Whistle: voz a texto en 16,9 MB
Un nuevo modelo de voz a texto de 16,9 MB, Whistle, está llamando la atención por ofrecer una transcripción sorprendentemente buena y totalmente en el dispositivo, especialmente en inglés, dentro de una huella lo bastante pequeña como para integrarse en teclados, aplicaciones web y hardware de bajo consumo. Los comentaristas lo comparan con sistemas más grandes como Whisper y Parakeet, y elogian su velocidad, privacidad y facilidad de despliegue, aunque señalan un rendimiento más débil para algunos acentos y lenguas no inglesas, una UX de streaming limitada y tasas de error más altas en escenarios más exigentes. El hilo destaca un cambio más amplio hacia modelos ASR pequeños y compatibles con CPU, pensados para dictado, asistentes sin conexión y dispositivos con recursos limitados, incluso cuando la precisión sigue siendo una preocupación clave.
Recepción general
- Muchos están impresionados de que un modelo de 16,9 MB, solo para CPU, logre una transcripción sólida en inglés, a veces “insanamente” buena para el habla normal y términos técnicos.
- Otros informan tasas de error notablemente altas, comparando la calidad con sistemas de dictado antiguos y diciendo que el tamaño es irrelevante si la precisión es mala.
- La calidad percibida varía mucho según el acento, las condiciones de grabación y el idioma.
Rendimiento por idioma y acento
- El inglés suele funcionar mejor, incluso para algunos acentos no nativos o muy marcados, aunque algunos usuarios siguen viendo palabras omitidas o mal interpretadas.
- La retroalimentación sobre el español es mixta: el castellano puede funcionar si se habla despacio y con claridad; usuarios mexicanos/venezolanos ven errores graves y palabras inventadas.
- Se reportan resultados pobres o “meh” para polaco, español y francés a menos que el habla sea muy clara.
- Los usuarios señalan la falta de soporte para idiomas como japonés, noruego y chino; los intentos vuelven a idiomas incorrectos o a sinsentidos.
Tamaño del modelo y ventajas en el dispositivo
- Se elogia el tamaño pequeño por permitir:
- STT privado y en el dispositivo en teléfonos, teclados, hardware embebido y aplicaciones web.
- La posibilidad de caber en la caché de la CPU, reduciendo la latencia de memoria y permitiendo un uso “siempre activo”.
- Algunos cuestionan centrarse en el tamaño cuando modelos más grandes (Parakeet, Whisper, Qwen ASR) son más precisos.
Comparaciones con otros sistemas de STT
- Parakeet se cita con frecuencia como una referencia local fuerte y rápida, y varios dicen que supera a Whistle; algunos afirman que es el “estándar de oro”.
- Otros mencionan Whisper Large(-v3/-turbo), Qwen3-ASR, Canary, Deepgram, Nemotron y diversas apps (Handy, FUTO keyboard, ZWhispr, etc.) como más precisas pero más pesadas o basadas en la nube.
- Algunos sostienen que, más allá de cierto punto, los errores residuales de STT pueden corregirse con un LLM posterior, especialmente para notas y dictado.
UX, streaming y configuraciones basadas en gramáticas
- Varios comentaristas insisten en que la salida en streaming en tiempo real es esencial; el flujo de la demo de grabar y luego transcribir se ve como una gran carencia.
- Los usuarios comentan flujos de dictado personalizados (push-to-talk, pegado desde el portapapeles, “flush” diferido) y preguntan cómo maneja el streaming las correcciones posteriores.
- Un ejemplo detallado usa Whistle solo como front-end para un pequeño clasificador de gramática/plantillas en una pantalla inteligente rooteada, logrando una precisión cercana al estado del arte para un conjunto limitado de comandos.
Ética y limpieza asistida por IA
- Varios usuarios describen un flujo de trabajo común: grabar audio → STT → limpieza/estructuración con LLM.
- Un comentarista teme que una escritura pulida por IA sea descartada como “AI slop”; otros responden que una limpieza ligera sobre texto generado por humanos es éticamente correcta y probablemente se está pensando demasiado en ello.