Whisper large-v3-turbo vs Nemotron 3.5 Transcribe: ¿cuál usar?
Whisper large-v3-turbo es pequeño y está muy soportado; Nemotron 3.5 Transcribe añade etiquetas de hablante y estilo controlado por prompt. Compara memoria, idiomas y licencias.
Veredicto. Whisper large-v3-turbo es el estándar pequeño y bien soportado: licencia MIT, unos 6 GB de memoria de GPU y multitud de apps y runtimes de la comunidad. Nemotron 3.5 Transcribe es más nuevo (octubre de 2026) y mucho mayor (34B parámetros, 4.3B activos, unos 22 GB incluso en su build NVFP4), pero puedes pedirle en lenguaje natural etiquetas de hablante, texto literal o limpiado, y traducción. Solo funciona con grabaciones terminadas, no con audio en vivo. Las cifras de precisión de ambos desarrolladores son suyas, así que prueba con tu propio audio.
Especificaciones
| Especificaciones | Whisper large-v3-turbo | Nemotron 3.5 Transcribe |
|---|---|---|
| Desarrollador | OpenAI | NVIDIA |
| Lanzamiento | 1 de octubre de 2024 | 28 de octubre de 2026 |
| Parámetros totales | 1.54B (large-v3) | 34B (BF16) |
| Parámetros activos | Todos | 4.3B |
| Arquitectura | Otra | Mezcla de expertos (MoE) |
| Ventana de contexto | – | 64K tokens |
| Entrada | Audio | Audio, Texto |
| Licencia | MIT (Permisiva) | OpenMDW-1.1 (Permisiva) |
| Memoria de la variante más pequeña (4 bits) | 6 GB (large-v3-turbo) | 25 GB (NVFP4) |
Las afirmaciones de rendimiento provienen del desarrollador y no se han verificado de forma independiente.
Elige Whisper large-v3-turbo si
- Quieres la opción más ligera: unos 6 GB de memoria de GPU para el modelo turbo, y corre en muchas apps de la comunidad.
- Necesitas marcas de tiempo por frase o por palabra para subtítulos.
- Quieres la licencia MIT y el soporte de herramientas más amplio.
- Necesitas traducción al inglés: usa el checkpoint large-v3, porque el turbo no traduce.
Elige Nemotron 3.5 Transcribe si
- Necesitas etiquetas de hablante (disponibles en 13 idiomas) o un estilo de transcripción que puedas dirigir con un prompt.
- Trabajas con grabaciones médicas, legales o técnicas y puedes aportar los términos esperados.
- Necesitas traducción, que cubre 31 de sus 40 idiomas.
- Tienes una GPU grande (la ficha apunta a un solo H100 de 80 GB, y la build NVFP4 pesa unos 22 GB) y solo procesas grabaciones terminadas de hasta una hora.