¿Qué es Whistle?
Whistle es un modelo de reconocimiento de voz de Cactus Compute, una empresa de IA en el dispositivo respaldada por Y Combinator, publicado el 2 de octubre de 2026. El modelo entero es un único archivo de 16,9 MB cuantizado a entre 2 y 4 bits. Transcribe inglés, alemán, francés, español, italiano, neerlandés y polaco, detecta el idioma por sí mismo, devuelve marcas de tiempo por palabra y puede producir un embedding de audio en lugar de texto. Una lista de palabras clave orienta la decodificación hacia los nombres y la jerga que esperas.
Funciona sobre el mismo motor en C++ que Needle, el modelo de llamadas a herramientas de Cactus, así que un solo binario puede tomar un clip de voz y devolver llamadas a herramientas en un solo paso. Su decodificador es escalonado: cada profundidad a partir de 2 capas es un modelo utilizable, así que puedes cambiar precisión por tamaño al cargarlo.
Los pesos tienen licencia Apache 2.0, pero el motor se distribuye como binarios precompilados y no como código fuente. La demo tan compartida de Whistle en un microcontrolador ESP32-S3 de 10 $, que Better Stack cubrió el 19 de octubre, es una reimplementación independiente hecha para ese vídeo (andrisgauracs/whistle-esp32 en GitHub); Cactus no distribuye ninguna versión para microcontroladores.
¿Merece la pena Whistle?
Whistle merece atención por su relación entre tamaño y precisión. Con 16,9 MB es 8,6 veces más pequeño que Whisper base y, según las cifras de Cactus, lo supera en LibriSpeech test-clean (4,31% de tasa de error de palabras), test-other (10,49%), SPGISpeech, Earnings-22 y la media de FLEURS. En un Apple M4 Pro, un clip de 10 segundos llega al primer token en 11,1 ms frente a 73,2 ms de Whisper base, y decodifica a 1.319 tokens por segundo.
La comparación está elegida con cuidado. Whistle no se compara con Whisper large-v3-turbo ni con Parakeet, que son mucho más precisos y mucho más grandes. Whisper base sigue ganando en TED-LIUM, en el audio de reuniones de AMI (Whistle obtiene un 26,07%) y en la media multilingüe de MLS, así que las conferencias y las reuniones son su terreno débil. Las puntuaciones de los rivales son las publicadas por sus autores, sin volver a medirlas, algo que Cactus indica abiertamente.
La historia del chip de 10 $ es real, pero necesita la nota al pie. La adaptación de Better Stack recortó el decodificador a cuatro capas (14,5 MB) y escribió su propio motor en C para ejecutarlo en un ESP32-S3 con 16 MB de flash y 8 MB de PSRAM. Una orden de 2 segundos tarda 6,3 segundos en transcribirse, la profundidad 4 obtiene un 11,7% de tasa de error de palabras en 73 clips de LibriSpeech, y el propio modelo reconoce mal el neerlandés. Sus notas también señalan que el motor oficial transcribe diez segundos de ruido de micrófono como "Thank you", así que una puerta de detección de actividad de voz no es opcional.
Las condiciones son la principal reserva. Los pesos son Apache 2.0, pero el motor es una biblioteca precompilada sin código fuente publicado, así que adaptarlo exige ingeniería inversa, como hizo la adaptación al ESP32. El paquete de Python y los binarios envían por defecto recuentos de uso anónimos hasta que pones NEEDLE_TELEMETRY=0, un valor por defecto extraño para un producto que se vende con la promesa de que el audio nunca sale del dispositivo.
Dónde se gana su sitio
Una startup de hardware para el hogar inteligente que lanza un hub basado en Linux
Añadir control por voz sin conexión en inglés, alemán y francés sin factura en la nube
Carga whistle.cact y needle3.cact en un mismo motor en la placa ARM del hub; entra un clip y salen llamadas a herramientas, con orientación por palabras clave para los nombres de habitaciones y dispositivos. Sin tarifas por minuto; reserva tiempo de ingeniería para un detector de actividad de voz.
Un aficionado o ingeniero de sistemas embebidos que hace prototipos con microcontroladores
Ejecutar transcripción real, no una lista fija de frases, en un ESP32-S3 de 10 $
Sigue el proyecto comunitario whistle-esp32: una placa N16R8, un micrófono INMP441 y el modelo de 4 capas y 14,5 MB. Cuenta con unos 6 segundos por orden corta y un neerlandés flojo.
Una desarrolladora móvil en una aplicación de notas
Ofrecer dictado en el dispositivo con marcas de tiempo por palabra para navegar y editar
pip install cactus-needle para el prototipo, y después enlaza libneedle.a en la aplicación de iOS o Android. Pon NEEDLE_TELEMETRY=0 y prueba con audio de tipo reunión, donde Whisper base sigue puntuando mejor.
Antes de decidirte
- Puesta en marcha
- pip install cactus-needle y después needle.transcribe("clip.wav"); el motor y los pesos se descargan una vez y quedan en caché. Las carpetas nativas incluyen una CLI needle, libneedle.a y needle.h por plataforma.
- Integraciones
- Paquete de Python; API en C (needle_load, needle_transcribe, needle_embed); motores precompilados para macOS, Linux en x86, ARM, RISC-V y MIPS, Windows, Android, iOS, watchOS, el navegador y WASI. El ajuste fino con LoRA puede añadir un idioma.
- Datos y privacidad
- La inferencia se ejecuta por completo en el dispositivo y funciona en entornos aislados. El paquete envía por defecto recuentos de uso anónimos; NEEDLE_TELEMETRY=0 y DO_NOT_TRACK=1 lo desactivan.
- Coste a escala
- Sin licencias ni tarifas por minuto. El coste es tiempo de CPU del dispositivo: una orden de 2 segundos tarda 6,3 segundos en un ESP32-S3 a 240 MHz en la adaptación de la comunidad, y un clip de 10 segundos llega al primer token en 11,1 ms en un M4 Pro.
- Límites
- Una pasada cubre 30 segundos, con ventanas a partir de ahí; las transcripciones tienen un tope de 320 tokens por pasada. La música y el ruido pueden producir texto inventado. Sin versión para microcontroladores de Cactus y sin código fuente del motor.
Lo bueno
- 16,9 MB, solo CPU, sin dependencias
- Siete idiomas con detección automática y marcas de tiempo por palabra
- Supera a Whisper base en LibriSpeech, Earnings-22 y FLEURS, según Cactus
- Se combina con Needle para convertir la voz en llamadas a herramientas en una sola llamada
Lo malo
- Solo se compara con rivales pequeños; más débil en reuniones y conferencias
- El motor es de código cerrado; solo los pesos son abiertos
- Telemetría activada por defecto
- Puede transcribir ruido como palabras; necesita una puerta de actividad de voz
Ideal para
Fabricantes de dispositivos que necesitan órdenes de voz sin conexión en idiomas europeos en hardware demasiado pequeño para Whisper.
Alternativas a Whistle
Whistle: preguntas frecuentes
- ¿Merece la pena Whistle?
- Un reconocimiento de voz utilizable en siete idiomas en 16,9 MB, de un proveedor que mantiene cerrado el motor y su telemetría activada. Le damos un 3.8 sobre 5.
- ¿Cuánto cuesta Whistle?
- Pesos abiertos gratuitos con Apache 2.0; el motor precompilado se descarga gratis. Cactus vende ayuda con el ajuste fino y el despliegue en su plataforma; los precios no se publican.
- ¿Qué inconvenientes tiene Whistle?
- Solo se compara con rivales pequeños; más débil en reuniones y conferencias; el motor es de código cerrado; solo los pesos son abiertos; telemetría activada por defecto; puede transcribir ruido como palabras; necesita una puerta de actividad de voz.
- ¿Para quién es Whistle?
- Fabricantes de dispositivos que necesitan órdenes de voz sin conexión en idiomas europeos en hardware demasiado pequeño para Whisper.
- ¿Cuánto cuesta Whistle para un equipo o en producción?
- Sin licencias ni tarifas por minuto. El coste es tiempo de CPU del dispositivo: una orden de 2 segundos tarda 6,3 segundos en un ESP32-S3 a 240 MHz en la adaptación de la comunidad, y un clip de 10 segundos llega al primer token en 11,1 ms en un M4 Pro.
- ¿Es Whistle seguro para los datos de la empresa?
- La inferencia se ejecuta por completo en el dispositivo y funciona en entornos aislados. El paquete envía por defecto recuentos de uso anónimos; NEEDLE_TELEMETRY=0 y DO_NOT_TRACK=1 lo desactivan.
- ¿Cuáles son las mejores alternativas a Whistle?
- Las alternativas más cercanas que hemos analizado son Whisper large-v3-turbo, Parakeet TDT 0.6B v3 y VibeVoice-ASR.
Respuestas comprobadas el 2 nov 2026.