Saltar al contenido principal
Transcripción con Whisper

Whisper de OpenAI: cómo transcribir audio en español

Whisper es el modelo de reconocimiento de voz que OpenAI publica en código abierto con licencia MIT. Instalado en tu ordenador (o computadora), transcribe archivos sin subirlos a ningún servicio. Aquí tienes la instalación tal como funciona hoy, la orden para un audio en español, qué modelo elegir y lo que tendrás que hacer tú después: saber quién habla, revisar y guardar el texto.

Transcribir sin instalar nadaPara organizaciones: instalación local de KlangPlan gratuito · servicio en línea, datos procesados en Europa

01

Whisper es un modelo, no una aplicación

Whisper se usa desde la línea de comandos o como biblioteca de Python. No tiene ventana, botón para subir archivos ni espacio para compartir. Las aplicaciones y webs que llevan su nombre lo integran en su propia interfaz, y cada una decide dónde se procesan tus archivos.

Por eso conviene distinguir tres formas de usarlo, porque el audio no viaja igual en cada una:

  • Whisper instalado en tu ordenador: el archivo se procesa en tu máquina. Es gratis, pero necesitas Python, FFmpeg y algo de paciencia.
  • Whisper Web: una versión que funciona dentro del navegador con Transformers.js y tiene una demo pública en Hugging Face (Xenova/whisper-web). Es la que mucha gente encuentra al buscar «whisper web» o «whisper online».
  • La API de OpenAI: el archivo se envía a OpenAI y se paga por uso. Es la opción de quien programa su propia herramienta.

02

Instalar Whisper en cuatro pasos

El repositorio oficial indica que se desarrolló con Python 3.9.9 y que debería funcionar con Python 3.8 a 3.11. Una versión más nueva puede funcionar, pero queda fuera de lo documentado: si la instalación falla, prueba primero con una de esas versiones.

  • Instala Python 3.8–3.11, a ser posible en un entorno virtual solo para Whisper.
  • Instala FFmpeg, que es lo que lee el audio y el vídeo: brew install ffmpeg en macOS, choco install ffmpeg o scoop install ffmpeg en Windows, y sudo apt update && sudo apt install ffmpeg en Ubuntu o Debian.
  • Instala Whisper con pip install -U openai-whisper. Si falla por «setuptools_rust», ejecuta pip install setuptools-rust y vuelve a intentarlo.
  • Comprueba que responde con whisper --help: debe mostrar la lista de opciones.

03

La orden para transcribir un audio en español

Para una entrevista grabada en el móvil y guardada como entrevista.m4a, esta orden produce entrevista.txt en la carpeta transcripciones: whisper entrevista.m4a --language Spanish --model turbo --output_format txt --output_dir transcripciones

Indica siempre el idioma. Sin --language, Whisper lo detecta a partir del principio del audio, y una grabación que empieza con silencio, música o una frase en inglés puede salir en el idioma equivocado. Si no indicas --output_format, Whisper genera todos los formatos a la vez: TXT, SRT y VTT para subtítulos, y TSV, JSON y JSONL con marcas de tiempo.

Para nombres propios, siglas y términos técnicos, dale una pista con --initial_prompt, por ejemplo --initial_prompt "Entrevista del proyecto Ríos Vivos. Dra. Ochoa, Sr. Quispe, CONICET, PNUD." Whisper solo usa esa pista al principio de la grabación; añade --carry_initial_prompt True para que la repita en todo el audio.

La primera vez que usas un modelo, Whisper lo descarga. Haz esa primera prueba con conexión y con un archivo sin datos sensibles; después comprueba que transcribe sin red antes de contar con usarlo sin conexión.

04

Qué modelo de Whisper elegir para el español

El modelo por defecto es turbo, una versión optimizada de large-v3 que OpenAI presenta como mucho más rápida con una pérdida de precisión mínima. Los modelos que terminan en .en (tiny.en, base.en…) son solo para inglés: no los uses con audio en español.

Turbo no está entrenado para traducir. Si quieres pasar un audio en español directamente a texto en inglés con --task translate, usa medium o large. Whisper solo traduce al inglés.

En un portátil sin tarjeta gráfica compatible, Whisper usa el procesador. Funciona, pero mucho más despacio, y verás un aviso de que FP16 no se admite en CPU, que no es un error. Antes de lanzar dos horas de audio, cronometra un fragmento de cinco minutos y decide entre turbo y small según el resultado. Memoria de vídeo y velocidad según el repositorio oficial (velocidad relativa a large):

  • tiny: 39 millones de parámetros, unos 1 GB de memoria de vídeo, unas 10 veces más rápido
  • base: 74 millones, unos 1 GB, unas 7 veces
  • small: 244 millones, unos 2 GB, unas 4 veces
  • medium: 769 millones, unos 5 GB, unas 2 veces
  • large: 1.550 millones, unos 10 GB, velocidad de referencia
  • turbo: 809 millones, unos 6 GB, unas 8 veces

05

Lo que Whisper no hace y te toca a ti

Whisper entrega texto con marcas de tiempo. Para un acta, una entrevista de investigación o una declaración, eso es materia prima. Esto queda pendiente:

  • Saber quién habla. Whisper no separa a los hablantes y su documentación no lo menciona. Hace falta otra herramienta de diarización o marcarlo a mano escuchando el audio.
  • Revisar. La ficha del modelo advierte de que puede escribir frases que nadie dijo (alucinaciones) y repetir fragmentos en bucle, y de que su precisión varía según el idioma y el acento. Revisa nombres, cifras y fechas antes de citar.
  • Guardar y proteger los archivos: quién accede, en qué ordenador, con qué copia de seguridad y cuándo se borra el audio.
  • Redactar: resumen, acuerdos y tareas. Whisper no resume.

06

En una empresa o institución: Whisper local, un servicio en línea o instalación propia

Whisper en local evita entregar las grabaciones a un tercero para transcribirlas, pero no resuelve el resto del RGPD: la organización sigue siendo responsable del tratamiento, tiene que informar a las personas grabadas, fijar un plazo de conservación y proteger los ordenadores donde quedan los archivos. Y si cada persona lo instala por su cuenta, el departamento de sistemas pierde de vista dónde están las grabaciones. La propia ficha del modelo desaconseja transcribir grabaciones hechas sin el consentimiento de las personas.

Un servicio en línea es un encargado del tratamiento según el artículo 28 del RGPD: necesitas un contrato de encargo (DPA), saber dónde se procesan los datos y si se usan para entrenar modelos. Klang procesa los datos en Europa, nunca usa el contenido de tus conversaciones para entrenar IA y cuenta con la certificación ISO/IEC 27001:2022. El plan Business incluye el DPA en la cuenta, inicio de sesión único (SSO), registro de auditoría y estadísticas de uso.

Cuando ninguna grabación puede salir de la red de la organización, el plan Enterprise de Klang se instala en los servidores de tu organización o en una nube privada con clave de cifrado propia. Es un proyecto de implantación que se habla con el equipo de Klang.

Whisper en tu ordenador, Whisper Web o Klang

Lo que cambia para quien transcribe a menudo o en equipo:

Whisper en tu ordenador, Whisper Web o Klang
Whisper en tu ordenadorWhisper WebKlang
Dónde se procesa el audioEn tu ordenadorEn tu navegadorEn la nube, en Europa; en tus servidores con Enterprise
InstalaciónPython, FFmpeg y el modeloNinguna; depende de la potencia del ordenador y del navegadorNinguna: navegador, móvil u ordenador
Hablantes separadosNoNoSí, en Pro; en el plan gratuito, los primeros fragmentos
Resumen, acuerdos y tareasNoNoSí
Reuniones en líneaNecesitas antes la grabaciónNecesitas antes la grabaciónEl asistente entra en Teams, Zoom y Google Meet
Trabajo en equipo y controlLo organizas túLo organizas túBusiness: SSO, registro de auditoría y estadísticas
Contrato de encargo (DPA)No hay encargado para la transcripciónNo hay encargado para la transcripciónEn la cuenta, plan Business
CosteGratis (MIT), más tu hardware y tu tiempoGratisPlan gratuito; Pro 14 € al mes con pago anual; Business 25 € por usuario

Whisper: repositorio openai/whisper y xenova/whisper-web, consultados el 10 de noviembre de 2026. Klang: página de precios, por usuario y mes con facturación anual, sin IVA (16 € y 30 € con pago mensual).

Ejemplo: una entrevista de investigación de 60 minutos

Una entrevista a dos voces para un estudio cualitativo, grabada con el móvil, que hay que transcribir literal y anonimizar antes de analizarla.

Archivo
entrevista-07.m4a, nota de voz del móvil, entrevistadora y participante, nombres de instituciones y siglas.
Orden
whisper entrevista-07.m4a --language Spanish --model turbo --output_format txt --output_dir estudio --initial_prompt "Entrevista 07. Proyecto Ríos Vivos. CONICET, PNUD."
Resultado
Un texto continuo sin indicar quién habla. Para separar preguntas y respuestas hay que volver a escuchar y marcar cada cambio de voz.
Pendiente
Etiquetar a los hablantes, revisar nombres y cifras, sustituir datos identificativos, guardar el texto en una carpeta con acceso restringido y borrar el audio cuando toque.
Con Klang
Con Pro, el mismo archivo llega con entrevistadora y participante separadas, cada frase enlazada al audio para revisarla, y puedes pedir un resumen o buscar todas las respuestas sobre un tema.

Sin instalar nada

El mismo archivo, con hablantes y resumen

Sube la grabación o deja que el asistente entre en la reunión: Klang la transcribe, enlaza cada frase con el audio y te deja preguntar por lo que se dijo. Con Pro, separa a los hablantes en toda la transcripción.

  • Audio y vídeo de hasta 10 GB: MP3, M4A, WAV, OPUS, MP4 y más
  • Hablantes separados en toda la transcripción con Pro
  • Business: SSO, DPA en la cuenta y registro de auditoría
  • Datos procesados en Europa · ISO/IEC 27001:2022 · sin entrenar IA con tus grabaciones

Preguntas frecuentes sobre Whisper

¿Whisper es gratis?

Sí. El código y los pesos del modelo se publican con licencia MIT, que también permite el uso comercial. El coste real es tu hardware y el tiempo de instalar, revisar y marcar quién habla. La API de OpenAI, en cambio, se paga por uso y procesa el archivo en OpenAI.

¿Qué es Whisper Web?

Una versión de Whisper que se ejecuta dentro del navegador con Transformers.js, sin instalar Python. Tiene una demo pública en Hugging Face (Xenova/whisper-web). La velocidad depende de tu ordenador y, como el resto de versiones de Whisper, no separa a los hablantes.

¿Whisper funciona sin internet?

Sí, una vez descargado el modelo, lo que ocurre la primera vez que lo usas. Haz esa primera prueba con conexión y comprueba después que una transcripción termina sin red.

¿Qué modelo de Whisper es mejor para el español?

Empieza con turbo, el modelo por defecto, si tu tarjeta gráfica tiene unos 6 GB de memoria. En un ordenador modesto prueba small. No uses las variantes .en, que son solo para inglés. Y prueba siempre con una grabación tuya, porque la precisión cambia con el acento y la calidad del audio.

¿Whisper distingue quién habla?

No. Produce texto con marcas de tiempo sin indicar el hablante. Necesitas una herramienta de diarización aparte o revisarlo a mano. Klang separa a los hablantes en el plan Pro, que se prueba gratis 7 días; en el plan gratuito, las etiquetas se muestran en los primeros fragmentos de cada transcripción.

¿Usar Whisper cumple el RGPD?

Depende del uso, no del modelo. En local no hay un tercero que reciba las grabaciones, pero sigues siendo responsable de informar a las personas grabadas, del plazo de conservación y de la seguridad de los archivos. Con un servicio en línea necesitas además un contrato de encargo del tratamiento (artículo 28 del RGPD).

¿Klang funciona sin conexión, como Whisper en local?

No. Klang es un servicio en línea y necesita conexión. Las organizaciones que necesitan procesar todo dentro de su red pueden instalar Klang en sus propios servidores con el plan Enterprise.

Fuentes

Consultadas el 10 de noviembre de 2026.