Whisper es un modelo abierto de transcripción que puede ejecutarse en local. Esta receta usa faster-whisper; el resultado no es infalible: revisa nombres propios, cifras, idiomas mezclados y cualquier texto sensible antes de compartirlo.

Ingredientes

Python 3.10+
El audio que quieras transcribir (MP3, M4A, WAV…)
Opcional: GPU compatible (puede acelerar el proceso, pero el factor real depende del modelo, la precisión, el audio y el resto del sistema)

Pasos

Instala (recomendamos la versión rápida faster-whisper):
```
pip install faster-whisper
```

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} ({info.language_probability:.2f})")
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")

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

Son órdenes de magnitud orientativos: cambian con la implementación, la precisión y el dispositivo. Deja margen para el sistema y mide con el flujo que vayas a usar.
Con GPU (si tienes): cambia a device="cuda", compute_type="float16" y mide el tiempo con tu propio audio. En CPU, device="cpu", compute_type="int8" suele ser un punto de partida razonable.

Resultado esperado

Obtendrás un .txt con timestamps por frase. El tiempo depende del tamaño del modelo, la duración del audio y tu hardware; mide una muestra antes de diseñar un flujo por lotes.

Trucos

language="es" evita la detección automática (más rápido y menos errores).
word_timestamps=True te da el tiempo por palabra (para subtítulos).
Audios muy largos: córtalos con ffmpeg en trozos de 10 min si se atasca.
Para actas puedes encadenarlo con un LLM local, pero revisa el resumen contra el audio y elimina los temporales cuando ya no sean necesarios. Si grabas conversaciones de varias personas, mira de una grabación a transcripción y notas.

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