Transcribe cualquier audio gratis con Whisper (sin enviar nada a la nube)

Whisper de OpenAI es de las mejores cosas que ha regalado la industria: un modelo de transcripción de estado del arte, abierto y que corre en local. Tu privado es tu privado.

Ingredientes

• Python 3.10+
• El audio que quieras transcribir (MP3, M4A, WAV…)
• Opcional: GPU (va 10-20x más rápido, pero sin ella también funciona)

Pasos

1. Instala (recomendamos la versión rápida faster-whisper):

   pip install faster-whisper

2. Transcribe con este mini-script:

   from faster_whisper import WhisperModel
   
   model = WhisperModel("medium", device="cpu", compute_type="int8")
   segments, info = model.transcribe("mi-reunion.mp3", language="es")
   
   print(f"Idioma detectado: {info.language}")
   with open("mi-reunion.txt", "w", encoding="utf-8") as f:
       for seg in segments:
           linea = f"[{int(seg.start//60)}:{int(seg.start%60):02d}] {seg.text}"
           print(linea)
           f.write(linea + "\n")

3. Elige bien el tamaño del modelo:

   Modelo	VRAM/RAM	Calidad en español
   tiny	~1GB	Meh
   base	~1GB	Aceptable
   small	~2GB	Buena
   medium	~5GB	Muy buena ✓
   large-v3	~10GB	Excelente

4. Con GPU (si tienes): cambia a device="cuda", compute_type="float16" y vuela.

Resultado esperado

Un .txt con timestamps por frase. Con medium en CPU: ~10 min de audio procesados en ~5 min. Con GPU: segundos.

Trucos

• language="es" evita la detección automática (más rápido y menos errores).
• word_timestamps=True te da el tiempo por palabra (para subtítulos).
• Guiones largos: córtalos con ffmpeg en trozos de 10 min si se atasca.
• Nosotros usamos esto para las actas del podcast: audio → Whisper → Claude en local → acta. (Receta completa del pipeline en camino.)