¿Qué es Phonon-2?
Phonon-2 es un modelo de reconocimiento de voz en inglés de Fermion Research, publicado en Hugging Face el 28 de septiembre de 2026. Es una versión comprimida de Parakeet TDT 0.6B v3 de NVIDIA: el entrenamiento consciente de la cuantización guarda cada peso del codificador en uno de cinco niveles aprendidos, unos 2,1 bits, lo que reduce la descarga de 2.508MB a 164MB.
Funciona con MLX en Apple Silicon, en el Neural Engine mediante una versión Core ML, en CPU de Linux y Windows, en GPU de NVIDIA a través de Docker y en Android arm64 mediante bibliotecas nativas. Es el modelo que lleva Detta, la app gratuita de dictado en el dispositivo de Fermion para Mac con Apple Silicon.
Los pesos conservan la licencia CC-BY-4.0 de Parakeet, así que se permite el uso comercial con atribución; la línea de comandos y el código de Fermion son Apache 2.0.
¿Cuánto cuesta Phonon-2?
| Plan | Precio | Qué incluye |
|---|---|---|
| Weights | Free | CC-BY-4.0, atribución obligatoria |
| Detta (Mac) | Free | Apple Silicon, macOS 26.2 o posterior |
Pesos gratuitos bajo CC-BY-4.0; CLI y código Apache 2.0; app Detta gratuita en Mac con Apple Silicon.
¿Merece la pena Phonon-2?
El logro de Phonon-2 es la compresión, no un modelo nuevo, y las cifras aguantan bien. En los siete conjuntos en inglés del Open ASR Leaderboard promedia un 5,21% de error por palabra frente al 4,96% del Parakeet completo del que procede: un cuarto de punto perdido a cambio de un archivo 15 veces más pequeño. Supera al Parakeet Redux de Moondream, de tamaño similar (178MB, 5,69%), y a Whisper large-v3-turbo (1.618MB, 6,58%), y en discursos parlamentarios (VoxPopuli, 2,46 frente a 3,19) supera al original.
Esas cifras son de Fermion, pero se obtuvieron con el propio código del leaderboard sobre los conjuntos de prueba completos, y las filas de comparación marcadas como cifras del leaderboard se pueden verificar. Las pérdidas se concentran donde cabe esperar con una cuantización fuerte: llamadas de resultados (6,96 frente a 5,85) y LibriSpeech other (3,92 frente a 3,13), los conjuntos más difíciles y ruidosos.
La velocidad es la segunda razón para interesarse. Fermion indica una hora de audio en unos 20 segundos en un MacBook Air M5 (174 veces el tiempo real), 143 veces en ocho núcleos Zen 5 y 6.680 veces en una H100 con lotes de 128. Un rendimiento así en CPU significa que un portátil o una instancia pequeña en la nube pueden transcribir sin GPU.
Los límites son los de Parakeet más uno: solo inglés, convenciones de puntuación y mayúsculas heredadas de NVIDIA, sin etiquetas de hablante, y un tamaño de descarga que no es la memoria en ejecución, porque los motores expanden los pesos al cargarlos. Fermion es una empresa pequeña que no publica dónde tiene su sede. Para trabajo multilingüe o con diarización, Nemotron 3.5 Transcribe es mejor modelo; para un modelo en inglés de 164MB que va dentro de una app, la afirmación de Fermion de tener el modelo abierto más preciso por debajo de 900MB encaja con todas las filas de comparación que publica.
Dónde se gana su sitio
Una desarrolladora de iOS y macOS que crea una app de notas
Añadir dictado en inglés sin conexión y sin factura de nube
Incluye la versión Core ML para el Neural Engine; un modelo de 164MB cabe en la descarga normal de una app y la transcripción nunca sale del dispositivo, lo que simplifica la política de privacidad.
Un ingeniero de backend en una empresa de alojamiento de podcasts
Transcribir 5.000 horas de episodios en inglés al mes sin GPU
A 143 veces el tiempo real en 16 vCPU, una instancia procesa unas 143 horas de audio por hora, así que el volumen necesita unas 35 horas de instancia al mes con la imagen Docker para CPU.
Un desarrollador de Android en una empresa de software para servicios técnicos
Permitir que los técnicos dicten notas de trabajo sin cobertura
Fermion publica bibliotecas del motor para CPU arm64-v8a para API 26 y posteriores, con una cabecera C; los tiempos por palabra salen con --json en escritorio, y la licencia CC-BY solo exige atribución.
Antes de decidirte
- Puesta en marcha
- pip install fermion-research más los paquetes de mlx en Apple Silicon (Python 3.10 o posterior), y luego phonon transcribe recording.wav; o un solo docker run con la imagen para CPU o CUDA.
- Integraciones
- MLX, Core ML (Neural Engine), motor para CPU de Linux y Windows, imagen Docker con CUDA, bibliotecas nativas de Android, un servidor local documentado por Fermion y la app Detta para Mac.
- Datos y privacidad
- Se ejecuta por completo en tu hardware; no se envía nada a Fermion. Pesos CC-BY-4.0 como el original de NVIDIA, con un NOTICE que enumera los cambios; código Apache 2.0.
- Coste a escala
- No necesita GPU: unas 143 veces el tiempo real en ocho núcleos Zen 5. En una H100 con lotes de 128, Fermion indica 6.680 veces el tiempo real, unas 111 horas de audio por minuto.
- Límites
- Solo inglés; las convenciones de salida son las de Parakeet; sin diarización; la memoria en ejecución es mayor que la descarga de 164MB porque los pesos se expanden al cargarse.
Lo bueno
- 5,21% de WER medio en inglés con una descarga de 164MB, frente al 4,96% del original de 2,5GB
- 174 veces el tiempo real en un MacBook Air M5; 143 veces en ocho núcleos de CPU
- Funciona en MLX, Core ML, CPU de Linux y Windows, CUDA y Android
- CC-BY-4.0 permite el uso comercial con atribución
Lo malo
- Solo inglés
- Pierde cerca de un punto de WER en llamadas de resultados frente al original
- Sin etiquetas de hablante ni traducción
- Las cifras de precisión y velocidad son de la propia Fermion
Ideal para
Desarrolladores de apps que necesitan una transcripción de voz a texto en inglés precisa en un portátil, un móvil o un servidor con CPU sin distribuir un modelo de varios gigabytes.
Alternativas a Phonon-2
Phonon-2: preguntas frecuentes
- ¿Merece la pena Phonon-2?
- Phonon-2 es Parakeet con una quinceava parte del tamaño y casi la misma precisión, lo que hace práctica una buena transcripción en inglés dentro de la descarga de una app. Le damos un 4.1 sobre 5.
- ¿Cuánto cuesta Phonon-2?
- Pesos gratuitos bajo CC-BY-4.0; CLI y código Apache 2.0; app Detta gratuita en Mac con Apple Silicon.
- ¿Qué inconvenientes tiene Phonon-2?
- Solo inglés; pierde cerca de un punto de WER en llamadas de resultados frente al original; sin etiquetas de hablante ni traducción; las cifras de precisión y velocidad son de la propia Fermion.
- ¿Para quién es Phonon-2?
- Desarrolladores de apps que necesitan una transcripción de voz a texto en inglés precisa en un portátil, un móvil o un servidor con CPU sin distribuir un modelo de varios gigabytes.
- ¿Cuánto cuesta Phonon-2 para un equipo o en producción?
- No necesita GPU: unas 143 veces el tiempo real en ocho núcleos Zen 5. En una H100 con lotes de 128, Fermion indica 6.680 veces el tiempo real, unas 111 horas de audio por minuto.
- ¿Es Phonon-2 seguro para los datos de la empresa?
- Se ejecuta por completo en tu hardware; no se envía nada a Fermion. Pesos CC-BY-4.0 como el original de NVIDIA, con un NOTICE que enumera los cambios; código Apache 2.0.
- ¿Cuáles son las mejores alternativas a Phonon-2?
- Las alternativas más cercanas que hemos analizado son Parakeet TDT 0.6B v3, Whisper large-v3-turbo y NVIDIA Nemotron 3.5 Transcribe.
Respuestas comprobadas el 31 oct 2026.