Whisper de OpenAI: transcribir audio a texto gratis y en local

Whisper es un modelo de reconocimiento de voz «de propósito general», según su repositorio oficial github.com/openai/whisper, publicado con licencia MIT. Se entrenó con una gran cantidad de audio variado y es multitarea: transcribe en muchos idiomas, traduce voz a inglés e identifica el idioma que se habla. Existen varios tamaños de modelo; el README destaca turbo, una versión optimizada que transcribe más rápido con una pérdida mínima de precisión y necesita alrededor de 6 GB de memoria de vídeo.

Whisper sirve para convertir en texto cualquier grabación: reuniones, llamadas grabadas con consentimiento, entrevistas, clases, pódcasts o vídeos. Con el texto ya puedes buscar, resumir con una IA o subtitular. También puede generar archivos de subtítulos y traducir al inglés lo que se dice en otro idioma. Muchas aplicaciones de transcripción usan Whisper por debajo; aquí te explicamos cómo usar el original, que es gratuito.

¿Por qué ha tenido tanto éxito? Porque funciona razonablemente bien con acentos, ruido de fondo moderado y vocabulario variado, algo que antes solo ofrecían servicios de pago. Y porque, al ser abierto, se puede ejecutar dentro de la empresa, sin depender de un proveedor externo ni pagar por minuto transcrito. Para una pyme que graba muchas reuniones o formaciones, ese ahorro de tiempo y dinero se nota desde la primera semana.

Whisper no tiene ventana gráfica propia: se usa con comandos sencillos. La instalación puede requerir ayuda técnica la primera vez.

1. Instala Whisper y la herramienta ffmpeg, como indica el README: pip install -U openai-whisper (ffmpeg se instala desde el gestor de paquetes de tu sistema).
2. Transcribe un archivo indicando el idioma: whisper reunion.mp3 --model turbo --language Spanish.
3. Revisa el texto generado en la misma carpeta y corrige nombres propios o términos técnicos.

La primera vez descargará el modelo; después funciona sin conexión.

• Actas de reunión: transcribir y después pedir a una IA un resumen con tareas y responsables.
• Formación: convertir vídeos internos en texto para crear manuales o subtítulos.
• Marketing: sacar el texto de un pódcast o un vídeo para reutilizarlo en el blog.
• Atención al cliente: analizar llamadas grabadas, siempre con aviso previo al cliente.
• Recursos humanos: transcribir entrevistas de selección, con permiso de los candidatos, para comparar respuestas con calma.
• Accesibilidad: subtitular vídeos para que los entienda todo el mundo.

Combinado con NotebookLM o una IA local como Ollama, una hora de audio se convierte en un resumen útil en minutos.

Whisper es muy bueno, pero no perfecto: confunde nombres propios, siglas y términos técnicos, y su calidad baja con ruido o varias personas hablando a la vez. El propio repositorio advierte de que el rendimiento varía mucho según el idioma. Nunca uses una transcripción como prueba o documento oficial sin revisarla. Además, los modelos grandes necesitan un ordenador potente; en equipos modestos la transcripción puede ser lenta, así que empieza por audios cortos.

Un consejo práctico: graba con un micrófono decente y pide a los participantes que no hablen a la vez. Esa sencilla disciplina mejora más la transcripción que cambiar de modelo, y reduce el tiempo que pasarás corrigiendo el texto después.

La gran ventaja de Whisper es que se ejecuta en tu equipo: el audio no tiene que salir de tu empresa. Aun así, la voz es un dato personal. Antes de grabar una reunión o una llamada, informa a los participantes y, si procede, pide su consentimiento; guarda las grabaciones el tiempo imprescindible y bórralas cuando ya no hagan falta. Si usas una app de terceros basada en Whisper, revisa dónde procesa el audio. Más pautas en IA, documentos y permisos.

¿Whisper de OpenAI es gratis?

Sí. Whisper es de código abierto con licencia MIT y se puede usar sin coste en tu propio ordenador.

¿Whisper transcribe en español?

Sí. Es un modelo multilingüe que transcribe en muchos idiomas, incluido el español, aunque la precisión varía según el idioma y la calidad del audio.

¿Whisper funciona sin internet?

Sí. Tras descargar el modelo la primera vez, la transcripción se hace en tu equipo sin conexión.

¿Qué ordenador necesito para Whisper?

Depende del modelo. Según el README, el modelo turbo necesita unos 6 GB de memoria de vídeo; los modelos pequeños funcionan en equipos más modestos, aunque más despacio.

¿Es legal transcribir una llamada o una reunión?

Debes informar a los participantes y tener una base legal para tratar su voz, que es un dato personal; en caso de duda, pide consentimiento.

Whisper es una de las herramientas de IA más útiles y menos conocidas para una pyme: gratuita, precisa y capaz de trabajar sin enviar tus audios a nadie. Empieza transcribiendo una reunión interna, revisa el resultado y decide si lo incorporas a tu rutina. Si necesitas ayuda para dejarlo instalado y funcionando, cuenta con nosotros.