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
| Especificação | Whisper large-v3 | Whisper large-v3-turbo |
|---|---|---|
| Tarefa | Áudio e voz | Áudio e voz |
| Parâmetros | 1,55B | 809M |
| Licença | Apache 2.0 | MIT |
| Uso comercial | Permitidotexto da licença | Permitidotexto da licença |
| Qualidade · Open ASR Leaderboard (inglês, trechos curtos, 2026-05-22) | 7,44%WER média · menor é melhor · fonte | 7,83%WER média · menor é melhor · fonte |
| Memória | caminho documentado pelo publicador a partir de 10 GB (CUDA) | caminho documentado pelo publicador a partir de 6 GB (CUDA) |
| Checkpoint | ficha oficial | ficha 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.
| Máquina | Whisper large-v3 | Whisper large-v3-turbo |
|---|---|---|
| RTX 3050 · 6 GB de VRAM | 10 GBAbaixo do mínimo documentado | 6 GBDentro de um caminho documentado |
| RTX 4060 · 8 GB de VRAM | 10 GBAbaixo do mínimo documentado | 6 GBDentro de um caminho documentado |
| MacBook Air 13 polegadas M4 · 16 GB unificados | Sem 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.
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerateimport 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"])pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerateimport 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)pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerateimport 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.
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerateimport 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"])pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerateimport 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)pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerateimport 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
Whisper large-v3-turbo · informado por OpenAI
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