Especificaciones de Modelos

Especificaciones técnicas detalladas para todos los modelos de transcripción compatibles con FloWords.

---

Resumen de Modelos Whisper

Whisper es el sistema de reconocimiento automático de voz (ASR) de OpenAI. FloWords usa whisper.cpp, una implementación optimizada en C++ para Apple Silicon.

Comparación de Modelos

Modelo	Parámetros	Tamaño	VRAM	WER Inglés	Factor de Velocidad
Tiny	39M	75 MB	~1 GB	8.4%	~32x
Tiny.en	39M	75 MB	~1 GB	7.5%	~32x
Base	74M	142 MB	~1.5 GB	5.0%	~16x
Base.en	74M	142 MB	~1.5 GB	4.3%	~16x
Small	244M	466 MB	~2 GB	3.4%	~6x
Small.en	244M	466 MB	~2 GB	3.0%	~6x
Medium	769M	1.5 GB	~5 GB	2.5%	~2x
Medium.en	769M	1.5 GB	~5 GB	2.1%	~2x
Large-v3	1550M	3 GB	~10 GB	2.0%	~1x

Nota

WER = Tasa de Error de Palabras (menor es mejor). Factor de Velocidad es relativo al modelo Large (mayor es más rápido).

---

Detalles de Modelos Whisper

Tiny

Nombre: Whisper Tiny
Parámetros: 39 millones
Tamaño de Archivo: 75 MB
Uso de Memoria: ~1 GB
Capas: 4 codificador, 4 decodificador
Dimensión: 384
Cabezas: 6

Mejor para:

• Notas rápidas
• Sistemas de poca memoria
• Transcripción más rápida

Compromisos:

• Menor precisión
• Puede tener problemas con acentos
• Manejo limitado de ruido

---

Base

Nombre: Whisper Base
Parámetros: 74 millones
Tamaño de Archivo: 142 MB
Uso de Memoria: ~1.5 GB
Capas: 6 codificador, 6 decodificador
Dimensión: 512
Cabezas: 8

Mejor para:

• Uso diario general
• Buen balance de velocidad y precisión
• La mayoría de configuraciones Mac

Compromisos:

• Precisión moderada
• Algunos errores con términos técnicos

---

Small

Nombre: Whisper Small
Parámetros: 244 millones
Tamaño de Archivo: 466 MB
Uso de Memoria: ~2 GB
Capas: 12 codificador, 12 decodificador
Dimensión: 768
Cabezas: 12

Mejor para:

• Necesidades de mejor precisión
• Trabajo profesional
• Cuando velocidad no es crítica

Compromisos:

• Más lento que Tiny/Base
• Mayores requisitos de memoria

---

Medium

Nombre: Whisper Medium
Parámetros: 769 millones
Tamaño de Archivo: 1.5 GB
Uso de Memoria: ~5 GB
Capas: 24 codificador, 24 decodificador
Dimensión: 1024
Cabezas: 16

Mejor para:

• Transcripción profesional
• Condiciones de audio desafiantes
• Habla con acento

Compromisos:

• Uso significativo de memoria
• Procesamiento más lento
• Requiere 8GB+ RAM

---

Large-v3

Nombre: Whisper Large v3
Parámetros: 1550 millones
Tamaño de Archivo: 3 GB
Uso de Memoria: ~10 GB
Capas: 32 codificador, 32 decodificador
Dimensión: 1280
Cabezas: 20

Mejor para:

• Máxima precisión
• Audio difícil
• Producción profesional

Compromisos:

• Uso muy alto de memoria
• Procesamiento más lento
• Requiere 16GB+ RAM

---

Modelos Solo Inglés

Modelos que terminan en .en están optimizados solo para inglés:

Modelo	Multilingüe	Solo Inglés
Tiny	tiny	tiny.en
Base	base	base.en
Small	small	small.en
Medium	medium	medium.en
Large	large-v3	(Sin variante .en)

Ventajas de Modelos .en

• Procesamiento más rápido - Sin detección de idioma
• Ligeramente mejor precisión - Optimizado para inglés
• Menor uso de recursos - Vocabulario efectivo más pequeño

Consejo

Si solo transcritas inglés, usa modelos .en para mejor rendimiento.

---

Modelos Parakeet

Modelos Parakeet de NVIDIA vía framework FluidAudio.

Parakeet RNNT

Nombre: Parakeet RNNT
Arquitectura: RNN-Transducer
Enfoque: ASR inglés en tiempo real
Latencia: Muy baja
Streaming: Sí

Mejor para:

• Transcripción en tiempo real
• Dictado en vivo
• Contenido en inglés

Parakeet vs Whisper

Aspecto	Whisper	Parakeet
Idiomas	99+	Enfoque inglés
Precisión	Mayor	Buena
Latencia	Mayor	Menor
Streaming	Limitado	Nativo
Memoria	Mayor	Menor

---

Rendimiento de Modelo por Hardware

Apple Silicon

M1

Modelo	Recomendado	Rendimiento
Tiny	✓ Excelente	~30x tiempo real
Base	✓ Excelente	~15x tiempo real
Small	✓ Bueno	~5x tiempo real
Medium	⚠️ Usable	~2x tiempo real
Large	⚠️ Lento	~0.5x tiempo real

M1 Pro/Max

Modelo	Recomendado	Rendimiento
Tiny	✓ Excelente	~40x tiempo real
Base	✓ Excelente	~20x tiempo real
Small	✓ Excelente	~8x tiempo real
Medium	✓ Bueno	~3x tiempo real
Large	✓ Usable	~1x tiempo real

M2/M3

Modelo	Recomendado	Rendimiento
Tiny	✓ Excelente	~45x tiempo real
Base	✓ Excelente	~22x tiempo real
Small	✓ Excelente	~9x tiempo real
Medium	✓ Bueno	~4x tiempo real
Large	✓ Usable	~1.2x tiempo real

M2/M3 Pro/Max

Modelo	Recomendado	Rendimiento
Tiny	✓ Excelente	~50x tiempo real
Base	✓ Excelente	~25x tiempo real
Small	✓ Excelente	~12x tiempo real
Medium	✓ Excelente	~5x tiempo real
Large	✓ Bueno	~2x tiempo real

Macs Intel

Modelo	8GB RAM	16GB RAM	32GB+ RAM
Tiny	✓ Bueno	✓ Bueno	✓ Bueno
Base	✓ Usable	✓ Bueno	✓ Bueno
Small	⚠️ Lento	✓ Usable	✓ Bueno
Medium	❌ No recomendado	⚠️ Lento	✓ Usable
Large	❌ No recomendado	❌ No recomendado	⚠️ Lento

---

Soporte de Idiomas

Nivel 1: Mejor Soporte (WER < 5%)

Inglés, Español, Francés, Alemán, Italiano, Portugués, Holandés, Ruso, Japonés, Chino, Coreano

Nivel 2: Buen Soporte (WER 5-15%)

Árabe, Checo, Danés, Finlandés, Griego, Hebreo, Hindi, Húngaro, Indonesio, Noruego, Polaco, Rumano, Sueco, Tailandés, Turco, Ucraniano, Vietnamita

Nivel 3: Soporte Básico (WER > 15%)

Todos los otros 70+ idiomas compatibles con Whisper

Nota

WER (Tasa de Error de Palabras) varía según acento, calidad de audio y estilo de habla.

---

Especificaciones de Audio

Requisitos de Entrada

Especificación	Valor
Tasa de Muestreo	16000 Hz
Profundidad de Bits	16-bit
Canales	Mono
Formato	PCM

FloWords convierte automáticamente audio a estas especificaciones.

Formatos de Entrada Compatibles

Formato	Extensión	Notas
WAV	.wav	Soporte nativo
MP3	.mp3	Convertido a WAV
M4A	.m4a	Convertido a WAV
AAC	.aac	Convertido a WAV
FLAC	.flac	Convertido a WAV
AIFF	.aiff	Convertido a WAV
CAF	.caf	Convertido a WAV
MP4	.mp4	Audio extraído
MOV	.mov	Audio extraído

---

Guía de Selección de Modelo

Por Caso de Uso

Caso de Uso	Modelo Recomendado
Notas rápidas	Tiny
Uso diario	Base
Documentos	Small
Profesional	Medium
Máxima precisión	Large-v3

Por RAM Disponible

RAM	Modelo Máximo
4 GB	Base
8 GB	Small
16 GB	Medium
32 GB+	Large-v3

Por Tipo de Contenido

Contenido	Recomendado
Habla clara	Cualquiera
Ruido de fondo	Medium+
Términos técnicos	Medium+ con diccionario
Múltiples hablantes	Medium+
Habla con acento	Medium+

---

Configuración Avanzada

Parámetros de Modelo

Parámetro	Rango	Predeterminado	Efecto
beam_size	1-10	5	Precisión vs velocidad
best_of	1-5	1	Candidatos considerados
temperature	0.0-1.0	0.0	Aleatoriedad de predicción
patience	0.0-2.0	1.0	Detención temprana
length_penalty	0.0-2.0	1.0	Sesgo de longitud

Cuándo Ajustar

Objetivo	Ajuste
Más rápido	Menor beam_size
Más preciso	Mayor beam_size, best_of
Más variedad	Mayor temperature
Salidas más cortas	Menor length_penalty

---

Actualizaciones de Modelo

Verificar Actualizaciones

FloWords verifica actualizaciones de modelo automáticamente. Para verificar manualmente:

1. Abre Configuración > Modelo
2. Haz clic en Verificar Actualizaciones

Proceso de Actualización

Actualizaciones de modelo pueden incluir:

• Mejoras de precisión
• Nuevo soporte de idiomas
• Optimizaciones de rendimiento
• Correcciones de errores

---

Siguientes Pasos

• Descargar Modelos para comenzar
• Configurar Ajustes para tus necesidades
• Revisar Mejores Prácticas para uso óptimo