Whisper large-v3-turbo vs. Nemotron 3.5 Transcribe: welches nutzen?
Whisper large-v3-turbo ist klein und breit unterstützt; Nemotron 3.5 Transcribe ergänzt Sprecher-Labels und einen per Prompt steuerbaren Stil. Vergleichen Sie Speicher, Sprachen und Lizenzen.
Fazit. Whisper large-v3-turbo ist der kleine, breit unterstützte Standard: MIT-Lizenz, rund 6 GB GPU-Speicher und viele Community-Apps und Runtimes. Nemotron 3.5 Transcribe ist neuer (Oktober 2026) und deutlich größer (34B Parameter, 4.3B aktiv, rund 22 GB selbst im NVFP4-Build), aber Sie können ihm in natürlicher Sprache Sprecher-Labels, wörtlichen oder aufgeräumten Text sowie Übersetzung abverlangen. Es funktioniert nur auf fertigen Aufnahmen, nicht mit Live-Audio. Die Genauigkeitszahlen beider Entwickler sind deren eigene – testen Sie Ihr eigenes Audio.
Spezifikationen
| Spezifikationen | Whisper large-v3-turbo | Nemotron 3.5 Transcribe |
|---|---|---|
| Entwickler | OpenAI | NVIDIA |
| Erscheinungsdatum | 1. Oktober 2024 | 28. Oktober 2026 |
| Parameter insgesamt | 1.54B (large-v3) | 34B (BF16) |
| Aktive Parameter | Alle | 4.3B |
| Architektur | Sonstige | Mixture of Experts (MoE) |
| Kontextfenster | – | 64K Token |
| Eingabe | Audio | Audio, Text |
| Lizenz | MIT (Permissiv) | OpenMDW-1.1 (Permissiv) |
| Speicher für die kleinste Variante (4 Bit) | 6 GB (large-v3-turbo) | 25 GB (NVFP4) |
Leistungsangaben stammen vom Entwickler und wurden nicht unabhängig überprüft.
Wählen Sie Whisper large-v3-turbo, wenn
- Sie wollen die leichteste Option: rund 6 GB GPU-Speicher für das Turbo-Modell, und es läuft in vielen Community-Apps.
- Sie brauchen Satz- oder Wort-Zeitstempel für Untertitel.
- Sie wollen die MIT-Lizenz und die breiteste Tool-Unterstützung.
- Sie brauchen Übersetzung ins Englische: Nutzen Sie den large-v3-Checkpoint, das Turbo-Modell übersetzt nicht.
Wählen Sie Nemotron 3.5 Transcribe, wenn
- Sie brauchen Sprecher-Labels (in 13 Sprachen verfügbar) oder einen per Prompt steuerbaren Transkriptionsstil.
- Sie arbeiten mit medizinischen, juristischen oder technischen Aufnahmen und können die erwarteten Fachbegriffe liefern.
- Sie brauchen Übersetzung, die 31 von 40 Sprachen abdeckt.
- Sie haben eine große GPU (die Modellkarte zielt auf eine einzelne 80-GB-H100, der NVFP4-Build ist rund 22 GB) und verarbeiten nur fertige Aufnahmen bis zu einer Stunde.