Whisper

Pasas un MP3 de entrevista en español con ruido de calle y obtienes texto con WER competitivo frente a servicios de pago — sin suscripción, sin límite de minutos en self-hosting. Whisper es el modelo ASR open-source de OpenAI publicado bajo licencia permisiva; el checkpoint de referencia en 2026 sigue siendo large-v3 para máxima precisión. La API comercial de OpenAI expone el endpoint whisper-1 (platform.openai.com/docs/models/whisper-1) a 0,006 $/minuto con salida JSON, SRT o VTT.\n\nArquitectura: encoder-decoder Transformer entrenado en 680.000 h de audio multilingüe. Soporta transcripción, traducción a inglés y detección de idioma. Los pesos descargables (tiny, base, small, medium, large-v3) permiten elegir trade-off velocidad/precisión: tiny (~39 M params) para pruebas en CPU; large-v3 (~1,5 B params) para producción con GPU.\n\nSelf-hosting con openai-whisper (Python): pip install openai-whisper → whisper audio.mp3 --model large-v3 --language es. Primera ejecución descarga ~3 GB de pesos. faster-whisper (CTranslate2) acelera inferencia ~4× y reduce RAM ~40 % manteniendo precisión — estándar en pipelines de producción. whisper.cpp (github.com/ggerganov/whisper.cpp) corre en CPU/Apple Silicon sin GPU dedicada; ideal en Mac M-series para periodistas en campo.\n\nSin diarización nativa: Whisper transcribe texto continuo sin etiquetar quién habla. Para reuniones multi-speaker combina con pyannote.audio, o usa Otter (/herramienta/otter-ai) si prefieres producto con bot en Zoom. Para análisis posterior pasa la transcripción a NotebookLM (/herramienta/notebooklm) con citas sobre el documento. ElevenLabs (/herramienta/elevenlabs) sintetiza voz — no transcribe.\n\nCasos técnicos reales: productora documental procesa 40 entrevistas en catalán con faster-whisper en servidor Hetzner — SRT para WCAG sin enviar audio a terceros. Call center embebe small.en en pipeline Node para clasificar llamadas por keywords. Periodista exporta SRT desde carpeta de MP4 con script bash for f in *.mp3. Equipo legal transcribe deposiciones de 6 h en batch nocturno con large-v3 en A100.\n\nLimitaciones honestas: large-v3 no es tiempo real en CPU consumer. Nombres propios, marcas y acrónimos sin fine-tune se alucinan o deforman — añade initial_prompt con vocabulario del dominio (--initial_prompt "empresa X, producto Y") o post-edita. Música de fondo alta degrada WER. Múltiples voces superpuestas sin diarización mezclan frases.\n\nAPI vs local: API OpenAI (0,006 $/min, platform.openai.com) evita DevOps — 1 h de audio ≈ 0,36 $. Self-host amortiza con volumen: 500 h/mes en Google Speech-to-Text cuesta miles de dólares; electricidad + GPU propia puede bajar a fracción tras umbral de ~200 h/mes según hardware.\n\nFormatos: --output_format srt para subtítulos; verbose_json para timestamps por segmento; word-level timestamps vía API OpenAI. Extrae audio de vídeo con ffmpeg -i video.mp4 -vn audio.wav antes de procesar. Buzz (GUI) y Subtitle Edit envuelven Whisper para usuarios no técnicos.\n\nPipeline producción: carpeta incoming/ con MP3 → script Python faster-whisper en GPU → output/ con TXT+SRT → revisión humana de nombres propios → ingest a CMS. Para RGPD en UE, self-host en Hetzner u OVH evita enviar audio a APIs US. temperature y beam_size en faster-whisper afinan velocidad vs precisión — documenta en README del equipo.\n\nWhisper large-v3-turbo (variante más rápida) existe en ecosistema comunitario; la ficha oficial OpenAI sigue listando whisper-1 en API y large-v3 como checkpoint open-source de referencia en jul 2026.\n\nBenchmark orientativo: en GPU RTX 4090, faster-whisper large-v3 procesa ~1 h de audio en pocos minutos; en Mac M2 con whisper.cpp medium, factor 2–3× más lento pero sin NVIDIA. Para podcasts de 30–60 min semanales, medium en laptop basta; para archivo de 500 h, servidor con A100 y cola Celery.\n\nIntegración legal: transcripciones de deposiciones o salud requieren acuerdo de procesamiento — self-host en UE simplifica DPIA frente a enviar audio a API US de OpenAI.\n\nCasos de uso detallados: (1) Podcast semanal — script + audio crudo → Whisper SRT → revisión humana de nombres propios; (2) Entrevistas UX — 8 grabaciones MP3 → batch overnight con faster-whisper → CSV de citas para Notion; (3) Subtítulos YouTube — VTT directo desde API whisper-1 si no quieres mantener GPU; (4) Call center QA — transcripción + búsqueda de palabras clave sin Otter si el audio ya está grabado. Para reuniones en vivo con bot, Otter.ai (/herramienta/otter-ai) sigue siendo más cómodo que montar pipeline Whisper manual.\n\nPrecios — verificado 7 de julio de 2026: pesos open-source gratuitos (github.com/openai/whisper). API OpenAI whisper-1: 0,006 $/minuto (platform.openai.com).