Whisper large-v3-turbo vs Nemotron 3.5 Transcribe: qual usar?
Whisper large-v3-turbo é pequeno e amplamente suportado; Nemotron 3.5 Transcribe adiciona rótulos de falante e estilo controlado por prompt. Compare memória, idiomas e licenças.
Veredito. O Whisper large-v3-turbo é o padrão pequeno e bem suportado: licença MIT, cerca de 6 GB de memória de GPU e muitos apps e runtimes da comunidade. O Nemotron 3.5 Transcribe é mais novo (outubro de 2026) e muito maior (34B parâmetros, 4.3B ativos, cerca de 22 GB até na build NVFP4), mas você pode pedir em linguagem natural rótulos de falante, texto literal ou limpo, e tradução. Ele só funciona em gravações prontas, não em áudio ao vivo. Os números de precisão dos dois desenvolvedores são deles, então teste com o seu próprio áudio.
Especificações
| Especificações | Whisper large-v3-turbo | Nemotron 3.5 Transcribe |
|---|---|---|
| Desenvolvedor | OpenAI | NVIDIA |
| Lançamento | 1 de outubro de 2024 | 28 de outubro de 2026 |
| Total de parâmetros | 1.54B (large-v3) | 34B (BF16) |
| Parâmetros ativos | Todos | 4.3B |
| Arquitetura | Outra | Mistura de especialistas (MoE) |
| Janela de contexto | – | 64K tokens |
| Entrada | Áudio | Áudio, Texto |
| Licença | MIT (Permissiva) | OpenMDW-1.1 (Permissiva) |
| Memória para a menor variante (4 bits) | 6 GB (large-v3-turbo) | 25 GB (NVFP4) |
As afirmações de desempenho vêm do desenvolvedor e não foram verificadas de forma independente.
Escolha Whisper large-v3-turbo se
- Você quer a opção mais leve: cerca de 6 GB de memória de GPU para o modelo turbo, e ele roda em muitos apps da comunidade.
- Você precisa de marcações de tempo por frase ou por palavra para legendas.
- Você quer a licença MIT e o suporte de ferramentas mais amplo.
- Você precisa de tradução para o inglês: use o checkpoint large-v3, porque o turbo não traduz.
Escolha Nemotron 3.5 Transcribe se
- Você precisa de rótulos de falante (disponíveis em 13 idiomas) ou de um estilo de transcrição controlável por prompt.
- Você trabalha com gravações médicas, jurídicas ou técnicas e pode fornecer os termos esperados.
- Você precisa de tradução, que cobre 31 dos seus 40 idiomas.
- Você tem uma GPU grande (a ficha mira um único H100 de 80 GB, e a build NVFP4 tem cerca de 22 GB) e só processa gravações prontas de até uma hora.