Whisper

Whisper es el modelo de reconocimiento de voz de código abierto de OpenAI y sigue siendo, en 2026, la forma más popular de transcribir audio gratis en tu propio ordenador, sin nube ni suscripción. Publicado en septiembre de 2022 bajo licencia MIT en su repositorio oficial de GitHub, admite 99 idiomas —español incluido, con un rendimiento especialmente bueno—, funciona 100 % offline y sirve para transcribir podcasts, entrevistas, reuniones, clases y vídeos, generar subtítulos o dictar texto. Quien no quiera instalar nada puede usar la API de pago de OpenAI (desde 0,003 dólares por minuto a octubre de 2026) o aplicaciones gráficas gratuitas basadas en el mismo modelo. Sus dos grandes límites: no separa hablantes de forma nativa (diarización) y OpenAI dejó de actualizar la versión abierta, aunque la comunidad —con faster-whisper y whisper.cpp a la cabeza— mantiene el ecosistema plenamente vivo.

¿Qué es Whisper y por qué se ha convertido en un estándar?

Whisper es un sistema de reconocimiento automático del habla (ASR, automatic speech recognition) que OpenAI entrenó con 680.000 horas de audio multilingüe y multitarea procedentes de internet, una cifra muy superior a la de los conjuntos de datos de voz disponibles en 2022. Utiliza una arquitectura transformer de extremo a extremo (codificador-decodificador) que generaliza sin entrenamiento previo a acentos, ruido de fondo y dominios nuevos, y en inglés se acercó al rendimiento humano en los benchmarks de su lanzamiento.

Un solo modelo hace tres tareas: transcribir el audio en su idioma original, traducir el habla de cualquier idioma al inglés y detectar el idioma hablado, además de generar marcas de tiempo a nivel de segmento y de palabra. La licencia MIT permite usarlo, modificarlo y desplegarlo comercialmente sin pagar nada, lo que lo convierte en una alternativa real a servicios de transcripción de pago como Otter.ai o Fireflies.ai, que suben tus grabaciones a servidores de terceros. Con Whisper local el audio nunca sale de tu equipo: un argumento decisivo para grabaciones legales, médicas o periodísticas sujetas al RGPD.

Modelos y tamaños: de tiny a large-v3 y turbo

Whisper se distribuye en varios tamaños para que elijas según tu hardware y la precisión que necesites. Los modelos abiertos más recientes son large-v3 (publicado a finales de 2023) y la variante turbo (large-v3-turbo, a finales de 2024), un modelo destilado que recorta el decodificador para ir bastante más rápido con una precisión muy similar. Desde entonces no ha habido ninguna actualización importante del modelo abierto.

Modelo	Parámetros	Memoria aproximada	Cuándo usarlo
tiny	39 M	~1 GB	Borradores rápidos, dispositivos modestos
base	74 M	~1 GB	Pruebas y dictado sencillo
small	244 M	~2 GB	Buen equilibrio calidad/velocidad sin GPU potente
medium	769 M	~5 GB	Precisión alta con GPU media
large-v3	1.550 M	~10 GB	Máxima precisión, acentos y audio difícil
large-v3-turbo	809 M	~6 GB	Recomendado para español: casi la precisión de large-v3 a mucha más velocidad

Cómo usar Whisper gratis y en local

La vía clásica es Python: instalar FFmpeg, ejecutar pip install openai-whisper y lanzar la orden whisper audio.mp3 --language es --model turbo. En un portátil con GPU NVIDIA de gama media, faster-whisper —la reimplementación basada en CTranslate2— transcribe unos 10 minutos de audio en 20 segundos, unas cuatro veces más rápido que la librería original y con cuantización int8 el modelo large-v3 ocupa alrededor de 3 GB de memoria.

Si prefieres CPU pura, bajo consumo o tiempo real, whisper.cpp lleva Whisper a C/C++ con aceleración Metal en Apple Silicon y es la base de muchas aplicaciones. Y si no quieres tocar la terminal, existen opciones gráficas y en navegador: MacWhisper y Buzz en escritorio, o herramientas web que ejecutan el modelo real en tu navegador con WebGPU y WebAssembly, exportan TXT, SRT o VTT y, tras la primera descarga del modelo, funcionan sin conexión.

Precios de la API de OpenAI (a octubre de 2026)

El modelo open source es gratuito para siempre; lo de pago es delegar la transcripción en los servidores de OpenAI. El histórico whisper-1 costaba 0,006 dólares por minuto, pero ya no aparece en la tabla de precios y OpenAI notificó el 26 de agosto de 2026 su retirada, junto a la familia gpt-4o-transcribe, para el 26 de febrero de 2027, con migración recomendada a gpt-transcribe y gpt-live-transcribe. Estos son los precios vigentes en la API a octubre de 2026:

Modelo de la API	Precio	Para qué
gpt-4o-mini-transcribe	0,003 $/min	Transcripción económica por lotes
gpt-transcribe	0,0045 $/min	Sucesor recomendado para audio ya grabado
gpt-4o-transcribe	0,006 $/min	Sucesor de whisper-1, máxima calidad
GPT-Realtime-Whisper	0,017 $/min	Transcripción en streaming mientras se habla

Como referencia: diez horas de audio suponen unos 3,60 dólares con gpt-4o-transcribe, y el endpoint clásico de whisper-1 limita los archivos a 25 MB y admite formatos JSON, texto, SRT y VTT. Para volúmenes altos o datos sensibles, el coste de la nube rara vez justifica no ejecutar Whisper en casa.

Limitaciones que debes conocer antes de empezar

• Sin diarización nativa: Whisper no identifica quién habla. Necesitas combinarlo con pyannote-audio o usar una API comercial que la incluya.
• Sin streaming oficial: el modelo abierto está pensado para archivos cerrados; para tiempo real hay forks como whisper-streaming o el servicio de pago GPT-Realtime-Whisper.
• Desarrollo abierto congelado: large-v3 y turbo son la última versión oficial; las mejoras vienen de la comunidad y de modelos abiertos más recientes como Cohere Transcribe o NVIDIA Canary.
• Precisión desigual por idioma: el español, el inglés, el francés o el alemán funcionan muy bien, pero en lenguas con menos datos de entrenamiento los errores suben.
• Curva técnica: la instalación local requiere soltura con la terminal, salvo que uses interfaces gráficas.

Whisper frente a sus alternativas: cuál elegir

Opción	Precio	Diarización	Tiempo real	Ideal para
Whisper local (MIT)	Gratis	No nativa	Vía forks	Privacidad y transcripción sin coste
Vosk (Apache-2.0)	Gratis	No	Sí, nativo	IoT, Raspberry Pi y comandos de voz; modelos desde 50 MB en más de 20 idiomas, español incluido
AssemblyAI	~0,002–0,0062 $/min	Sí	Sí	Análisis posterior: resúmenes, entidades, sentimiento
Deepgram Nova-3	~0,0043–0,0077 $/min	Sí	Sí, priorizado	Agentes de voz con latencia mínima
Otter.ai	Desde ~10 $/mes	Sí	Sí	Actas de reunión sin configurar nada

La regla práctica: si priorizas coste cero y confidencialidad, Whisper local; si necesitas voz en tiempo real en hardware humilde, Vosk; si quieres quién-habla-qué y resúmenes sin escribir código, una API comercial.

¿Para quién es Whisper?

Merece la pena si eres desarrollador, investigador, podcaster, periodista o estudiante; si transcribes material confidencial que no puede salir de tu equipo; si trabajas con español u otros idiomas principales y quieres calidad de nivel profesional sin suscripción; o si simplemente quieres subtítulos SRT gratis para tus vídeos.

No es tu herramienta si necesitas diarización y transcripción en streaming con SLA empresarial, si tu equipo busca actas de reuniones listas para usar o si no quieres instalar nada y prefieres un servicio todo en uno. En esos casos, servicios como AssemblyAI, Deepgram u Otter encajan mejor, y para proyectos que solo necesitan comandos de voz ligeros, Vosk es la alternativa open source con más solera.

Preguntas frecuentes

¿Whisper es gratis?

Sí: el modelo y el código están bajo licencia MIT y puedes ejecutarlos localmente sin límite de uso. Lo único de pago es la API gestionada de OpenAI, desde 0,003 dólares por minuto según el modelo (a octubre de 2026).

¿Whisper funciona bien en español?

Es uno de sus puntos fuertes: el español está entre los idiomas con más datos de entrenamiento y la precisión es muy alta, sobre todo con large-v3 o turbo. Para empezar, la combinación recomendada es el modelo turbo fijando el idioma de origen.

¿Puedo transcribir sin conexión a internet?

Sí. Tras descargar el modelo, todo el procesamiento ocurre en tu máquina: ideal para entornos restringidos, viajes o grabaciones sensibles. Las versiones en navegador también funcionan offline después de la primera descarga.

¿Qué necesito para instalarlo?

Python 3.9 o superior, FFmpeg y, para los modelos grandes, una GPU con 6–10 GB de VRAM. Con CPU moderna es viable usar small o turbo, aunque más lento. Si prefieres no programar, usa una app gráfica o una herramienta web que ejecute Whisper en el navegador.

¿Cuál es la diferencia entre Whisper y la API de OpenAI?

El proyecto abierto es el modelo original que ejecutas tú; la API ya no expone ese modelo de forma directa: whisper-1 se retirará el 26 de febrero de 2027 y OpenAI recomienda migrar a gpt-transcribe para archivos y a gpt-live-transcribe para streaming.