LesskeysCuando Whisper se detiene antes y dice que terminó
Última revisión:
Qué es
Qué es el truncamiento silencioso
El texto que produjo era correcto. Simplemente se detuvo, y el flujo dijo que había terminado.
Un modelo de voz puede devolver las palabras equivocadas, o puede detenerse a mitad y entregar una transcripción correcta de la primera parte como si estuviera completa. En nuestra peor ejecución, el noruego, devolvió 113 de 521 palabras de referencia tras 30 minutos de cálculo, y se detuvo tras 9 segmentos. Nuestro propio flujo registró esa ejecución como COMPLETED: sin error, sin aviso, sin indicador de resultado parcial.
- 10 de 143ejecuciones se detuvieron antes
- 22 %del audio en la peor ejecución
- 9 de 10en los dos archivos large-v3
Qué ejecuciones
Qué idiomas se detuvieron antes
9 de las 10 están en los dos archivos large-v3.
La cobertura es la longitud de la transcripción dividida entre la longitud de la referencia: 1,00 es una transcripción completa. Cada barra es una ejecución truncada; la línea discontinua es el umbral de 0,80.
- Noruego0,22
- Malayo0,32
- Vietnamita0,34
- Coreano0,40
- Neerlandés0,74
- Checo0,22
- Portugués (Brasil)0,35
- Vietnamita0,37
- Malayo0,75
- Hindi†0,72
Hindi: una salvedad de puntuación
† Esta es la ejecución del modelo predeterminado: 886 unidades frente a una referencia de 1.237, el mismo recuento inflado que señala la corrección publicada en
Siempre corto, nunca largo
Todas las celdas extremas de esta matriz son cortas, nunca largas. Ni una ejecución de 143 superó su referencia en más de la mitad. Es el signo opuesto al del fallo de bucle de repetición, en el que un modelo se atasca y emite la misma frase durante minutos, con una cobertura de cinco veces la referencia o más. Ambos son catastróficos y ambos pasan inadvertidos en una revisión puntual, pero se distinguen por el signo del mismo número, y eso permite que una sola comprobación detecte los dos.
Detéctalo
Detéctalo sin una referencia
Compara cuánta transcripción se obtuvo con cuánto duraba el audio.
La tasa de error de palabras necesita una transcripción de referencia, que en producción nunca tienes. La cobertura no. En esta matriz las dos poblaciones se separan con nitidez:
| Grupo | Ejecuciones | Cobertura media | Tasa de error media |
|---|---|---|---|
| Truncadas | 10 | 0,44 | 65,90 % |
| Sanas | 133 | 1,01 | 12,10 % |
El umbral de 0,80 no está ajustado a los datos: la cobertura más alta entre las ejecuciones truncadas es 0,75 y la más baja entre las sanas es 0,82, así que cualquier umbral dentro de esa banda vacía da la misma respuesta. En producción: compara la marca de tiempo del último segmento devuelto con la duración del archivo, en el equipo del usuario, sin ninguna referencia con la que comparar.
La tasa de error
El truncamiento infla la tasa de error
Unos 9,4 puntos de su tasa de error no se deben a que el modelo oiga mal, sino a que, sencillamente, el texto no está.
Incluso sin truncamiento, Large V3 no alcanza al modelo turbo más pequeño
Qué significa esto para los modelos que ofrece Lesskeys
Esa versión no tiene comprobación de cobertura. La comprobación descrita arriba es una propuesta para ella, no una función publicada.
Estado el 15 de octubre de 2026, de la versión de la App Store a la venta (3.1.4 )
Dicho sin rodeos, porque es la razón por la que vale la pena publicar esta página en lugar de archivarla:
- Los dos archivos large-v3
se ofrecen en el selector de modelos de y acumulan 9 de las 10 ejecuciones truncadas. Quien razona «descarga más grande, mejor resultado» está eligiendo la opción menos fiable de la lista.Lesskeys La cuantización de no está en el selector de esa versión. En esta prueba solo fue accesible porque el directorio de modelos se examina al iniciar.834 MB que registró el menor error medio (una diferencia con las demás ejecuciones turbo que es sobre todo una sola fila de hindi) y cero truncamientosEl modelo predeterminado ( 547 MB ) se truncó una vez en 29 idiomas, en hindi (lo más probable es un truncamiento real; consulta la nota bajo la lista de cobertura). Esa ejecución y la deLarge V3 Q5 en checo se hicieron en la parte de12 GB de la matriz, con poca memoria de sobra (consulta los límites).- Esa versión no tiene comprobación de cobertura. La comprobación descrita arriba es una propuesta para ella, no una función publicada. Cuando se publique, esta sección se reescribirá en lugar de borrarse en silencio.
Qué significa esto en Windows
Los datos
El método, la tabla y los límites
Cómo se hicieron las ejecuciones y qué no pueden decirte, plegado.
Cómo se midió el truncamiento
Cada ejecución pasó por la aplicación que se distribuyewhisper-cli. Eso importa: la detección de actividad de voz, el filtro de alucinaciones, la normalización de volumen y la restricción de idioma estaban todos en el recorrido, tal como los tendría un usuario. El idioma se fijó por ejecución y se respetó en las 143 celdas; el modelo cargado coincidió con el solicitado en las 143. Las dos celdas ausentes son el hindi en los dos archivos large-v3, que no se completaron en absoluto.
Los cinco modelos: tamaño, error medio, ejecuciones truncadas
| Modelo | Tamaño | Idiomas | Error medio | Mediana | Ejecuciones truncadas |
|---|---|---|---|---|---|
| 29 | 9,16 % | 6,80 % | ninguna | ||
| 29 | 9,52 % | 7,23 % | ninguna | ||
| 29 | 9,99 % | 7,81 % | 1 de 29 | ||
| 28 | 24,64 % | 15,80 % | 5 de 28 | ||
| 28 | 26,66 % | 18,66 % | 4 de 28 |
Los límites de esta prueba
- Voz leída, no reuniones. FLEURS es prosa grabada y limpia. El audio conversacional y con voces superpuestas es bastante más difícil, y estas tasas no deben leerse como lo que obtendrías en una llamada real.
- Una pasada por celda. 143 celdas, una ejecución cada una. El truncamiento fue reproducible en los dos archivos large-v3 y en dos investigaciones independientes, pero esta matriz no establece una tasa; establece que ocurre.
- Una máquina, dos tamaños de memoria.
Las celdas se ejecutaron en una máquina virtual con Apple Silicon cuya memoria era de12 GB en las primeras 33 celdas y de24 GB en el resto; las 29 celdas del modelo predeterminado y las cuatro primeras deLarge V3 Q5 (árabe, checo, danés, alemán) se ejecutaron en la parte de12 GB . Dos ejecuciones truncadas caen en ella: el hindi con el predeterminado (241 MB de memoria disponible en el punto más bajo) y el checo conLarge V3 Q5 (60 MB ). Todas las demás ejecuciones truncadas tuvieron más de6.000 MB disponibles. Es posible que la poca memoria contribuyera a esas dos, y esta matriz no puede separarlo del modelo. La decodificación se dejó con los valores por defecto de la ruta de archivos de la aplicación, no con los de la herramienta de línea de comandos. - Las tasas absolutas llevan cierta inflación por las decisiones de normalización de puntuación y mayúsculas. Lo que sostiene la conclusión son las comparaciones entre modelos, no los porcentajes absolutos.
Esta vez se conservaron las transcripciones. En un barrido anterior las sobrescribió el paso de configuración de la ejecución siguiente, y el truncamiento tuvo que deducirse del recuento de palabras, que es justo la razón por la que pasó inadvertido tanto tiempo. «Peor tasa de error» y «se detuvo antes» se ven igual en una tabla de resultados.
Preguntas
Preguntas sobre Whisper cuando se detiene antes
¿Qué es el truncamiento silencioso en el reconocimiento de voz?
Un modelo devuelve una transcripción que cubre solo parte del audio y el flujo que lo rodea informa de éxito. El texto presente suele ser correcto, así que nada parece estar mal hasta que alguien compara la transcripción con la grabación. En esta matriz afectó a 10 de 143 ejecuciones, 9 de ellas en los dos archivos large-v3.
¿Cómo puedo detectar una transcripción truncada sin una referencia?
Compara lo que salió con lo que entró: la marca de tiempo final del último segmento frente a la duración del archivo de audio, o la longitud de la transcripción frente a la esperada. Ninguna de las dos necesita una transcripción de referencia, y eso es lo que hace útil la comprobación en producción. En estos datos, las ejecuciones truncadas tuvieron una cobertura media de 0,44 frente a 1,01 en las sanas.
¿Un modelo de Whisper más grande da mejores resultados?
¿Es un error de Whisper o de la app?
No está determinado, y la página no afirma saberlo. Lo medido es que la condición ocurre y que el flujo que la rodea no la detectó. La comprobación de cobertura propuesta es una mitigación en la capa de la aplicación, que es la que controlamos; no diagnostica la causa de fondo.
Más