Cómo ejecutar Whisper localmente

Qué significa realmente «ejecutar Whisper localmente»

Ejecutar Whisper localmente significa que la transcripción ocurre en el procesador de tu propio ordenador, no en un servidor remoto. Le das audio, el modelo lo convierte en texto y nada sale de la máquina. Ese es el atractivo. La hoja de cálculo de salarios de tu jefe leída en voz alta, el email al colegio de tu hijo, una llamada grabada con un cliente: nada de eso toca los registros de un proveedor porque querías escribir con tu voz. Local primero o no te molestes, en lo que a mí respecta, y añadiré un número a esa opinión más adelante.

Whisper en sí es solo el modelo. OpenAI lo entrenó y publicó los pesos bajo la licencia MIT, razón por la que cualquiera puede descargarlo y ejecutarlo sin pagar. Hay varios tamaños de modelo, desde uno pequeño de 39 millones de parámetros hasta un modelo grande de 1.550 millones de parámetros, y eliges según la precisión que necesitas frente a lo que tu hardware puede manejar. El modelo es el mismo tanto si lo ejecutas desde un terminal como dentro de una aplicación. Lo que cambia es el envoltorio que lo rodea.

Y el envoltorio es toda la cuestión. Existen dos, ambos legítimos. La herramienta oficial de línea de comandos de OpenAI: gratuita, scriptable, basada en Python, creada para transcribir archivos. Y aplicaciones de escritorio que cargan el mismo tipo de modelo detrás de una ventana normal, para que pulses una tecla y hables en lugar de escribir un comando. La verdad aburrida es que la mayoría de las personas que buscan esta palabra clave quieren uno de esos dos y aún no saben cuál. Las dos secciones siguientes son exactamente esas dos rutas.

La ruta del desarrollador: Python, pip y ffmpeg

Si te manejas bien en un terminal, el proyecto oficial es la respuesta más limpia y es genuinamente gratuito. Necesitas tres cosas en tu máquina: Python (el proyecto apunta a las versiones 3.8 a 3.11), el propio paquete de Whisper y ffmpeg, que es la herramienta de audio en la que Whisper se apoya para leer tus archivos. La instalación son dos comandos. `pip install -U openai-whisper` descarga el paquete y su dependencia de PyTorch. Luego ffmpeg, que depende de tu sistema operativo: `brew install ffmpeg` en Mac, `choco install ffmpeg` o `scoop install ffmpeg` en Windows, `sudo apt install ffmpeg` en Ubuntu.

Una vez instalado, lo ejecutas contra un archivo. `whisper audio.mp3 --model turbo` transcribe la grabación y escribe el texto. Añade `--language Japanese` para omitir la detección automática, o `--task translate` para que una grabación que no sea en inglés salga en inglés. Eso es lo esencial. Es una herramienta de archivo-de-entrada y texto-de-salida, y es buena exactamente en eso. Apúntala a una carpeta de notas de voz durante la noche y procesará todas sin que tengas que mirar.

La realidad del hardware es donde las expectativas chocan con un muro. Los tamaños oficiales de los modelos son tiny (39M de parámetros), base (74M), small (244M), medium (769M), large (1,55B) y turbo (809M). La VRAM que cada uno necesita cuenta la historia real: aproximadamente 1 GB para tiny, unos 2 GB para small, alrededor de 5 GB para medium y aproximadamente 10 GB para el modelo large. Esos números están pensados para una GPU. Puedes ejecutar los modelos más pequeños en una CPU, pero una GPU discreta es lo que hace soportables los más grandes. Una vez diseñé una configuración limpia de «ejecutar large en mi portátil» y luego lo vi arrastrarse con gráficos integrados. El diagrama siempre está equivocado en el segundo commit. La CPU termina eventualmente; el modelo large en un portátil delgado no es un plan para una tarde de martes.

La ruta sin terminal: ejecutar Whisper en una aplicación de escritorio

Si nunca quieres ver un símbolo del sistema, este es el otro camino honesto. Whisper by Remskill es una aplicación de escritorio para Windows 10 o superior y Macs con Apple Silicon que ejecuta Whisper localmente por ti: los modelos se descargan dentro de la aplicación, sin pip, sin ffmpeg, sin Python. También ejecuta Parakeet, un segundo motor local al que llegaré. Todo el flujo local es gratuito para cualquier cuenta registrada, sin que se pida método de pago al registrarse. Esta es la secuencia.

La parte lenta es la descarga del modelo, igual que en la ruta del CLI: los pesos son los pesos. Todo lo demás son los cuatro pasos anteriores. La diferencia es que no hay ningún terminal entre tú y el modelo, y en lugar de archivo-de-entrada y texto-de-salida, obtienes un atajo de teclado que dicta donde sea que esté el cursor. El mismo Whisper por debajo, un trabajo diferente por encima.

Qué modelo y qué hardware necesitas

Las dos rutas te piden que elijas un modelo, y la decisión se reduce al mismo compromiso: los modelos más grandes son más precisos y más lentos; los más pequeños son más rápidos y ligeros. En el CLI oficial, el modelo large necesita aproximadamente 10 GB de VRAM y el small unos 2 GB, así que tu tarjeta gráfica establece el límite. En la aplicación de escritorio, los modelos de Whisper se dividen en solo inglés y multilingüe, con el modelo de inglés predeterminado de unos 480 MB en disco y el multilingüe más grande de unos 3 GB. Las versiones multilingüe cubren 99 idiomas y pueden traducir al inglés; las de solo inglés son exclusivamente en inglés.

El otro motor local de la aplicación vale la pena conocerlo aquí, porque soluciona el problema de hardware para mucha gente. Parakeet es el modelo TDT de NVIDIA, de unos 600 MB, y es de 5 a 10 veces más rápido que Whisper en una CPU. Cubre inglés más 24 otros idiomas europeos, 25 en total, sin traducción al inglés. Si principalmente hablas inglés y no tienes una GPU potente, Parakeet es la opción local rápida. Si necesitas chino, japonés, coreano o traducción, ese es el territorio multilingüe de Whisper y Parakeet no puede ir ahí. Mientras hablas, una pequeña cápsula muestra que está escuchando:

Lo mejor que puedes hacer por la precisión no es un modelo más grande. Un micrófono USB de $20 hace más por tu transcripción que saltar dos tamaños de modelo: audio limpio supera a un modelo más pesado alimentado con el ruido del micrófono del portátil. Gasta el dinero primero en el micrófono y luego preocúpate del modelo. Ese es el único consejo de hardware que pondría por escrito y con el que me comprometería.

Local o nube: qué modo para qué tarea

Si tu máquina tiene Apple Silicon o tu PC es de los últimos años, prueba primero con local. La nube es la salida de emergencia, no la opción predeterminada. Pero la aplicación de escritorio te obliga a elegir entre tres rutas y prefiero que elijas bien, así que aquí te explico en qué se diferencian.

Así es como difieren las tres rutas, porque la aplicación te hace elegir:

• Local Parakeet — El motor TDT de NVIDIA, de unos 600 MB, y la opción local más rápida: de 5 a 10 veces más rápido que Whisper en CPU. Cubre inglés más 24 otros idiomas europeos, 25 en total. Sin traducción al inglés. Si dictas en inglés u otro idioma europeo y quieres velocidad sin GPU, esta es la opción totalmente sin conexión.
• Local Whisper — más lento que Parakeet en la misma máquina, pero las versiones multilingüe cubren 99 idiomas y pueden traducir al inglés. Las versiones de solo inglés son solo inglés, no 99. Elige este para chino, japonés, coreano o cualquier trabajo de traducción que Parakeet no puede hacer. El modelo de inglés predeterminado es de unos 480 MB; el multilingüe más grande, de unos 3 GB.
• Cloud (OpenAI, BYOK) — la mejor precisión y acceso a la web, usando tu propia clave de OpenAI facturada directamente por OpenAI. La transcripción usa gpt-4o-mini-transcribe de forma predeterminada. Necesita internet, así que es la única ruta que sale de tu máquina. El servicio Cloud es parte de Whisper Pro.

La verdad aburrida es que para la dictación del día a día, lo local es más que suficiente, y los dos motores locales se ejecutan completamente en tu máquina sin enviar nada a un servidor. La nube se justifica cuando quieres precisión de primer nivel en una grabación difícil, o necesitas que el modelo consulte un dato de la web en mitad de una frase. Cualquiera que sea la ruta que tomaste para ejecutar Whisper localmente —el CLI o la aplicación—, la historia de privacidad es la misma: el audio se queda donde está. Si mantenerse sin conexión es la razón por la que estás aquí, reconocimiento de voz sin conexión profundiza en eso.

Precisión, puntuación y limpieza de la transcripción bruta

Sea lo que sea lo que ejecute Whisper, la dictación bruta sale como un bloque continuo. Dices «bueno pues transcribe la grabación del standup y luego envía el resumen al equipo antes de comer», y eso es el muro sin puntuar que cualquier motor de voz te entrega. El CLI oficial te da ese texto y para ahí: la limpieza es tu trabajo, en un script o a mano. Eso está bien para la transcripción en lote donde procesarás la salida después de todos modos.

La aplicación de escritorio puede hacer el paso de limpieza por ti antes de que el texto aparezca. Di la frase de activación «Hey whisper» y una pasada de IA elimina las muletillas, corrige el texto continuo y añade puntuación. En modo local, eso pasa a través de Ollama en tu máquina; en modo nube usa gpt-5-mini de forma predeterminada. La diferencia entre crudo y limpiado es la diferencia entre una transcripción que tienes que editar y una que puedes enviar:

La precisión en sí es principalmente una cuestión de modelo y micrófono, y ya cubrí el micrófono. En cuanto al modelo, las versiones multilingüe más grandes de Whisper son sólidas en 99 idiomas, y el modo nube añade la transcripción de primer nivel de OpenAI si una grabación es genuinamente difícil. Pero para audio limpio y habla normal, incluso los modelos pequeños son fiables, y perseguir el modelo más grande en hardware débil te compra una salida más lenta para una precisión que probablemente no notarás. Adapta el modelo al trabajo, no a los derechos de fanfarronear de la hoja de especificaciones.

Si tu objetivo principal es hablar en lugar de teclear todo el día, el mismo flujo de hablar-y-limpiar es lo que te permite convertir voz en texto en Windows sin abrir nunca un terminal, que es la gracia de la ruta sin CLI.

Cuándo la línea de comandos es la opción correcta

A veces el terminal es genuinamente la mejor herramienta, y fingir lo contrario para venderte una aplicación sería deshonesto. El CLI oficial de OpenAI es gratuito, con licencia MIT y creado para un trabajo que la aplicación de escritorio no hace: transcribir archivos, en masa, desde un script. Si ese es tu trabajo, salta la aplicación.

Recurre a la línea de comandos cuando tienes una carpeta de grabaciones para procesar en lote durante la noche, cuando quieres Whisper dentro de un pipeline más grande de Python o en un servidor que controlas, cuando necesitas un indicador de modelo específico que la interfaz gráfica no expone, o cuando simplemente ya vives en el terminal y no quieres otra ventana abierta. También es la opción correcta en Linux, para el que la aplicación de escritorio no está disponible. El CLI funciona donde quiera que funcionen Python y ffmpeg. Nada de eso es una crítica a la aplicación: es simplemente una forma diferente de problema.

Recurre a la aplicación de escritorio cuando el trabajo es dictación, no procesamiento de archivos: quieres hablar en tu email, tus documentos, tu chat, y que las palabras aparezcan en el cursor con una sola tecla. El CLI no puede pegar en tu cursor dentro de otro programa; ese nunca fue su trabajo. Así que la división honesta es: archivos y scripting, usa el terminal; hablar en lugar de escribir, usa la aplicación. La mayoría de la gente, una vez que tiene claro qué quería, sabe de inmediato en qué lado está.

La misma lógica de en el dispositivo y sin nube se aplica si lo estás configurando en un Mac: el tutorial de voz a texto en Mac cubre la parte de Apple Silicon, incluido el permiso de Accesibilidad que necesita el atajo de teclado.

Whisper ejecutándose en tu propia máquina es uno de los mejores tratos en software ahora mismo: un modelo que OpenAI regaló, el mismo que las grandes herramientas en la nube usan en silencio, sentado en tu disco sin costar nada. La única decisión real es qué envoltorio encaja en tu día. Yo uso el CLI cuando tengo archivos que procesar, y la aplicación el otro 95 % del tiempo, porque cambio de programa unas cuarenta veces por hora y no quiero escribir un comando para cada uno. Dicté la mayor parte de esta guía con un atajo de teclado, en un campo de texto que no era un terminal, con el modelo funcionando en el mismo portátil todo el tiempo.