Whisper

Whisper es el modelo de reconocimiento automático de voz (ASR) de código abierto de OpenAI, lanzado en 2022 y ampliamente considerado el sistema de transcripción público más preciso disponible. Entrenado con 680.000 horas de datos de audio multilingüe, es compatible con 100 idiomas con alta precisión — incluidos muchos idiomas con pocos recursos con los que los servicios comerciales de transcripción tienen dificultades — y maneja el habla con acento, la jerga técnica y el ruido de fondo mejor que la mayoría de las alternativas.

El modelo se publica bajo la licencia MIT, lo que significa que puede utilizarse de forma gratuita para cualquier fin, incluidas las aplicaciones comerciales. Ejecutar Whisper localmente no requiere tarifas de API — los costes de cómputo se limitan a tu propio hardware o una instancia en la nube. El modelo viene en cinco tamaños (tiny, base, small, medium, large) con diferentes equilibrios entre velocidad y precisión; el modelo large-v3 ofrece la mejor precisión y funciona en la mayoría de las GPU modernas con 10 GB o más de VRAM. OpenAI también ofrece una API alojada a 0,006 $/minuto, que es competitiva con los servicios comerciales de transcripción.

La principal limitación es que Whisper procesa archivos de audio grabados, no transmisiones en tiempo real — no dispone de capacidad de transcripción en vivo integrada. Proyectos de la comunidad como Whisper Live y WhisperStream añaden funcionalidad en tiempo real, pero requieren infraestructura adicional. Para aplicaciones que requieren subtítulos en vivo (videollamadas, eventos en directo), los servicios basados en la nube como AssemblyAI o Deepgram son mejores opciones. Para la transcripción por lotes de grabaciones, podcasts, reuniones y entrevistas, Whisper ofrece la mejor relación precisión-coste disponible.