Whisper

Whisper es una familia de modelos de reconocimiento de voz de código abierto lanzados por OpenAI. Transcribe audio hablado a texto, y los modelos multilingües large-v3 pueden traducir voz de muchos idiomas directamente al inglés. Los pesos se publican bajo la licencia permisiva MIT, por lo que puedes descargarlos y ejecutarlos en tu propio hardware.

La versión abierta actual es large-v3-turbo, una versión optimizada de large-v3 lanzada en septiembre de 2024. Mantiene casi toda la precisión del modelo completo large-v3 mientras funciona aproximadamente 8 veces más rápido, lo que lo hace mucho más práctico para trabajos por lotes y uso casi en tiempo real. El checkpoint completo large-v3 sigue disponible cuando se desea la máxima calidad posible. Turbo en sí no está entrenado para tareas de traducción; usa los otros checkpoints multilingües large-v3 para traducción de voz al inglés.

Junto con los modelos abiertos, OpenAI ofrece transcripción alojada a través de su API. El endpoint original, whisper-1, junto con gpt-4o-transcribe, gpt-4o-mini-transcribe y gpt-4o-transcribe-diarize, quedaron obsoletos en agosto de 2026 y está previsto que se eliminen de la API el 26 de febrero de 2027. OpenAI ahora recomienda gpt-transcribe para transcripción basada en archivos y gpt-live-transcribe para audio de transmisión en vivo. gpt-realtime-whisper y gpt-realtime-translate también figuran en la página de precios de OpenAI.

Los precios se dividen en dos vías. Los modelos de código abierto son gratuitos de usar — solo pagas tu propio cómputo. La API alojada se factura por minuto de audio: gpt-transcribe cuesta 0,0045 $/min, gpt-live-transcribe y gpt-realtime-whisper cuestan 0,017 $/min, y gpt-realtime-translate cuesta 0,034 $/min. Los modelos obsoletos whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe y gpt-4o-transcribe-diarize siguen siendo facturables a sus tarifas por minuto actuales hasta que se eliminen el 26 de febrero de 2027.

La precisión varía mucho según el idioma. Whisper fue entrenado en aproximadamente 99 idiomas, pero la calidad es más sólida para idiomas con muchos recursos como el inglés y disminuye notablemente para los menos comunes. Ejecutar los modelos más grandes localmente también requiere una GPU capaz, y el modelo puede ocasionalmente alucinar texto durante silencios largos.

Whisper es una buena opción si quieres un motor de transcripción gratuito y autoalojable, necesitas una amplia cobertura multilingüe, o quieres una API gestionada sin construir tu propia canalización. Elige los modelos alojados gpt-transcribe o gpt-live-transcribe si necesitas transcripción basada en archivos o en vivo a través de la API de OpenAI, y planea migrar fuera de cualquier integración que aún use los endpoints obsoletos.