Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

Whisper large-v3 vs large-v3-turbo para transcrição

Fala para texto local: o modelo completo ou o turbo, mais rápido

Fatos do catálogo revisado

Fatos do catálogo revisado
EspecificaçãoWhisper large-v3Whisper large-v3-turbo
TarefaÁudio e vozÁudio e voz
Parâmetros1,55B809M
LicençaApache 2.0MIT
Uso comercialPermitidotexto da licençaPermitidotexto da licença
Qualidade · Open ASR Leaderboard (inglês, trechos curtos, 2026-05-22)7,44%WER média · menor é melhor · fonte7,83%WER média · menor é melhor · fonte
Memóriacaminho documentado pelo publicador a partir de 10 GB (CUDA)caminho documentado pelo publicador a partir de 6 GB (CUDA)
Checkpointficha oficialficha oficial

No Open ASR Leaderboard (inglês, trechos curtos, 2026-05-22), o Whisper large-v3 tem WER média de 7,44% e o Whisper large-v3-turbo 7,83%: o Whisper large-v3 erra 0,39 pontos percentualis a menos de palavras nos mesmos conjuntos de teste. Os checkpoints publicados, na GPU do próprio ranking, mesmo arquivo de resultados para os dois (commit 16743c6, coletado em 2026-10-20); não é uma execução no seu hardware. Escala: taxa média de erro por palavra (WER) em oito conjuntos de teste em inglês, %, menor é melhor.

Memória em três máquinas

A reserva de cada máquina é somada (placas de vídeo 2 GB; memória unificada e do sistema 25%, de 2 a 8 GB). Estimativas de planejamento, não execuções medidas.

Whisper large-v3 vs large-v3-turbo para transcrição: memória em três máquinas
MáquinaWhisper large-v3Whisper large-v3-turbo
RTX 3050 · 6 GB de VRAM10 GBAbaixo do mínimo documentado6 GBDentro de um caminho documentado
RTX 4060 · 8 GB de VRAM10 GBAbaixo do mínimo documentado6 GBDentro de um caminho documentado
MacBook Air 13 polegadas M4 · 16 GB unificadosSem caminho documentado para esta plataforma (um valor de CUDA não vale para um Mac)Sem caminho documentado para esta plataforma (um valor de CUDA não vale para um Mac)

Whisper large-v3: caminho documentado pelo publicador a partir de 10 GB (CUDA). Whisper large-v3-turbo: caminho documentado pelo publicador a partir de 6 GB (CUDA). Fórmulas

Tudo o que roda em cada máquina: RTX 3050 · 6 GB de VRAM · RTX 4060 · 8 GB de VRAM · MacBook Air 13 polegadas M4 · 16 GB unificados

Qual escolher

A ficha da OpenAI descreve o turbo como o large-v3 com menos camadas de decodificação: 0,809 bilhão de parâmetros contra 1,55, e a OpenAI documenta cerca de 6 GB de memória de GPU para o turbo contra 10 GB para o large-v3. Por isso o turbo cabe numa placa de 6 ou 8 GB. Os valores da OpenAI são para GPUs CUDA; não há caminho documentado para Mac, então essa linha fica com traço. A OpenAI diz que o turbo é muito mais rápido com pequena perda de precisão e o descreve como otimizado para transcrição. Nos resultados em inglês com trechos curtos do Open ASR Leaderboard (arquivo de 22/05/2026, coletado em 20/10/2026), o large-v3 tem taxa média de erro por palavra de 7,44% e o turbo de 7,83%, então o turbo abre mão de cerca de 0,4 ponto de precisão. Fora isso, a escolha fica entre memória, velocidade e licença: o large-v3 é Apache 2.0 na ficha do Hub e o turbo é MIT, e os dois permitem uso comercial.

Arquivos e comandos para rodar

O arquivo padrão da fonte coletada mais baixada, ou os comandos que cada ficha documenta. Não executados por este site.

Whisper large-v3

Formas documentadas de rodar

Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.

Preparação indicada antes pela fonte · Transformers
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate
Transformers · ficha do modelo · Usage
import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "openai/whisper-large-v3"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    torch_dtype=torch_dtype,
    device=device,
)

dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]

result = pipe(sample)
print(result["text"])
Preparação indicada antes pela fonte · Transformers
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate
Transformers · ficha do modelo · Usage
import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor
from datasets import Audio, load_dataset


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "openai/whisper-large-v3"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
dataset = dataset.cast_column("audio", Audio(processor.feature_extractor.sampling_rate))
sample = dataset[0]["audio"]

inputs = processor(
    sample["array"],
    sampling_rate=sample["sampling_rate"],
    return_tensors="pt",
    truncation=False,
    padding="longest",
    return_attention_mask=True,
)
inputs = inputs.to(device, dtype=torch_dtype)

gen_kwargs = {
    "max_new_tokens": 448,
    "num_beams": 1,
    "condition_on_prev_tokens": False,
    "compression_ratio_threshold": 1.35,  # zlib compression ratio threshold (in token space)
    "temperature": (0.0, 0.2, 0.4, 0.6, 0.8, 1.0),
    "logprob_threshold": -1.0,
    "no_speech_threshold": 0.6,
    "return_timestamps": True,
}

pred_ids = model.generate(**inputs, **gen_kwargs)
pred_text = processor.batch_decode(pred_ids, skip_special_tokens=True, decode_with_timestamps=False)

print(pred_text)
Preparação indicada antes pela fonte · Transformers
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate
Transformers · ficha do modelo · Chunked Long-Form
import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "openai/whisper-large-v3"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    chunk_length_s=30,
    batch_size=16,  # batch size for inference - set based on your device
    torch_dtype=torch_dtype,
    device=device,
)

dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]

result = pipe(sample)
print(result["text"])

Whisper large-v3-turbo

Formas documentadas de rodar

Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.

Preparação indicada antes pela fonte · Transformers
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate
Transformers · ficha do modelo · Usage
import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "openai/whisper-large-v3-turbo"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    torch_dtype=torch_dtype,
    device=device,
)

dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]

result = pipe(sample)
print(result["text"])
Preparação indicada antes pela fonte · Transformers
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate
Transformers · ficha do modelo · Usage
import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor
from datasets import Audio, load_dataset


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "openai/whisper-large-v3-turbo"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
dataset = dataset.cast_column("audio", Audio(processor.feature_extractor.sampling_rate))
sample = dataset[0]["audio"]

inputs = processor(
    sample["array"],
    sampling_rate=sample["sampling_rate"],
    return_tensors="pt",
    truncation=False,
    padding="longest",
    return_attention_mask=True,
)
inputs = inputs.to(device, dtype=torch_dtype)

gen_kwargs = {
    "max_new_tokens": 448,
    "num_beams": 1,
    "condition_on_prev_tokens": False,
    "compression_ratio_threshold": 1.35,  # zlib compression ratio threshold (in token space)
    "temperature": (0.0, 0.2, 0.4, 0.6, 0.8, 1.0),
    "logprob_threshold": -1.0,
    "no_speech_threshold": 0.6,
    "return_timestamps": True,
}

pred_ids = model.generate(**inputs, **gen_kwargs)
pred_text = processor.batch_decode(pred_ids, skip_special_tokens=True, decode_with_timestamps=False)

print(pred_text)
Preparação indicada antes pela fonte · Transformers
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate
Transformers · ficha do modelo · Chunked Long-Form
import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "openai/whisper-large-v3-turbo"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    chunk_length_s=30,
    batch_size=16,  # batch size for inference - set based on your device
    torch_dtype=torch_dtype,
    device=device,
)

dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]

result = pipe(sample)
print(result["text"])

Números que cada publicador informa

Os resultados de cada ficha, com a configuração de cada uma. Publicadores escolhem testes e configurações diferentes, então estes valores nunca são comparados entre publicadores aqui.

Whisper large-v3 · informado por OpenAI

A ficha do publicador não informa resultado de benchmark para este checkpoint (lida em 2026-10-25). não publicado na ficha · lida em 2026-10-25

Whisper large-v3-turbo · informado por OpenAI

A ficha do publicador não informa resultado de benchmark para este checkpoint (lida em 2026-10-25). não publicado na ficha · lida em 2026-10-25

Limites e datas

O benchmark de qualidade publicado não testa uma versão local quantizada. Estimativas de memória não medem velocidade nem garantem compatibilidade. Tamanho de repositório, quando disponível, não é VRAM. Fórmulas

Página atualizada em · Catálogo revisado em · Open ASR Leaderboard (inglês, trechos curtos, 2026-05-22), coletado em