Whisper
Visitar Whisper →Acerca de Whisper
Whisper es una familia de modelos de reconocimiento de voz de código abierto publicados por OpenAI. Convierte el audio hablado en texto y puede traducir voz de muchos idiomas directamente al inglés. Los pesos se distribuyen bajo la permisiva licencia MIT, así que puedes descargarlos y ejecutarlos en tu propio hardware.
El lanzamiento abierto actual es large-v3-turbo, un modelo destilado presentado en octubre de 2024. Conserva casi toda la precisión del large-v3 completo pero corre unas 8 veces más rápido, lo que lo hace mucho más práctico para trabajos por lotes y usos casi en tiempo real. El checkpoint completo large-v3 sigue disponible cuando quieres la máxima calidad posible.
Junto a los modelos abiertos, OpenAI ahora ofrece transcripción alojada a través de su API. El endpoint clásico es whisper-1, y se le han sumado modelos basados en GPT-4o: gpt-4o-transcribe y el más económico gpt-4o-mini-transcribe, que añaden opciones como la diarización de hablantes. Según se ha reportado, una variante en streaming, gpt-realtime-whisper, llegó hacia mayo de 2026 y devuelve fragmentos de transcripción en vivo mientras hablas.
El precio se divide en dos vías. Los modelos de código abierto son gratuitos: solo pagas tu propio cómputo. La API alojada se cobra por uso: whisper-1 y gpt-4o-transcribe cuestan 0,006 $ por minuto (0,36 $/h), gpt-4o-mini-transcribe cuesta 0,003 $ por minuto (0,18 $/h), y el gpt-realtime-whisper en vivo ronda los 0,017 $ por minuto.
La precisión varía mucho según el idioma. Whisper se entrenó con unos 99 idiomas, pero la calidad es mayor en lenguas con muchos datos como el inglés y cae notablemente en las menos comunes. Ejecutar los modelos grandes en local también requiere una GPU potente, y el modelo puede alucinar texto de vez en cuando durante silencios largos.
Whisper encaja bien si quieres un motor de transcripción gratuito y autoalojable, necesitas amplia cobertura multilingüe o prefieres una API gestionada sin montar tu propio flujo. Elige los modelos GPT-4o alojados si necesitas diarización o streaming en vivo de fábrica.
- Código abierto bajo licencia MIT, gratis para autoalojar sin cuotas de uso
- large-v3-turbo corre unas 8 veces más rápido que large-v3 con poca pérdida de precisión
- Amplio soporte multilingüe, entrenado con unos 99 idiomas, más traducción de voz al inglés
- Despliegue flexible: ejecuta los pesos abiertos en local o usa la API alojada de OpenAI
- Los modelos GPT-4o alojados añaden diarización de hablantes y opción de streaming en vivo
- La precisión cae bastante en idiomas con pocos datos frente al inglés
- Los modelos abiertos grandes necesitan una GPU potente para una velocidad razonable
- Puede alucinar texto fantasma durante silencios largos o segmentos ruidosos
- El autoalojamiento requiere configuración técnica; no hay app de escritorio oficial
- Las funciones en vivo y de diarización solo llegan por la API de pago, no en los pesos abiertos
Elige Whisper si…
- Quieres un motor de transcripción gratuito y autoalojado que controlas por completo
- Necesitas transcribir o traducir audio en muchos idiomas
- Prefieres una API gestionada y no te importa pagar 0,006 $/min por whisper-1 o gpt-4o-transcribe
- Necesitas transcripción en streaming en vivo o diarización mediante los modelos GPT-4o alojados
- Buscas el máximo rendimiento y eliges large-v3-turbo por su velocidad unas 8 veces mayor
Dejar una reseña
Las reseñas se publican tras moderación. No compartimos tu email.