¿Qué es Parakeet TDT 0.6B v3?
Parakeet TDT 0.6B v3 es un modelo de reconocimiento de voz de 600 millones de parámetros de NVIDIA, publicado en Hugging Face el 14 de agosto de 2025 bajo la licencia CC BY 4.0, que permite el uso comercial con atribución. Amplía la v2, que solo admitía inglés, a 25 idiomas europeos, del búlgaro al ucraniano, y detecta el idioma automáticamente.
Añade puntuación, mayúsculas y marcas de tiempo por palabra, segmento y carácter, y procesa hasta 24 minutos de audio con atención completa en una A100 de 80GB, o hasta 3 horas con atención local. NVIDIA dice que necesita al menos 2GB de memoria para cargarse. Funciona con el kit NeMo de NVIDIA, con Hugging Face Transformers o con el entorno ligero NeMo-Speech.cpp, y NeMo incluye un script de streaming por fragmentos.
¿Cuánto cuesta Parakeet TDT 0.6B v3?
| Plan | Precio | Qué incluye |
|---|---|---|
| Weights | Free | CC BY 4.0 |
| Together AI | $0.0015 a minute ($1.50 per 1,000 minutes) |
Gratis bajo CC BY 4.0. La versión alojada de Together AI cuesta 0,0015 $ por minuto (1,50 $ cada 1.000 minutos).
¿Merece la pena Parakeet TDT 0.6B v3?
Parakeet v3 es el modelo de transcripción más rápido de los que mide Artificial Analysis. Su despliegue en Together AI funciona a 617,7 veces el tiempo real, por delante de Deepgram Nova-3 con 546,2, lo que significa que una hora de audio vuelve en unos seis segundos. La precisión es corriente: un AA-WER del 4,5 % empata con Whisper large-v3 en Together y ocupa el puesto 39 de 62.
Como servicio alojado convence menos que autoalojado. Together cobra 1,50 $ cada 1.000 minutos, mientras que Whisper large-v3-turbo en Groq cuesta 0,67 $ con un 4,6 % de error, así que quien solo quiere una API paga más del doble por una velocidad que quizá no necesite. Los líderes en precisión también se han alejado: MAI-Transcribe-2 de Microsoft logra un 2,0 % por 1,67 $, y Voxtral Small Transcribe 3 de Mistral llega al 2,1 %.
El modelo se gana su sitio en tu propio hardware. Con 600 millones de parámetros y un mínimo de 2GB de memoria, cabe junto a otras cargas en una sola GPU, las marcas de tiempo vienen incluidas y el modo de atención local de 3 horas de NVIDIA procesa una reunión o una sesión judicial completa sin lógica de fragmentación. NVIDIA lo entrenó con 128 A100, y el corpus Granary en el que se basa está publicado, lo que supone más transparencia sobre el entrenamiento de la que dan la mayoría de los rivales comerciales.
La lista de idiomas es el límite. Cubre 25 idiomas europeos y nada más, así que un centro de contacto que atiende llamadas en árabe, hindi o mandarín necesita Whisper o un modelo alojado a su lado, y el requisito de atribución de CC BY 4.0 es una línea más de revisión legal que la licencia MIT de Whisper.
Dónde se gana su sitio
Un ingeniero de ML en una empresa alemana de seguimiento de medios que procesa 10.000 horas de emisiones al mes
Transcribir y marcar en el tiempo televisión y radio europeas en GPU propias
Ejecuta Parakeet v3 en NeMo en las GPU que ya tienes. A las 617,7 veces el tiempo real que Artificial Analysis midió en Together, las 10.000 horas de un mes suponen unas 16 horas de procesamiento; esos mismos 600.000 minutos en Together costarían unos 900 $.
Un equipo de producto que crea subtítulos en directo para una app de videoconferencia paneuropea
Subtitular llamadas en el idioma de quien habla sin pedir a los usuarios que lo elijan
La detección automática entre 25 idiomas y el script de streaming por fragmentos de NeMo cubren lo básico; las llamadas en inglés, francés y alemán funcionan, pero un participante que hable turco o árabe no obtendrá nada aprovechable.
Una startup de tecnología jurídica que maneja grabaciones judiciales que no pueden salir de la UE
Producir transcripciones con marcas de tiempo de vistas de hasta tres horas
La atención local procesa un archivo de 3 horas de una sola pasada en sus propias instalaciones, así que el audio nunca llega a una API de terceros. La contrapartida es una tasa de error del 4,5 %, así que los nombres y las cifras siguen necesitando revisión humana.
Antes de decidirte
- Puesta en marcha
- Haz pip install de NeMo, carga nvidia/parakeet-tdt-0.6b-v3 con from_pretrained y llama a transcribe con timestamps=True; NVIDIA indica Linux como plataforma compatible.
- Integraciones
- NeMo, Hugging Face Transformers y NeMo-Speech.cpp; Together AI para un endpoint alojado. La página de NIM de NVIDIA cubre la v2, no la v3.
- Datos y privacidad
- CC BY 4.0 permite el uso comercial con atribución y sin límite de ingresos. Autoalojado, el audio se queda en tu hardware; en la versión alojada se aplican las condiciones de retención de Together.
- Coste a escala
- Autoalojado solo necesita 2GB para cargarse, así que funciona en cualquier GPU de NVIDIA reciente. Alojado en Together, 600.000 minutos al mes cuestan unos 900 $; Whisper turbo en Groq costaría unos 400 $ por el mismo volumen.
- Límites
- Solo 25 idiomas europeos; 24 minutos por archivo con atención completa en una A100 de 80GB, 3 horas con atención local; 4,5 % de AA-WER.
Lo bueno
- 617,7 veces el tiempo real en Together AI, primero en la clasificación de Artificial Analysis
- 600M de parámetros, se carga en 2GB de memoria
- Marcas de tiempo por palabra, segmento y carácter; hasta 3 horas por archivo con atención local
Lo malo
- Solo 25 idiomas europeos
- 4,5 % de AA-WER, aproximadamente el doble de error que Scribe v2 o Voxtral Small Transcribe 3
- Alojado en Together a 1,50 $ cada 1.000 minutos, más que Whisper turbo en Groq a 0,67 $
- CC BY 4.0 exige atribución
Ideal para
Desarrolladores que transcriben grandes volúmenes de audio en idiomas europeos y valoran la velocidad y el bajo coste.
Alternativas a Parakeet TDT 0.6B v3
Parakeet TDT 0.6B v3: preguntas frecuentes
- ¿Merece la pena Parakeet TDT 0.6B v3?
- Parakeet v3 es el récord de velocidad en transcripción, con una precisión de la clase de Whisper y una frontera estricta en torno a Europa. Le damos un 4.1 sobre 5.
- ¿Cuánto cuesta Parakeet TDT 0.6B v3?
- Gratis bajo CC BY 4.0. La versión alojada de Together AI cuesta 0,0015 $ por minuto (1,50 $ cada 1.000 minutos).
- ¿Qué inconvenientes tiene Parakeet TDT 0.6B v3?
- Solo 25 idiomas europeos; 4,5 % de AA-WER, aproximadamente el doble de error que Scribe v2 o Voxtral Small Transcribe 3; alojado en Together a 1,50 $ cada 1.000 minutos, más que Whisper turbo en Groq a 0,67 $; cC BY 4.0 exige atribución.
- ¿Para quién es Parakeet TDT 0.6B v3?
- Desarrolladores que transcriben grandes volúmenes de audio en idiomas europeos y valoran la velocidad y el bajo coste.
- ¿Cuánto cuesta Parakeet TDT 0.6B v3 para un equipo o en producción?
- Autoalojado solo necesita 2GB para cargarse, así que funciona en cualquier GPU de NVIDIA reciente. Alojado en Together, 600.000 minutos al mes cuestan unos 900 $; Whisper turbo en Groq costaría unos 400 $ por el mismo volumen.
- ¿Es Parakeet TDT 0.6B v3 seguro para los datos de la empresa?
- CC BY 4.0 permite el uso comercial con atribución y sin límite de ingresos. Autoalojado, el audio se queda en tu hardware; en la versión alojada se aplican las condiciones de retención de Together.
- ¿Cuáles son las mejores alternativas a Parakeet TDT 0.6B v3?
- Las alternativas más cercanas que hemos analizado son Whisper large-v3-turbo, VibeVoice-ASR y Deepgram Nova-3.
Respuestas comprobadas el 23 oct 2026.