WisprFlow, Whisper y GigaAM: cuál reconoce mejor el habla mezclada en ruso e inglés

El dictado por voz ha dejado de ser un simple complemento cómodo. Para quienes hablan con LLM, trabajan en Cursor y dictan órdenes mezclando ruso e inglés, se está convirtiendo en una interfaz completa. En un nuevo análisis, el autor comparó aplicaciones y modelos que deben entender frases como «объясни на русском» («explica en ruso»), «открой в Cursor» («abre en Cursor») y «проверь, что deploy прошёл» («comprueba que el deploy se ha completado»), y mostró qué soluciones sirven de verdad para este tipo de habla mixta en 2026.

El material se basa en seis meses de pruebas prácticas. No se centra en la precisión abstracta de reconocimiento por idioma, sino en un escenario más difícil, familiar para desarrolladores, analistas y usuarios intensivos de IA: cambiar rápidamente entre ruso e inglés dentro de una misma frase, transcribir bien nombres de productos, términos y elementos de código, y obtener una puntuación clara sin largo posprocesado. Ahí es donde fallan con frecuencia incluso los sistemas potentes: las palabras inglesas se convierten en cirílico, las órdenes pierden sentido y el texto dictado exige correcciones manuales.

En el apartado de aplicaciones, el autor comparó cinco opciones de distintas categorías: WisprFlow, SpeakFlow, Handy, OpenWhispr y SuperWhisper. La muestra incluye soluciones en la nube y locales, productos de pago y herramientas de código abierto. Una de las conclusiones principales de la reseña es que WisprFlow, un servicio en la nube, ya puede sustituirse por una alternativa gratuita de código abierto sin una pérdida notable de calidad.

Para el usuario no es solo un ahorro en la suscripción, sino también más control sobre la privacidad, la velocidad y los ajustes de un pipeline local. El autor menciona además su aportación al ecosistema: uno de sus pull requests se aceptó en la rama principal de un proyecto de código abierto.

La parte dedicada a los modelos no es menos importante. El benchmark incluyó Whisper Large v3, Whisper Turbo, GigaAM v3 de Sber, Canary 1B v2 de NVIDIA y Parakeet V3. Whisper sigue siendo la referencia en este tipo de comparaciones, pero el artículo muestra que el resultado real depende no solo del modelo, sino de cómo se ejecuta.

El autor comparó Whisper Turbo y Large v3 en una RTX 5070 Ti y obtuvo un resultado inesperado: en la arquitectura Blackwell, ejecutar mediante Vulkan resultó aproximadamente un 50% más rápido que mediante CUDA. Para un uso local es un detalle práctico importante, porque la diferencia afecta directamente a la latencia, a la fluidez del dictado y a la elección del stack.

Las alternativas a Whisper tampoco parecen ya un puro experimento. Según el autor, GigaAM v3 y Canary 1B v2 se acercan al nivel del líder en varios escenarios, pero sus puntos débiles aparecen en el habla mixta, cuando una palabra inglesa no debe traducirse ni transliterarse, sino conservarse sin distorsión. Un ejemplo ilustrativo de la reseña es el caso en que Gemini se convierte en «Jemni» (escrito en cirílico por el modelo).

En una nota corriente resulta molesto pero tolerable; en el trabajo por voz con herramientas de IA, IDE, nombres de bibliotecas y comandos de despliegue, un error así puede arruinar el sentido por completo. Por eso, en el uso técnico, la calidad del manejo del code-switching importa más que una métrica de precisión promedio.

Otra conclusión práctica se refiere a la puntuación. El autor escribe que el problema de las comas y los puntos que desaparecen se resolvió en el 99% de los casos con un único prompt de texto, sin posprocesadores LLM ni latencia adicional. Es una observación relevante para quien construye un flujo de trabajo por voz en torno a editores, chats con IA y notas: la incomodidad suele surgir no por palabras mal reconocidas, sino porque después hay que limpiar el texto con capas de procesamiento aparte. Si la puntuación se puede estabilizar en el escenario básico, la voz empieza a competir con el teclado no solo en velocidad, sino también en comodidad del trabajo diario.

La conclusión de la reseña es sencilla: en abril de 2026, el mercado del dictado por voz para la mezcla de ruso e inglés ha madurado de forma notable, pero sigue sin haber un ganador universal. Si se busca el resultado más predecible, Whisper y las aplicaciones sólidas basadas en él siguen marcando el listón. Si importan la ejecución local, el precio y el control sobre el stack, las soluciones de código abierto ya parecen una alternativa real a los servicios en la nube.

Y el criterio principal pasa a ser no la «precisión» publicitaria, sino la capacidad del sistema de sobrevivir sin fallos al habla técnica real, en la que ruso, inglés y órdenes para redes neuronales suenan en una misma frase.