Cuánto cuesta realmente no subir nada
Un modelo de voz que cabe en un navegador es más pequeño que uno que corre en un bastidor de servidores. Esta es la distancia entre ambos, medida sobre el mismo audio, para los nueve idiomas.
error por palabra, cuanto más bajo mejor · FLEURS test · n = 111–120 · 2026-09-26
Cómo se midió
A los dos sistemas se les dieron las mismas 150 frases por idioma del conjunto de prueba FLEURS de Google, en la misma máquina, con la misma normalización: mayúsculas y puntuación no cuentan. Una frase se excluye por completo si su texto de referencia, o la salida de cualquiera de los dos sistemas, contiene cifras: «1940» y «mil novecientos cuarenta» son ambos correctos y ninguna regla única normaliza eso en nueve idiomas. Se descartan las mismas frases para los dos sistemas, y descartarlas amplía la distancia en lugar de reducirla. El sistema de referencia es Whisper large-v3, el modelo que usan la mayoría de los servicios de transcripción en línea gratuitos, cuantizado a q5_0. Muchos servicios gratuitos usan en realidad una variante más pequeña de Whisper, así que la distancia mostrada aquí es la mayor que cabe esperar.
Lo que estos números no dicen
FLEURS es habla leída grabada en condiciones silenciosas, así que ambas columnas son optimistas frente a una grabación real de reunión. Fíjate en la distancia entre columnas, no en los valores absolutos. FLEURS además solo incluye español latinoamericano y portugués brasileño, por lo que las variantes europeas de esos dos idiomas no se miden por separado.
La velocidad es la fracción de tiempo real que necesita la transcripción: 0,20× significa que una hora de grabación tarda doce minutos. Medido en un portátil Apple con chip M; en tu equipo será distinto.