55 mil milhões do Whisper Large V3:

WER mais baixo = menos erros. RTFx mais alto = mais rápido. O Parakeet ganha em ambos. Com 600M parâmetros, é também o modelo mais pequeno da lista — o que significa que funciona lindamente em Apple Silicon com consumo mínimo de memória e bateria.

WER multilingue: todas as 25 línguas

A tabela acima cobre apenas o inglês. Aqui está o panorama completo — como os três modelos disponíveis no Whisper Notes se comparam nas 25 línguas que o Parakeet suporta, medidos no benchmark FLEURS. WER mais baixo = menos erros de transcrição. O melhor valor entre Large V3 e Parakeet é realçado por linha:

WER (%) no FLEURS. Dados do Whisper Small de Radford et al.; dados do Large V3 e Parakeet V3 do artigo NVIDIA Canary-1B-v2.

O Whisper Large V3 fica à frente na maioria das línguas vistas uma a uma, mas o Parakeet V3 fica muito perto na média (12,0% vs 12,6%), ganha em grego, francês, estónio e maltês, e corta a taxa média de erro do Whisper Small em cerca de 60%. A vantagem prática está na combinação: precisão multilingue ao nível do Large V3 a cerca de 23× a velocidade, uma pegada de execução mais pequena e uma gestão do silêncio muito mais fiável nos nossos testes de ditado.

Porque alucina menos em silêncio

Se já usaste o Whisper para ditado, provavelmente viste-o a alucinar durante os silêncios — a repetir frases, a inventar palavras ou a debitar um "Subtitles by Amara.org" vindo do nada. Isto acontece porque o descodificador autorregressivo do Whisper espera sempre produzir texto, mesmo quando não há nada para transcrever.

A arquitetura de transdutor do Parakeet pode emitir saídas em branco em vez de forçar um token de texto. Nos nossos testes de ditado a nível de sistema, isso torna-o muito menos propenso do que o Whisper a preencher uma pausa com texto repetido ou sem relação. Continua a ser um modelo de voz, por isso a afirmação correta é “menos propenso”, não “nunca”.

Línguas suportadas pelo Parakeet

O Parakeet v3 suporta 25 línguas: búlgaro, croata, checo, dinamarquês, neerlandês, inglês, estónio, finlandês, francês, alemão, grego, húngaro, italiano, letão, lituano, maltês, polaco, português, romeno, russo, eslovaco, esloveno, espanhol, sueco e ucraniano.

Isso cobre a maior parte da Europa, mas não o chinês, japonês, coreano, árabe ou hindi. Para chinês, japonês, coreano e cantonês, escolhe o SenseVoice; para árabe, hindi e outras línguas fora do conjunto do Parakeet, usa o Whisper Large V3 Turbo.

Seletor de modelos: Parakeet V3 (predefinido), SenseVoice Small, Whisper Small e Whisper Large V3 Turbo — todos a correr localmente

E o Parakeet V2?

Se usaste o V2, talvez te perguntes como se compara. O V2 era um modelo apenas para inglês — e a sua precisão em inglês é, na verdade, ligeiramente melhor do que a do V3 (WER de 6,05% vs 6,32%). O V3 troca essa pequena margem pelo suporte de 25 línguas. Ambos são significativamente mais precisos do que o Whisper.

Em resumo: se só precisas de inglês, tanto o V2 como o V3 são excelentes. O V3 é o predefinido no Whisper Notes porque o suporte multilingue é importante para a maioria dos utilizadores — e a diferença de precisão em inglês é insignificante.

E o WhisperKit?

O WhisperKit é o framework open-source em Swift da Argmax para executar modelos Whisper em dispositivos Apple. É uma ferramenta para programadores, não uma aplicação para o utilizador final — e executa o Whisper, não o Parakeet (que é a família de modelos da NVIDIA). Se quiseres transcrição no dispositivo ao estilo WhisperKit sem escreveres Swift, o Whisper Notes empacota a mesma ideia numa aplicação pronta a usar: Parakeet V3, Whisper Large V3 Turbo e SenseVoice, todos a correr localmente no Mac e no iPhone.

A comparar todas as opções locais? Todos os modelos de conversão de voz em texto no dispositivo — as variantes do Whisper, o Parakeet V3, o SenseVoice e o Voxtral — estão comparados lado a lado na nossa página de comparação de modelos Whisper. É a tua primeira vez com o Whisper? Começa pelo guia de transcrição com Whisper — o que é o modelo, todas as formas de o executar e quanto custa.

Perguntas frequentes

Experimenta

O Parakeet v3 já está disponível na versão para Mac — basta transferir o DMG mais recente. Atualização: o Parakeet já está disponível também na versão mais recente para iOS.

Perguntas ou sugestões? Envia um email para support@whispernotes.app.

Transferir para iOS Transferir para macOS