Cómo transcribir audio a texto en local con Whisper

Puedes transcribir audio a texto en tu propio ordenador, gratis y sin subir nada a internet, con los modelos abiertos Whisper de OpenAI. Lo instalamos el 14 de octubre de 2026 y lo cronometramos: en un procesador de sobremesa, sin usar la GPU, el modelo small transcribió 33 segundos de diálogo en español en 9,3 segundos con un 3,2 % de palabras mal, y un minuto de inglés en unos 11,5 segundos sin ningún error, incluso con mucho ruido de fondo. Esta guía explica cómo montarlo, qué modelo elegir, qué demuestra nuestra prueba y qué no, y cuándo compensa más un servicio de pago en la nube.

En local o en la nube: la comparación rápida

Tabla: formas de transcribir audio a texto (precios y límites de cada proveedor, comprobados el 14 de octubre de 2026)

La opción local es la buena para entrevistas, grabaciones médicas o legales y cualquier cosa que prefieras no mandar a un tercero. Por el mismo motivo, nuestra guía sobre si ChatGPT es seguro explica qué pasa con lo que subes a un asistente en la nube.

Cómo transcribir audio en local con faster-whisper

faster-whisper es una reimplementación de Whisper sobre el motor CTranslate2. Su README dice que es hasta 4 veces más rápido que el Whisper original con la misma precisión y menos memoria, y que, a diferencia del original, no necesita FFmpeg instalado porque decodifica el audio con una biblioteca que trae incluida.

1. Instala Python 3.9 o posterior y ejecuta pip install faster-whisper.
2. Guarda esto como transcribir.py junto a tu archivo de audio:

from faster_whisper import WhisperModel

model = WhisperModel("small", device="cpu", compute_type="int8")
segments, info = model.transcribe("audio.mp3", beam_size=5)
print("Idioma:", info.language, round(info.language_probability, 2))
for s in segments:
    print("[%.2fs -> %.2fs] %s" % (s.start, s.end, s.text))

3. Ejecuta python transcribir.py. La primera vez descarga el modelo; después funciona sin conexión. Detecta el idioma solo, y cada línea sale con sus marcas de tiempo, útiles para subtítulos.

int8 es una cuantización a 8 bits, que reduce la memoria con poca pérdida (nuestra guía sobre la cuantización explica el compromiso). Para usar una GPU de NVIDIA, cambia el dispositivo a "cuda" y el tipo de cálculo a "float16". Eso exige instalar aparte cuBLAS para CUDA 12 y cuDNN 9 de NVIDIA: nuestro primer intento con la GPU falló con «Library cublas64_12.dll is not found», justo el requisito que indica el README. Instalarlos es el paso que más gente se salta.

Si prefieres la línea de comandos, el paquete original openai-whisper funciona con pip install -U openai-whisper más FFmpeg, y luego whisper audio.mp3 --model turbo --language Spanish.

Qué modelo de Whisper elegir

OpenAI entrenó Whisper con 680.000 horas de audio en muchos idiomas, según su artículo de 2022, y lo publicó en seis tamaños. Los grandes se equivocan menos y van más despacio.

Tabla: tamaños de Whisper (README de OpenAI; velocidad relativa a large)

Para español, usa siempre los modelos multilingües, no los .en. OpenAI dice que turbo es una versión optimizada de large-v3 con una pérdida mínima de precisión, pero que no traduce: para pasar una grabación a inglés usa medium o large. También avisa de que el rendimiento varía mucho según el idioma. Small es un buen punto de partida en CPU, como muestra nuestra prueba; turbo, que necesita unos 6 GB de VRAM, es el modelo por defecto de la línea de comandos de openai-whisper. Nuestra guía sobre cuánta VRAM necesitas cubre el hardware para modelos más grandes.

Nuestra prueba: velocidad y precisión en CPU

Cómo lo probamos. faster-whisper 1.2.1 (CTranslate2 4.8.2), el modelo small, int8 en la CPU, beam size 5 y detección automática de idioma, en un Intel Core i9-12900KF. Comparamos cada transcripción con el guion del que se leyó y contamos las palabras mal después de quitar signos de puntuación y mayúsculas.

Tabla: nuestros resultados (14 de octubre de 2026)

Cargar el modelo tardó 1,4 segundos, y reconoció los dos idiomas con una probabilidad de más de 0,99. En español, dos errores fueron reales («Ah» por «Ay» y «que» sin tilde donde iba «qué») y el tercero fue de formato: escribió «dos» con letra donde el guion ponía la cifra «2». El único error en inglés fue «share» por «shared».

Lo que esto no demuestra. Las voces eran sintéticas: voces en español de un servicio comercial de texto a voz y la voz inglesa que trae Windows, grabadas limpias. Es casi el mejor caso posible. Las grabaciones reales, con acentos, gente que se pisa al hablar, audio de teléfono o salas con eco, darán más errores, y eso no lo hemos probado. Como referencia en otro hardware, la prueba del propio faster-whisper transcribe 13 minutos de audio con el modelo small en 1 minuto y 42 segundos en un Intel Core i7-12700K con 8 hilos, y con el modelo large-v2 en algo más de un minuto en una RTX 3070 Ti.

Cuándo usar un servicio en la nube

• Necesitas saber quién habla. Whisper da marcas de tiempo pero no nombres de hablante. El modelo gpt-4o-transcribe-diarize de OpenAI devuelve segmentos con hablante, y Transcribir en Word también separa a cada persona.
• Transcribes poco y no quieres instalar nada. A 0,0045 $ el minuto, una hora con gpt-transcribe cuesta unos 0,27 $. Los archivos no pueden pasar de 25 MB, así que las grabaciones largas hay que comprimirlas o trocearlas.
• Tu ordenador es lento. En un portátil antiguo, prueba los modelos tiny o base, o el modo por lotes de faster-whisper, antes de pagar un servicio.

Si nunca has ejecutado modelos en tu equipo, nuestra guía para instalar Ollama cubre la misma idea con modelos de chat, y NPU vs GPU explica qué chip de un portátil nuevo hará de verdad el trabajo.