Comparación de modelos de voz a texto y cómo elegir
Medimos los 10 modelos de voz a texto disponibles en esta herramienta con el mismo audio en 5 idiomas. La tasa de error es la proporción de la transcripción reconocida de forma incorrecta, y el tiempo de proceso es una estimación de lo que tarda 1 hora de audio. Si no sabes qué modelo elegir, empieza por «Recomendaciones por idioma y dispositivo».
Fecha de medición: 29 de octubre de 2026
Recomendaciones por idioma y dispositivo
Japonés
En un ordenador con WebGPU, Haas-ja v1.0 (710 MB) es el más preciso (tasa de error del 5,2 %). Además, tarda alrededor de un tercio de lo que tarda SenseVoice Small. Es el predeterminado en Chrome y Edge en esos ordenadores (excepto Mac con chip de Apple). En móviles y ordenadores sin WebGPU, elige el predeterminado, SenseVoice Small (240 MB). Es casi tan preciso como Whisper Large v3 Turbo (1,5 GB) y tarda menos de la mitad.
Chino y coreano
En chino, el predeterminado SenseVoice Small es más preciso que cualquier modelo Whisper. En coreano, en un ordenador con WebGPU, Whisper Large v3 Turbo (tasa de error del 5,0 %) y Large v3 (4,6 %) son más precisos que SenseVoice Small (7,9 %). En ambos idiomas, Qwen3-ASR 1.7B en un ordenador con WebGPU es tan preciso como SenseVoice Small o más.
Inglés
En un ordenador con WebGPU, Whisper Large v3 Turbo (tasa de error del 5,8 %) o Medium (5,7 %) ofrecen precisión suficiente. El más preciso es Qwen3-ASR 1.7B (4,3 %), pero la primera vez descarga unos 5,2 GB y usa unos 5 GB de memoria de la GPU. En el móvil, elige SenseVoice Small (9,0 %).
Español, alemán y otros idiomas
En un ordenador con WebGPU, elige Whisper Large v3 Turbo. En español, Turbo (tasa de error del 4,4 %) es más preciso que Large v3 (6,2 %) y además más rápido. El más preciso en español es Qwen3-ASR 1.7B (4,1 %). En móviles y ordenadores sin WebGPU, elige Whisper Small o superior.
Móviles
Para japonés, chino, coreano e inglés, elige el predeterminado, SenseVoice Small. En el móvil se usa una versión más ligera (8 bits) de Whisper, por lo que la tasa de error de Tiny en japonés supera el 70 %. En otros idiomas, Whisper Small es el más preciso, pero tarda aproximadamente lo mismo que el audio o más. Para audios largos, Whisper Base también es una opción.
WebGPU es un mecanismo para que el navegador use la GPU en sus cálculos. Está disponible en Chrome y Edge para ordenador, entre otros.
Abrir la herramienta de transcripciónTasa de error por idioma
La tasa de error es la proporción de la transcripción que difiere del texto correcto. Cuanto más baja, más precisa. En japonés, chino y coreano se cuenta por caracteres, y en inglés y español por palabras. En cada idioma se resalta el modelo con menos errores. La tabla muestra los resultados en un ordenador con WebGPU.
| Modelo | Japonés | Inglés | Español | Coreano | Chino |
|---|---|---|---|---|---|
| Haas-ja v1.0 | 5,2 % | — | — | — | — |
| SenseVoice Small | 8,6 % | 9,0 % | — | 7,9 % | 7,9 % |
| Whisper Tiny | 44,4 % | 16,0 % | 21,1 % | 20,4 % | 30,1 % |
| Whisper Base | 26,3 % | 11,5 % | 13,2 % | 13,7 % | 24,0 % |
| Whisper Small | 14,1 % | 7,3 % | 7,6 % | 7,2 % | 14,5 % |
| Whisper Medium | 8,7 % | 5,7 % | 5,3 % | 5,7 % | 9,8 % |
| Whisper Large v3 Turbo | 8,9 % | 5,8 % | 4,4 % | 5,0 % | 9,9 % |
| Whisper Large v3 | 6,9 % | 5,6 % | 6,2 % | 4,6 % | 11,5 % |
| Qwen3-ASR 1.7B | 8,0 % | 4,3 % | 4,1 % | 5,1 % | 7,7 % |
| Voxtral Mini 4B | 6,1 % | — | — | — | — |
«—» indica que en esta herramienta no se puede elegir ese modelo para ese idioma. Son resultados con voz leída en voz alta, así que todos los modelos cometen más errores con grabaciones con ruido o conversaciones entre varias personas.
Tiempo de proceso y tamaño de descarga
El tiempo de proceso es una estimación de lo que se tarda en transcribir 1 hora de audio en nuestro ordenador de pruebas (AMD Ryzen 7 8745H, gráficos integrados Radeon 780M). La descarga solo se hace la primera vez; después se usa el modelo guardado en el navegador.
| Modelo | Tiempo para 1 hora de audio | Descarga inicial | Requisitos |
|---|---|---|---|
| Haas-ja v1.0 | unos 2 min | 〜710 MB | Ordenador con WebGPU (usa alrededor de 1 GB de memoria de la GPU) |
| SenseVoice Small | unos 7 min | 〜240 MB | Ordenadores y móviles (se procesa con la CPU) |
| Whisper Tiny | unos 5 min | 〜145 MB | Ordenadores y móviles |
| Whisper Base | unos 6 min | 〜280 MB | Ordenadores y móviles |
| Whisper Small | unos 10 min | 〜925 MB | Ordenadores y móviles |
| Whisper Medium | unos 19 min | 〜650 MB | Se recomienda un ordenador con WebGPU (con la CPU, 1 hora de audio tarda varias horas) |
| Whisper Large v3 Turbo | unos 16 min | 〜1.5 GB | Se recomienda un ordenador con WebGPU y una GPU compatible con números de 16 bits (fp16) (sin ella se procesa con la CPU y tarda varias horas) |
| Whisper Large v3 | unos 23 min | 〜2.0 GB | Ordenador con WebGPU y una GPU compatible con números de 16 bits (fp16) |
| Qwen3-ASR 1.7B | unos 19 min | 〜5.2 GB | Ordenador con WebGPU (usa unos 5 GB de memoria de la GPU) |
| Voxtral Mini 4B | unos 50 min | 〜2.9 GB | Ordenador con WebGPU y una GPU compatible con números de 16 bits (fp16) (usa unos 5 GB de memoria de la GPU; con gráficos integrados se necesitan 16 GB de RAM o más) |
Es más rápido en ordenadores con una GPU dedicada como GeForce y más lento en ordenadores antiguos. SenseVoice Small no usa la GPU; se procesa con la CPU.
En móviles y ordenadores sin WebGPU
En móviles y ordenadores sin WebGPU, se ejecuta con la CPU una versión más ligera (8 bits) de Whisper. La tasa de error es mayor que en la GPU de un ordenador, y en particular Tiny empeora mucho.
| Modelo | Japonés | Inglés | Español | Coreano | Chino | Tiempo para 1 hora de audio | Descarga inicial |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6 % | 9,0 % | — | 7,9 % | 7,9 % | unos 7 min | 〜240 MB |
| Whisper Tiny | 70,5 % | 28,3 % | 31,5 % | 30,2 % | 51,0 % | unos 10 min | 〜40 MB |
| Whisper Base | 31,2 % | 12,1 % | 14,0 % | 15,2 % | 25,1 % | unos 15 min | 〜75 MB |
| Whisper Small | 14,8 % | 7,6 % | 7,7 % | 7,4 % | 14,3 % | unos 45 min | 〜240 MB |
Los tiempos son de la CPU de nuestro ordenador de pruebas (1 hilo). En el móvil tarda más. Whisper Medium y superiores tardan varias horas por cada hora de audio con la CPU.
Qué muestran las mediciones
- Un modelo más grande no siempre es más preciso. Whisper Large v3 es más preciso que Large v3 Turbo en japonés y coreano, pero comete más errores que Turbo en español y chino, y tarda unas 1,4 veces más.
- En japonés y chino, SenseVoice Small (240 MB) es tan preciso como Whisper Large v3 Turbo (1,5 GB) o más (japonés 8,6 % frente a 8,9 %; chino 7,9 % frente a 9,9 %).
- Whisper Medium es casi tan preciso como Large v3 Turbo, con menos de la mitad de descarga (650 MB frente a 1,5 GB). Tarda unas 1,2 veces lo que Turbo.
- Qwen3-ASR 1.7B es el modelo con menos errores en inglés, español y chino.
- El que menos errores comete en japonés es Haas-ja v1.0 (5,2 %), aproximadamente un 40 % menos que SenseVoice Small (8,6 %). Además, tarda alrededor de un tercio de lo que tarda SenseVoice Small.
- Con la CPU, como en el móvil, la tasa de error de Whisper Tiny sube mucho (en japonés, del 44,4 % al 70,5 %). Small apenas cambia.
Cómo medimos
- El audio son 100 frases por idioma, elegidas a intervalos regulares de la parte de prueba de FLEURS (voz leída en voz alta), un conjunto de evaluación de reconocimiento de voz multilingüe publicado por Google.
- Transcribimos en el navegador con el mismo programa que esta herramienta (transformers.js 4.2.0), los mismos formatos de modelo y el mismo procesamiento (el texto inicial que se da a Whisper y el reintento de los tramos que salen vacíos).
- Antes de comparar con el texto correcto, quitamos la puntuación, los espacios y las diferencias entre caracteres de ancho completo y medio. El chino se unificó en caracteres simplificados y el inglés pasó por la normalización de texto que se usa en la evaluación de Whisper.
- El ordenador de pruebas tiene un AMD Ryzen 7 8745H (gráficos integrados Radeon 780M) y 32 GB de memoria, y el navegador fue Chromium 153. Los tiempos no incluyen la carga del modelo.
- Haas-ja v1.0 y Voxtral Mini 4B se midieron solo en japonés y SenseVoice Small en los 4 idiomas salvo el español (solo los idiomas en los que se puede elegir cada modelo en esta herramienta). Voxtral Mini 4B se midió el día anterior a los demás modelos y Haas-ja v1.0, el 3 de noviembre de 2026, con el mismo ordenador y el mismo audio.
- Como Qwen3-ASR 1.7B usa otro modelo para añadir las marcas de tiempo, su tiempo de proceso se midió transcribiendo audio en japonés (108 segundos) en esta herramienta, incluido ese paso.
Preguntas frecuentes
¿Los modelos más grandes son más precisos?
No siempre. En Whisper, la precisión mejora con el tamaño de Tiny a Medium, pero Large v3 cometió más errores que Large v3 Turbo en español y chino. En japonés y chino, el pequeño SenseVoice Small es casi tan preciso como Turbo.
¿Qué modelo elijo en el móvil?
Para japonés, chino, coreano e inglés, elige SenseVoice Small, que también es el predeterminado. En otros idiomas, Whisper Small es el más preciso, pero es lento, así que para audios largos Whisper Base también es una opción. Tiny comete muchos errores y no se recomienda.
¿Cómo se elige el modelo predeterminado?
Se elige automáticamente según el idioma seleccionado y la capacidad del dispositivo. En japonés es Haas-ja v1.0 si el ordenador tiene 4 GB de memoria o más y puede usar WebGPU en Chrome, Edge u otro navegador similar (excepto los Mac con chip de Apple). En japonés en los demás casos, como móviles, Safari o Firefox, y en chino y coreano, es SenseVoice Small. En inglés y otros idiomas se elige uno de los modelos Whisper según la GPU y la memoria. En inglés, los dispositivos a los que les correspondería Whisper Base o inferior (como móviles y ordenadores con gráficos integrados) usan SenseVoice Small.
¿La tasa de error es la misma con grabaciones de reuniones?
No. Estas mediciones usan voz leída en voz alta por una persona, así que todos los modelos cometen más errores con grabaciones con ruido o conversaciones entre varias personas. Úsalas como referencia para comparar modelos.
Elige un modelo y transcribe
Esta herramienta es gratuita y no requiere registro. Los archivos de audio se procesan en el navegador y nunca salen de tu dispositivo.
Abrir la herramienta de transcripción