VibeVoice-ASR-Streaming-1.5B vs Whisper Large v3 Turbo: streaming nativo contro il cavallo di battaglia per 99 lingue.

È molto probabile che il modello di riconoscimento vocale che usi oggi sia Whisper Large v3 Turbo, e c'è un nuovo modello che si chiede se debba esserlo. Whisper Large v3 Turbo di OpenAI — il checkpoint distillato da 809M di parametri rilasciato nell'ottobre 2024 — è il cavallo di battaglia open-weights: 99 lingue, circa da quattro a otto volte più veloce del large-v3 originale, abbastanza compatto per un laptop, con licenza MIT, e supportato dal più grande ecosistema di trascrizione in esistenza. VibeVoice-ASR-Streaming-1.5B, caricato da Microsoft Research il 2 settembre 2026, è lo sfidante costruito per l'unica cosa che Whisper non fa in modo nativo: lo streaming. Trascrive a blocchi man mano che l'audio arriva, invece di inghiottire finestre fisse, dichiara un output con attribuzione del parlante e ha dieci lingue e nessun benchmark pubblicato all'attivo.

Quell'ultima clausola è il motivo per cui questa pagina è strutturata attorno a una questione di migrazione piuttosto che a una gara. I numeri di Whisper Large v3 Turbo sono misurati e pubblici — LibriSpeech, l'aggregato Open ASR, Common Voice — mentre la scheda del modello di VibeVoice-ASR-Streaming-1.5B non riporta alcun valore di WER o latenza nel testo, e al momento non esiste alcun benchmark indipendente. Tutto ciò che riguarda il lato Microsoft qui di seguito è quanto si può sapere dal suo repository: i file di configurazione, la scheda del modello e la documentazione di streaming di Microsoft. Tutto ciò che riguarda il lato Whisper è un fatto pubblico e consolidato. I due non sono stati messi testa a testa; il confronto è tra ciò che è provato e ciò che è promesso.

Il modello che probabilmente stai già eseguendo

Whisper Large v3 Turbo ha guadagnato il suo posto nel modo meno appariscente: è veloce, piccolo, multilingue e noioso nei modi che piacciono ai team di produzione. Distillato dal Whisper large-v3 da 1,55 miliardi di parametri fino a 809 milioni di parametri, mantiene la copertura di 99 lingue e circa il 95% della precisione di large-v3 — circa 2,1% WER su LibriSpeech clean, circa 7,7–7,8% sul composite Open ASR, con il degrado maggiore sulle lingue a basse risorse e tonali — pur essendo diverse volte più veloce e occupando circa 1,6 GB di VRAM in FP16. È con licenza MIT, funziona tramite faster-whisper, whisper.cpp e tre anni di integrazioni, e la sua pagina Hugging Face mostra oltre sette milioni di download in un solo mese. Se ospiti tu stesso la trascrizione, è molto probabile che questo sia il modello che la esegue.

Ciò che Whisper Large v3 Turbo non è, e non ha mai preteso di essere, è un modello di streaming. Assorbe l'audio in finestre fisse di 30 secondi e restituisce una trascrizione per ciascuna finestra; non dispone di rilevamento nativo dell'attività vocale, né di endpointing, né di diarizzazione dei parlanti, né di un meccanismo per hotword. La trascrizione in tempo reale con Whisper è sempre un retrofit che costruisci tu — ed è proprio nel retrofit che si concentrano la latenza e i costi ingegneristici.

Cosa cambia davvero se cambi

• Modello di latenza — VibeVoice-ASR-Streaming-1.5B emette il testo una volta per ogni blocco risolto di circa 2,9 secondi, con ~0,5 s di lookahead, per progettazione rispetto a Whisper Large v3 Turbo: un modello batch basato su finestre di 30 secondi che richiede un livello di segmentazione e ricomposizione per approssimare l'output in tempo reale.

• Forma della sessione — sessioni live illimitate, contesto trasportato attraverso i chunk in una cache di prefissi, rispetto a finestre discrete di 30 secondi senza stato conversazionale tra finestre.

• Lingue — dieci (cinese, inglese, francese, tedesco, italiano, giapponese, coreano, portoghese, russo, spagnolo) contro 99.

• Accuratezza pubblicata — nessun valore, contro ~2,1% su LibriSpeech clean e ~7,7–7,8% su Open ASR composite; tutti misurati e pubblici.

• Extra di output — dichiara di supportare l’attribuzione in streaming di “chi ha detto cosa” e le hotword; sono disponibili i timestamp delle parole, ma nessuna diarizzazione e nessuna hotword in modo nativo.

• Hardware — ~5,6 GB di pesi bf16 su una GPU NVIDIA (installazione dai sorgenti), contro ~1,6 GB FP16 che funziona su laptop e CPU tramite whisper.cpp e faster-whisper.

• Licenza — MIT, entrambi.

Il problema del retrofit dello streaming

Il modo onesto di considerare questo confronto è che Whisper Large v3 Turbo ha un problema di streaming che hai già pagato o che stai ancora pagando. Una pipeline live su Whisper implica un rilevatore di attività vocale per individuare il parlato, uno chunker per dividere l'audio in finestre delle dimensioni di Whisper, finestre sovrapposte per non perdere parole ai confini, e uno stitcher per riconciliare le trascrizioni parziali. Le implementazioni community di quello stack raggiungono all'incirca da uno a cinque secondi di latenza end-to-end — accettabile per note di riunioni, ma al di sotto dello standard richiesto per agenti telefonici e sottotitolazione live.

VibeVoice-ASR-Streaming-1.5B elimina il retrofit per costruzione. La configurazione del suo preprocessore fissa un blocco di 22 frame e un lookahead di 4 frame su un flusso di token vocali a circa 7,5 Hz — circa 2,9 secondi di audio per segmento emesso, mezzo secondo di contesto futuro — e la documentazione Microsoft descrive il contesto dei blocchi precedenti preservato attraverso la KV cache, quindi una sessione live non ricalcola da zero. Ma leggete con attenzione la parola "streaming" su entrambi i lati di questo confronto: nessuno dei due modelli è un motore di risultati parziali parola-per-parola del tipo che le API commerciali a latenza più bassa vendono. La trascrizione di VibeVoice cresce in incrementi di circa tre secondi per progettazione, una cadenza diversa e di solito accettabile per le riunioni, ma non è sub-secondo; e se il vostro requisito è avere le parole sullo schermo entro un secondo, dovreste misurare questa geometria dei blocchi rispetto a quel budget prima di costruirci sopra.

Accuratezza: ciò a cui stai rinunciando per passare allo streaming nativo

Ecco il divario che dovrebbe guidare la decisione. Whisper Large v3 Turbo ha un record pubblico di accuratezza che puoi verificare — e quando la registrazione rientra nelle sue 99 lingue, quel record è solido. VibeVoice-ASR-Streaming-1.5B non ha un record del genere: la valutazione nella scheda del modello è un'immagine, Microsoft non ha pubblicato alcun WER in streaming in formato testuale, e l'unico riferimento numerico della famiglia è il WER medio del 7,77% dichiarato dal fornitore nella scheda batch VibeVoice-ASR su otto set di test in inglese, che descrive un modello diverso, non in streaming. La frase onesta è che spostare oggi la tua trascrizione su VibeVoice-ASR-Streaming-1.5B significa accettare un livello di accuratezza sconosciuto sul tuo audio — ed è esattamente il motivo per cui qualsiasi valutazione del modello deve essere eseguita da te, sulle tue registrazioni reali più difficili, prima che possa meritarsi traffico di produzione.

Lingue e attribuzione del parlante: il divario funzionale è a doppio taglio.

Il confronto delle funzionalità non è a senso unico, ed è proprio questo a rendere la scelta davvero interessante. Se il tuo audio è multilingue, la decisione è immediata: le 99 lingue di Whisper Large v3 Turbo coprono ciò che le dieci di VibeVoice-ASR-Streaming-1.5B non coprono, e un limite di dieci lingue è squalificante per qualsiasi pipeline che debba gestire un'ampia varietà di parlato. Ma se il tuo carico di lavoro rientra in quelle dieci lingue e ciò di cui hai realmente bisogno è sapere chi ha detto cosa in una riunione live, la freccia punta nell'altra direzione: Whisper non offre diarizzazione nativa né hotword, mentre VibeVoice-ASR-Streaming-1.5B sostiene di offrirle entrambe — output in streaming con attribuzione del parlante e hotword di termini di dominio passate come prompt contestuale. L'affermazione non è verificata, e la diarizzazione in streaming oltre i confini dei chunk è abbastanza complessa da meritare scetticismo, ma è la funzionalità concreta che nessuna quantità di lavoro ingegneristico su Whisper ti dà di serie.

La matematica della migrazione

Costi e sforzo sono a favore della soluzione attuale. Whisper Large v3 Turbo gira già nel tuo stack su hardware di tua proprietà — un laptop, una CPU, una GPU modesta — e passare a VibeVoice-ASR-Streaming-1.5B significa allestire un'installazione di ricerca dai sorgenti su una GPU NVIDIA con ~5,6 GB di pesi, verificare un percorso di caricamento la cui classe di architettura non è ancora presente nella documentazione pubblica di Transformers, e costruire da zero il benchmark su cui si basa la tua decisione. È un vero progetto, e il ritorno è condizionato al fatto che le funzionalità non verificate siano rilevanti per te.

Il modo economico per far girare quel progetto è non trattarlo come una sostituzione. Mantieni Whisper Large v3 Turbo come modello predefinito e instrada una porzione dell'audio live verso VibeVoice-ASR-Streaming-1.5B tramite un'unica API — il pattern per cui esiste un livello di routing: oltre 200 modelli dietro un singolo endpoint al prezzo di listino del provider senza ricarichi, failover automatico quando il nuovo modello inciampa, e un DSL di routing che consente a carichi di lavoro diversi di scegliere trascrittori diversi da una singola chiamata. Questo è il modello di OrcaRouter, ed è la differenza tra scommettere la tua pipeline di produzione su un checkpoint vecchio di due giorni e lasciare che quel checkpoint si guadagni il suo posto confrontandosi con il cavallo di battaglia sulle tue trascrizioni.

Domande frequenti

Whisper Large v3 Turbo può fare live streaming?

Solo come retrofit. Whisper Large v3 Turbo è un modello batch che elabora finestre fisse di 30 secondi; per la trascrizione in tempo reale serve quindi costruire sopra di esso un rilevatore di attività vocale, un chunker, una strategia di sovrapposizione e uno stitcher. Esistono implementazioni funzionanti con latenze di circa 1–5 secondi: adatte per gli appunti delle riunioni, ma non all’altezza della soglia sub-secondo per agenti telefonici e sottotitolazione in tempo reale. VibeVoice-ASR-Streaming-1.5B è nativamente progettato per lo streaming: emette testo in chunk di ~2,9 secondi con ~0,5 secondi di lookahead; resta comunque uno streaming a chunk, non risultati parziali parola per parola, quindi verifica questa cadenza anche rispetto al tuo budget di latenza.

VibeVoice-ASR-Streaming-1.5B è più preciso di Whisper Large v3 Turbo?

Nessuno può ancora rispondere, incluso Microsoft. La precisione di Whisper Large v3 Turbo è misurata e pubblica — circa 2,1% di WER su LibriSpeech clean e 7,7–7,8% sul composite Open ASR. VibeVoice-ASR-Streaming-1.5B non ha una cifra WER di streaming pubblicata in forma testuale né un benchmark indipendente al momento in cui scriviamo. L'unico modo per rispondere alla domanda è eseguire il checkpoint sul proprio audio e confrontare le trascrizioni con il sistema attuale — che è esattamente il test che questa pagina raccomanda prima di qualsiasi migrazione.

Quali lingue supportano i due?

Whisper Large v3 Turbo supporta 99 lingue con un unico set di pesi. VibeVoice-ASR-Streaming-1.5B ne elenca dieci: cinese, inglese, francese, tedesco, italiano, giapponese, coreano, portoghese, russo e spagnolo. Per qualsiasi audio al di fuori di quel set di dieci lingue, Whisper è l'unica opzione in questo abbinamento, e il divario multilingue è la ragione più chiara in assoluto per cui la maggior parte dei team resterà dove si trova.

Whisper Large v3 Turbo è il modello giusto per la maggior parte dei team la maggior parte delle volte, e un checkpoint di due giorni senza benchmark non è un motivo per cambiare piattaforma. È un motivo per eseguire un esperimento. Se il tuo audio rientra nelle sue dieci lingue e l'attribuzione del parlante in tempo reale cambierebbe il tuo prodotto, metti VibeVoice-ASR-Streaming-1.5B dietro un router, indirizza una parte del traffico reale verso di esso e lascia che siano le trascrizioni — non l'assenza di benchmark da entrambe le parti — a decidere.