Dictado de voz sin conexión, explicado

Qué es realmente una app de escritorio de dictado por voz sin conexión

Una app de escritorio, no una pestaña del navegador. Esa distinción hace casi todo el trabajo. Una herramienta de dictado web se ejecuta en tu navegador y casi siempre envía el audio a un servidor. Una app offline de verdad es software nativo que carga un modelo de voz en memoria y lo ejecuta en tu CPU o GPU, allí mismo en el equipo.

El comportamiento es sencillo a propósito. Pulsas una tecla rápida global desde dentro de cualquier aplicación (tu cliente de correo, un editor de código, una caja de Slack, un campo de notas clínicas) y la transcripción aparece donde está tu cursor, como un mecanógrafo veloz que escribe por ti. Sin copiar y pegar desde otra ventana. Sin "sube tu grabación". Se comporta como el teclado, porque esa es la única interfaz que toda app ya entiende.

La tecla rápida por defecto en Whisper es Ctrl+Space en Windows y Linux. En un Mac mantienes pulsadas Command y Option a la vez y sueltas cualquiera de las dos para parar, un acorde de pulsar-para-hablar, no un interruptor. Puedes reasignarla; lo primero que mucha gente hace es moverla para que no choque con su app de dibujo o su software de música. Dejé esa tecla fija en una versión temprana y recibí un correo a las 2 de la madrugada por ello, una historia que está en las preguntas frecuentes.

La versión honesta de "cómo" no tiene nada de glamuroso: no hay magia, solo un archivo de modelo en tu disco. Cuando instalas una app local, descargas un modelo de voz, desde unos cientos de megabytes hasta unos cuantos gigabytes de pesos entrenados. A partir de ahí, transcribir es una operación matemática que el modelo realiza sobre tu audio. El audio nunca se convierte en una petición de red. Whisper by Remskill ejecuta toda su transcripción local a través de una biblioteca escrita íntegramente en Rust llamada transcribe-rs, sin un proceso auxiliar de Python ni otro entorno de ejecución que mantener vivo. Lo que notas es que la app arranca rápido y el camino del audio se mantiene corto.

Pulsa una tecla, habla, obtén texto: el bucle sin conexión

Aquí tienes el bucle completo. Mantienes pulsada la tecla rápida. Un pequeño recuadro te indica que está escuchando. Hablas, una frase, un párrafo, un resumen de una clase de 600 palabras. Sueltas. El modelo transcribe lo que dijiste y el texto aterriza en tu cursor, no en un archivo que luego tienes que ir a buscar. Esa es la diferencia práctica entre una app de dictado y una herramienta de transcripción de archivos: una app de dictado inserta el texto en vivo, en el momento en que dejas de hablar.

Nada de eso necesita una red. El micrófono alimenta el audio al modelo local, el modelo produce texto y la app lo escribe por ti. La grabación continúa una breve cola después de soltar la tecla, para que la última palabra no se corte, una cosa pequeña que me costó más tiempo del que me gustaría admitir.

Para el correo y las notas del día a día, el recorrido desde que sueltas la tecla hasta que el texto se pega es de un segundo o dos con un modelo Small en un portátil reciente, lo bastante rápido como para seguir en la frase que estabas pensando. También hay un segundo paso opcional: Whisper puede ejecutar una pasada de limpieza con IA (corregir la puntuación, dar formato a una lista o responder una pregunta que dijiste en voz alta), y en modo local esa pasada se ejecuta en el dispositivo a través de un motor local llamado Ollama. Así que incluso el paso de "haz que esto suene menos como una divagación hablada" puede quedarse del todo sin conexión. Lo activas empezando tu frase con "Hey whisper". Ignóralo y obtienes una transcripción limpia y literal. En cualquier caso, nada de lo que dices sale del equipo a menos que actives el interruptor opcional de Nube.

Parakeet o Whisper local: qué motor funciona mejor sin conexión

La app incluye dos motores locales, y son buenos en cosas distintas. Esta es la única decisión de verdad que tienes que tomar.

Parakeet es el modelo TDT de NVIDIA, de unos 600 MB, y es el rápido, de 5 a 10 veces más rápido que Whisper en una CPU. Maneja inglés más 24 idiomas europeos, 25 en total. No traduce al inglés y no tiene controles de vocabulario personalizado. Si hablas sobre todo en inglés y quieres velocidad, este es el tuyo.

Whisper es el caballo de batalla multilingüe. Sus modelos multilingües admiten 99 idiomas con detección automática y pueden traducir cualquiera de ellos al inglés. Es más lento que Parakeet en el mismo hardware, pero te da chino, japonés, coreano, vocabulario personalizado y un control más fino. Una cosa que conviene tener clara: los modelos de Whisper solo en inglés (los etiquetados con .en) se limitan al inglés y se saltan por completo el soporte de 99 idiomas. Así que "Whisper hace 99 idiomas" solo es cierto para las versiones multilingües.

Regla práctica: inglés y con prisa, elige Parakeet. Cualquier cosa multilingüe, cualquier cosa que necesites traducir, elige un modelo multilingüe de Whisper.

Elegir el modelo local adecuado para tu hardware

Un modelo local se carga en la RAM, así que tu hardware marca el techo. La buena noticia para la mayoría: los modelos más pequeños sobran.

En el lado del inglés, los modelos van desde Base, con unos 140 MB, pasando por Small, con unos 480 MB, hasta Medium, con unos 1,5 GB. En el lado multilingüe, vas desde Small con 480 MB hasta Large v3 con unos 3 GB. El modelo Small multilingüe es por el que empiezan los usuarios nuevos, y es un valor por defecto sensato: cabe en cualquier sitio y es lo bastante preciso para el dictado diario.

La verdad aburrida sobre el hardware es que el micrófono importa más que el modelo. Un micro USB de 20 $ hace más por la precisión que subir dos tamaños de modelo. Pasé un fin de semana convencido de que mejorar el modelo arreglaría mis transcripciones turbias; era el micrófono del portátil captando el lavavajillas todo el rato. Si tienes un portátil antiguo con 8 GB de RAM, ejecuta Parakeet o un modelo Small y gástate el dinero de la mejora en el micro. Si tienes un Mac reciente con Apple Silicon o una máquina Windows de 16 GB con GPU dedicada, todos los modelos funcionan con holgura, incluido Large v3. No necesitas una GPU para empezar: Parakeet en una CPU es el camino rápido porque se construyó para eso.

Por qué lo offline gana a la nube con el audio sensible

El dictado solo en la nube es un desastre de privacidad esperando a ser transcrito. Lo diré como una opinión rotunda y luego la respaldaré, porque hablar de privacidad a la ligera es muy fácil.

Un equipo con el que trabajé una vez hizo que un contratista construyera un prototipo interno de "dictado con IA" sobre un modelo en la nube. Llamaba a la API por cada intervención, en cada portátil, con un "reintento inteligente" que reenviaba las grabaciones cuando se ponía nervioso. Al cierre del trimestre, el responsable abrió el panel de costes de la nube y se encontró una factura de cinco cifras, la mayor parte de un solo equipo transcribiendo cuatro veces las grabaciones de sus reuniones diarias. La solución del contratista fue "deberíamos optimizar el prompt". La solución del director financiero fue "o deberíamos no pagar por transcribir en la nube reuniones que ya tienen acta". Dos problemas en una factura: el coste, y el hecho de que cada palabra de esas reuniones vivía ahora en los registros de un proveedor.

Lo offline resuelve ambos. La hoja de cálculo con los salarios de tu jefe, el correo a la escuela de tu hijo, el escrito legal que estás redactando en un tren sin cobertura: nada de eso debería salir de tu portátil solo porque quisieras escribir con la voz. La máquina ya tiene micrófono y procesador. Para un párrafo, no necesita un servidor de por medio. Lo offline además funciona con el Wi-Fi apagado, algo que la nube, por definición, no puede hacer.

Cuándo la nube o una herramienta integrada es la mejor opción

Aquí está la parte que las páginas de una sola herramienta se saltan. Una app local no siempre es la respuesta correcta.

Primero, la pregunta que la gente sigue haciendo: ¿hace Windows dictado por voz sin conexión? En general no, con la herramienta por defecto. La escritura por voz de Windows, que se abre con Win+H, requiere conexión a internet según la propia documentación de Microsoft, así que el dictado está en la nube. Una función aparte de Windows 11 llamada Acceso por voz sí funciona sin conexión una vez que se instalan sus archivos de idioma, pero está pensada para controlar el PC con la voz, no para dictado largo y rápido. En un Mac, el Dictado integrado de Apple puede procesar parte del texto general en el dispositivo, pero la redacción de Apple matiza: no está garantizado para todos los idiomas, y parte del dictado todavía puede ir a los servidores de Apple. Así que si todo lo que dictas es alguna respuesta ocasional de 30 palabras, las herramientas integradas son gratis y valen para ráfagas cortas. Una app dedicada se gana su sitio en cuanto dictas volumen de verdad (correos, notas, documentos), no mensajes de una línea.

Segundo, la nube gana para algunos trabajos. Si necesitas la máxima precisión posible con audio difícil (acentos marcados, hablantes solapados, condiciones de micro terribles), un modelo en la nube puede ser más preciso que uno local, y puede traer respuestas en vivo de la web que un modelo local no tiene forma de conocer. El modo Nube opcional de Whisper usa OpenAI a través de tu propia clave de API para exactamente esos casos, con unos 57 idiomas en su lista. El compromiso es el honesto: necesita internet y envía tu audio a OpenAI. Si tu trabajo no es sensible y quieres la mejor calidad más búsqueda web en un mismo sitio, la nube es la mejor elección, y te diría que la uses. Si tu audio es privado o tu conexión es poco fiable, quédate en local.

Si le has echado el ojo a una herramienta de dictado en la nube pero quieres que tu audio se quede en tu máquina, nuestra alternativa gratuita a Aqua Voice expone el caso offline y privado al completo.

Sin conexión, en línea o integrado: una comparación rápida

Una tabla breve para zanjar la elección. El desglose más completo de las herramientas de dictado de pago está en nuestra guía de software de transcripción.

Whisper incluye las tres primeras en una sola app: el flujo local es gratis, y la Nube es el complemento opcional. Si llegaste hasta aquí buscando "privado y funciona en un avión", las dos primeras filas son tu respuesta.

Si te quedas con una sola cosa de todo esto

El dictado por voz sin conexión no es un apaño que aceptas cuando se cae el Wi-Fi. Es la versión en la que el audio es tuyo, la latencia es corta y no hay una factura trimestral de la nube esperándote al final. La nube todavía gana con el audio más difícil y con respuestas en vivo desde la web, y te apuntaré hacia allí cuando encaje. Para todo lo demás (el correo, la nota, el escrito en el tren), el modelo en tu propio disco basta, y lo hace desde hace ya un tiempo.