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 todos los 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 once 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 última columna es la tasa de error más baja publicada para cada idioma en FLEURS, por los propios desarrolladores del sistema o en un artículo de investigación: no la hemos medido nosotros. Esas cifras usan el conjunto de prueba completo y un cálculo más estricto que el nuestro: el mismo Whisper large-v3 obtiene aquí un 2,9 % en alemán, pero un 4,5–4,9 % en los datos publicados. En igualdad de condiciones, la distancia con los mejores sistemas en la nube es algo mayor de lo que muestran estas columnas.
ElevenLabs Scribe v1 (self-reported) · Mistral Voxtral Mini Transcribe V2 (Voxtral Realtime paper, Table 7) · Whisper large-v3 (OpenAI, large-v3 release) · NVIDIA Canary-1B-v2 (Canary-1B-v2 paper, Table 11)
Medido en esta página con Chrome en Apple M2 (8 cores), con 3 reconocedores en paralelo, como hace el sitio por defecto: unas 20 veces más rápido que el tiempo real. Los equipos con menos núcleos, los móviles y las pestañas en segundo plano van más lentos.