Para um agente de voz de produção em 2026: use Parakeet TDT v3 se seu áudio são comandos curtos em inglês sobre CPU, use Whisper Large-v3-Turbo (via Groq ou auto-hospedado) se seus usuários falam com sotaque ou vocabulário de domínio, use Qwen3-ASR se você precisa de multilíngue com línguas mistas. A resposta completa depende de como seu áudio de fato se parece — e é aí que os números de benchmark deixam de ser úteis.
Os benchmarks dizem Parakeet. Os relatos de produção dizem “depende”. Ambos têm razão. Aqui está como essa dependência de fato se parece.
As cifras de WER da tabela acima são valores aproximados do conjunto de teste de inglês limpo do LibriSpeech segundo benchmarks publicados da NVIDIA e da OpenAI. O WER de produção varia bastante com as condições do áudio, o sotaque e o vocabulário de domínio.
Os três modelos e o que tentam fazer
Parakeet TDT v3 é o modelo ASR nativo de streaming da NVIDIA. TDT significa Token-and-Duration Transducer — uma arquitetura construída para inferência em tempo real mais que para transcrição offline. A versão v3 cobre 25 idiomas a 0,6B parâmetros. O Parakeet v2 é só inglês no mesmo tamanho e é consistentemente mais rápido em CPU que o v3 porque não carrega a sobrecarga multilíngue. Ambos entregam fatores de tempo real bem abaixo de 0,1 em CPU moderna — ou seja, um clipe de 10 segundos se transcreve em menos de 1 segundo sem GPU.
Whisper Large-v3-Turbo é a versão comprimida do Large-v3 da OpenAI, treinada para rodar a aproximadamente metade do custo de computação recuperando a maior parte da precisão. Não é tão rápido quanto o Parakeet em CPU, mas tem duas coisas que o Parakeet não: 99 idiomas com bom desempenho em todos eles, e quatro anos de deploy em produção através de centenas de apps derivados, o que significa que seus modos de falha estão bem documentados. No hardware de inferência da Groq, o Whisper Turbo hospedado entrega 300 ms de latência de ponta a ponta por requisição — mais rápido do que a maioria das configurações auto-hospedadas consegue em GPU de consumo.
Qwen3-ASR é a família de modelos ASR multilíngues da Alibaba de 2026, com a variante menor em 0,5B parâmetros. Compete com o Parakeet em tamanho e com o Whisper em amplitude de idiomas. A capacidade estrela dele é o suporte a línguas mistas — áudio que mistura hindi e inglês, ou espanhol e inglês, no mesmo enunciado. Este é um problema genuinamente difícil para o Whisper (cujos dados de treino são majoritariamente monolíngues por segmento) e onde a abordagem de treino do Qwen3-ASR lhe dá vantagem.
Nemotron ASR 3.5 — não na pergunta original mas aparecendo nas threads de produção em junho de 2026 — é o substituto streaming-first da NVIDIA para a família Canary. Projetado para deploy com NVIDIA NIM, faz benchmark mais rápido que o Parakeet e maneja 400+ sessões concorrentes por H100 segundo os primeiros relatos de produção. Tem um artefato de início a frio documentado onde os primeiros 1-2 segundos de cada sessão são menos precisos, o que importa mais num agente de voz que num pipeline de transcrição por lotes.
Precisão em números. No conjunto de teste de inglês limpo do LibriSpeech, o Parakeet TDT v2 (só inglês) atinge aproximadamente 2,5-4% WER, o Parakeet TDT v3 aproximadamente 3-5% WER (a sobrecarga multilíngue acrescenta um pequeno custo de precisão para o inglês), o Whisper Large-v3-Turbo aproximadamente 2-3% WER, e o Qwen3-ASR 0,5B aproximadamente 3-5% WER. O Whisper Large-v3 (completo, 1,5B parâmetros) atinge aproximadamente 2% WER — o teto de precisão a um custo de computação notável. Estas cifras são de benchmarks publicados da NVIDIA e da OpenAI sobre o conjunto de teste acadêmico padrão. A lacuna entre modelos se estreita bastante em áudio de produção com sotaques, ruído de fundo, ou frases conversacionais curtas.
O problema com as comparações de benchmark
Toda vez que alguém publica um benchmark comparando esses modelos, a seção de comentários produz de forma confiável duas observações:
- “O Parakeet ganha em velocidade e WER no conjunto de teste do LibriSpeech.”
- “Sim, mas meu áudio de produção não é o LibriSpeech.”
Ambas são verdadeiras. O conjunto de teste limpo do LibriSpeech é fala lida de audiolivros — articulada, silenciosa, neutra de sotaque, frases completas. O áudio de um agente de voz é fala conversacional, muitas vezes de um microfone de telefone ou notebook, muitas vezes com ruído de fundo, muitas vezes de falantes não nativos, muitas vezes frases de comando de 1-3 segundos em vez de parágrafos de 10-30 segundos.
Esses dois tipos de áudio favorecem modelos diferentes.
Para comandos conversacionais curtos (1-3 segundos, “Como está o tempo?” ou “Coloca um timer de 10 minutos”), a vantagem de arquitetura do Parakeet é substancial. A janela de contexto de 30 segundos do Whisper é projetada em torno de áudio de tamanho de documento. Em clipes muito curtos, o Whisper paga toda a sobrecarga de contexto por uma quantidade minúscula de fala real. A arquitetura de transducer do Parakeet processa cada token conforme chega — não acumula até 30 segundos. O resultado prático é o que um implantador de produção descreveu como um “salto enorme em WER” ao trocar de Whisper Turbo para Parakeet para frases de comando de 1-2 segundos.
Para fala com sotaque e vocabulário específico de domínio, a direção se inverte. O corpus de treino do Whisper é enormemente maior e mais diverso. Ele viu inglês indiano, inglês britânico, inglês australiano, inglês com sotaque alemão, e centenas de outras variantes em enorme quantidade. O Parakeet v3 é forte em inglês com sotaque mas mais estreito em dados de treino. Quando o vocabulário inclui terminologia específica de empresa, nomes de produto, siglas técnicas, e outras palavras de domínio que aparecem raramente nos dados de treino, a janela de contexto maior e a distribuição de treino mais rica do Whisper ganham de forma consistente.
Por isso a mesma pessoa pode dizer com verdade “fiz benchmark do Parakeet e é melhor” e “no meu agente de produção o Whisper é melhor” — estão otimizando para distribuições de áudio diferentes.
Como são os deploys de produção de verdade
Um padrão emerge nas threads de deploy de produção:
Whisper Turbo hospedado na Groq para concorrência baixa-média. A $0,04 por hora de áudio, o endpoint hospedado da Groq é difícil de superar para agentes de voz abaixo de algumas centenas de sessões concorrentes. A latência de ida e volta de 300 ms é competitiva com a inferência GPU auto-hospedada em hardware de consumo, e a experiência de desenvolvimento elimina por completo o problema do provisionamento de GPU. Para uma equipe que constrói um produto em vez de operar infraestrutura de GPU, este é o padrão prático em 2026.
Parakeet auto-hospedado para deploys na borda e limitados por CPU. Se você roda inferência em dispositivos de borda (NVIDIA Jetson, notebooks de consumo, SoCs móveis), o Parakeet v2 (só inglês INT8) a ~600 MB de RAM é a melhor opção atual. Um fator de tempo real abaixo de 0,1 significa que um comando de voz de 2 segundos se transcreve antes de o usuário ter terminado de processar o próprio pensamento. Nada mais neste tamanho de modelo o iguala.
Faster-Whisper (BF16) para GPU auto-hospedada com precisão do Whisper. O faster-whisper é uma reimplementação do Whisper baseada em CTranslate2 que roda 4× mais rápido que a implementação original em Python no mesmo hardware — o caminho de produção que seguia aparecendo para equipes que precisam de qualidade do Whisper com latência auto-hospedada, não whisper.cpp. A quantização BF16 numa A100 ou H100 chega a latência abaixo do segundo para clipes curtos mantendo a precisão perto da referência FP16. A quantização Whisper FP8-dynamic da RedHatAI é um experimento ativo para empurrar além.
Modelos de domínio ajustados para vocabulário especializado. O conselho consistente dos engenheiros que lançaram agentes de voz de produção: escolha qualquer um dos três modelos base, colete 500-2000 exemplos do seu áudio de produção real (com seus sotaques, terminologia e perfil de ruído específicos), ajuste, quantize para INT8 com ONNX, e faça o deploy. Os ganhos de ajustar com dados de domínio são maiores que os ganhos de trocar de modelo base. Os três modelos manejam bem conversas gerais de fábrica. As palavras técnicas, a terminologia específica de empresa, e as siglas de domínio são onde nenhum deles é confiável sem fine-tuning — a lacuna entre um modelo genérico e um ajustado em vocabulário especializado é bem maior que a lacuna entre Parakeet e Whisper sobre os mesmos dados de domínio.
As contas da latência
Para um agente de voz em tempo real com um pipeline STT → LLM → TTS, o passo de STT precisa contribuir com bem menos de 500 ms de latência percebida para parecer ágil. Aqui está como são os números realistas:
Parakeet TDT v3 em CPU (notebook moderno, clipe de 1-3 segundos): 50-150 ms. Isso é rápido o bastante para que o gargalo se desloque por completo para sua inferência de LLM. Se você roda um LLM local pequeno e seu TTS é rápido, o Parakeet em CPU pode produzir um pipeline totalmente local que parece ágil.
Whisper Turbo via Groq (clipe de 1-3 segundos): 200-350 ms incluindo a ida e volta pela rede. Rápido o bastante para a maioria dos agentes de voz. A latência de rede é a variável — se seus usuários estão geograficamente longe dos data centers da Groq, isso pode se esticar.
Whisper Turbo auto-hospedado (L40S ou H100 via nuvem): 150-400 ms conforme o modelo esteja quente, o tamanho de lote, e o comprimento do clipe. O problema de início a frio da GPU — a latência de carga do modelo — importa se você levanta e baixa instâncias de inferência de forma dinâmica.
Qwen3-ASR 0,5B em CPU (clipe de 1-3 segundos): 300-800 ms conforme o hardware. Mais lento que o Parakeet em CPU, mais rápido que o Whisper grande, competitivo com o Whisper Turbo em hardware decente.
Nemotron ASR 3.5 via NIM (H100): abaixo de 100 ms em escala, com o artefato de início a frio nos primeiros 1-2 segundos de cada sessão. A cifra de 400+ sessões concorrentes por H100 é o que o torna atraente para deploys de alto volume.
A questão multilíngue e de sotaque
A questão de como esses modelos manejam o inglês não neutro é a mais consequente para os deploys de produção e a pior servida pelos benchmarks publicados.
Inglês com sotaque indiano
O inglês com sotaque indiano é o sotaque de inglês não americano de maior volume na internet e o foco explícito de várias threads de deploy de produção. Os relatos de produção em 2026 pendem de forma consistente para o Whisper. A combinação de sotaque, variação de ritmo, e vocabulário misto técnico/conversacional (identificadores de código, nomes de produto de empresa, troca de código hinglish) é onde aparece a amplitude de treino do Whisper. Várias equipes relatam sair do faster-whisper (por latência) para o Whisper hospedado na Groq (por precisão com sotaque indiano) e aceitar a dependência hospedada como a troca certa.
Fala com línguas mistas (hinglish, spanglish)
O Qwen3-ASR é especificamente interessante para enunciados que trocam genuinamente de idioma no meio da frase. O Whisper maneja a troca de código de forma menos confiável porque seus segmentos de treino são majoritariamente monolíngues. A cobertura de 25 idiomas do Parakeet v3 melhora sobre o v2 mas não é projetada para a troca dentro do enunciado. O Qwen3-ASR foi treinado com dados de línguas mistas e a maneja estruturalmente melhor. Para um agente de voz onde os usuários misturam de forma natural hindi e inglês na mesma frase, o Qwen3-ASR merece um benchmark sobre seu áudio real antes de se comprometer com o Whisper.
Inglês com sotaque europeu
Para sotaques alemão, francês, espanhol e neerlandês a nível de vocabulário técnico, o domínio de dados de treino do Whisper se mantém. Os três modelos manejam bem os sotaques europeus limpos a nível de fonema; a divergência aparece no vocabulário de domínio — nomes de empresa, identificadores de produto, e siglas técnicas que aparecem raramente nos dados de treino de qualquer modelo.
Quando usar cada modelo
Use Parakeet TDT v3 quando:
- Seu agente de voz maneja comandos curtos (menos de 3 segundos) de falantes em inglês
- Você faz deploy em hardware CPU ou de borda onde o orçamento de latência é apertado
- Seu áudio é relativamente limpo e a variação de sotaque é limitada
- Você precisa só de inglês e quer o v2 para máxima velocidade em CPU
Use Whisper Turbo (via Groq ou auto-hospedado) quando:
- Seus usuários falam inglês com sotaque ou você precisa de vários idiomas
- Seu vocabulário inclui termos de domínio, siglas, ou nomes próprios
- Você quer um modelo testado com milhares de deploys de produção de modos de falha conhecidos
- Sua concorrência é baixa a média e a hospedagem gerenciada é aceitável
Use Qwen3-ASR quando:
- Você lida com línguas mistas (hinglish, spanglish, etc.)
- Você quer cobertura multilíngue competitiva a um tamanho de modelo pequeno
- Você está disposto a aceitar um modelo menos testado pela comunidade em troca da vantagem multilíngue
Considere Nemotron ASR 3.5 quando:
- Você roda infraestrutura de GPU NVIDIA e quer deploy NIM
- A alta concorrência (centenas de sessões por GPU) é um requisito duro
- Você pode contornar ou detectar o artefato de início a frio
A decisão de fine-tuning
Todo guia prático sobre ASR de produção acaba chegando à mesma conclusão: se a precisão sobre seu áudio específico é a restrição, o fine-tuning ganha da seleção de modelo. Isto não é uma ressalva — é um fato estrutural sobre como esses modelos funcionam.
Os modelos base são treinados para generalizar através de todos os tipos de áudio. Seu áudio de produção não é todos os tipos de áudio — é seus usuários, no seu caso de uso, com seu vocabulário. A informação no seu áudio de produção que distingue seu domínio do caso geral não está no modelo base, porque não poderia estar — seu produto não existia quando o modelo foi treinado.
Coletar 500-2000 exemplos do seu áudio de produção real, rotulá-los (ou usar um modelo existente para pseudo-rotulagem e depois corrigir erros), e ajustar por 1-10 horas de computação numa única A100 está ao alcance de qualquer equipe com um orçamento de engenharia. Os ganhos de precisão de ajustar sobre 1000 exemplos de domínio superam de forma consistente trocar de um modelo de fronteira para outro.
A quantização para INT8 via ONNX após o fine-tuning te dá eficiência de deploy sem uma perda de precisão substancial no domínio-alvo.
Onde o SnailText encaixa nesse quadro
O SnailText é um app de ditado de desktop, não um produto de infraestrutura para agentes de voz, mas traz Whisper e Parakeet TDT no mesmo binário — o que significa que rodamos exatamente esta comparação sobre hardware de consumo real em escala.
A lição prática disso: para ditado de desktop (frases de 5-30 segundos, escritório em casa silencioso, um só idioma, predominantemente inglês), Parakeet TDT v3 e Whisper Medium aterrissam em precisão similar para a maioria dos usuários. O Parakeet é mais rápido em CPU. Os modelos Whisper grandes melhoram a precisão para fala com sotaque de forma notável. O modelo certo depende do hardware que você tem na frente, não de um benchmark rodado no servidor de outra pessoa.
Você pode testar ambos em local no Mac ou Windows com o plano grátis — Whisper Tiny e Base vêm incluídos, Parakeet e os modelos Whisper maiores estão no Pro. A diferença entre modelos é algo que você sente de imediato sobre sua própria voz, que é o único benchmark que em última instância importa para seus usuários concretos.
A questão do agente de voz de produção é mais difícil porque a diversidade de áudio é mais ampla e as restrições de latência mais rígidas. Mas a lição de fundo é a mesma: o modelo que ganha sobre seu áudio é o que se deve lançar, e isso você descobre testando sobre seu áudio, não lendo um benchmark.