Pasar una grabación a texto puede ahorrar bastante trabajo. Una entrevista, una explicación grabada o un vídeo necesitan cosas distintas, pero comparten un problema: no siempre queremos subir el audio a una web para obtener la transcripción.
Con whisper.cpp podemos ejecutar modelos de Whisper en nuestro ordenador y generar texto o subtítulos desde la terminal. Después de descargar el programa y el modelo, el proceso que vamos a utilizar no necesita una cuenta ni una API de pago.
Lo separaría de otra promesa que se ve demasiado: que una transcripción automática salga lista para publicar. Nombres, cifras y frases con poco contexto necesitan revisión. Tener el archivo en local resuelve una parte de la privacidad, no convierte al modelo en un transcriptor infalible.

Icono de micrófono de GNOME Adwaita, bajo CC BY-SA 3.0.
Qué estamos instalando y qué se queda en local
whisper.cpp es una implementación que permite ejecutar modelos Whisper con distintas opciones de hardware. Aquí vamos a usar su programa whisper-cli y la CPU, sin configurar un servidor web ni exponer un puerto.
Whisper procede del proyecto de reconocimiento de voz de OpenAI. Eso no significa que esta guía utilice su servicio alojado. El programa, los pesos descargados, el audio y los archivos de salida forman un proceso local. No tenemos que crear una clave de OpenAI para seguirlo.
La descarga inicial sí requiere conexión. Si queremos trabajar después sin red, conviene conservar tanto el ejecutable como el modelo. También necesitamos tener ya instaladas las herramientas que convierten el audio.
Hay otra precaución: el directorio de trabajo no debería estar dentro de una carpeta que se sincronice automáticamente con la nube si nuestra intención es mantener la grabación en ese equipo. Que el reconocimiento sea local no impide que otro programa suba sus archivos.
Preparar las herramientas en Ubuntu o Linux Mint
Para compilar el ejemplo necesitamos Git, CMake y un compilador de C y C++. FFmpeg nos servirá para preparar el audio. En Ubuntu y Linux Mint podemos instalar los paquetes con:
sudo apt update
sudo apt install git cmake build-essential ffmpeg
En otras distribuciones, los nombres y el gestor de paquetes pueden cambiar. No copiaría los comandos de APT en Fedora o Arch. Lo que necesitamos sigue siendo el mismo conjunto de herramientas.
La versión de CMake también debe cumplir lo que requiere la versión del proyecto que descarguemos. Podemos comprobarla con cmake --version. Si la configuración indica que es demasiado antigua, hay que resolver esa dependencia, no cambiar el mínimo dentro del código para ocultar el error.
Elegimos una carpeta de trabajo y descargamos una versión concreta. El ejemplo utiliza la etiqueta v1.9.5, disponible al preparar esta guía:
mkdir -p "$HOME/Proyectos"
cd "$HOME/Proyectos"
git clone --branch v1.9.5 --depth 1 https://github.com/ggml-org/whisper.cpp.git
cd whisper.cpp
Si ya tenemos un directorio con ese nombre, no hace falta clonar encima ni borrarlo. Revisamos qué versión contiene o usamos otra carpeta. Fijar una etiqueta permite reproducir los pasos sin depender de los cambios de la rama principal.
Compilar para utilizar la CPU
Esta configuración evita activar CUDA o Vulkan y desactiva las optimizaciones específicas del ordenador usado para compilar:
cmake -S . -B build \
-DGGML_NATIVE=OFF \
-DGGML_CUDA=OFF \
-DGGML_VULKAN=OFF \
-DWHISPER_CURL=OFF \
-DBUILD_SHARED_LIBS=OFF
cmake --build build --config Release -j 2
Las dos tareas de compilación simultáneas son una elección conservadora. Podemos ajustar ese número según la memoria y los recursos disponibles. No hace falta dejar el escritorio sin respuesta para compilar algo que vamos a utilizar después.
Comprobamos que el ejecutable existe y vemos las opciones que acepta:
./build/bin/whisper-cli --help
El objetivo inicial es tener una instalación sencilla que funcione. La aceleración por GPU depende del hardware, los controladores y el backend configurado. La dejaría para después de comprobar el proceso con un archivo corto.
Elegir un modelo para español
El repositorio incluye un script para descargar modelos compatibles. Para empezar, base permite comprobar el flujo sin descargar uno de los modelos más grandes:
bash ./models/download-ggml-model.sh base
Se guarda como models/ggml-base.bin. Para español necesitamos el modelo multilingüe, no base.en, que está orientado al inglés.
Los modelos más pequeños reducen el tamaño de la descarga y las exigencias, pero eso no garantiza una transcripción suficientemente buena para nuestro audio. Un modelo mayor puede ayudar en algunos casos y también necesitar más memoria y tiempo. No elegiría sólo por una tabla de parámetros.
Podemos descargar small con el mismo script cuando queramos comparar, conservando base. La tabla de modelos del proyecto permite consultar tamaños y verificaciones. El archivo en disco y la memoria utilizada durante la ejecución no son la misma medida.
Preparar el audio sin modificar el original
Para evitar diferencias de formato, vamos a generar un WAV mono, con muestras de 16 kHz y PCM de 16 bits. La grabación original se conserva:
ffmpeg -i "grabacion-original.m4a" \
-ar 16000 -ac 1 -c:a pcm_s16le "audio-preparado.wav"
También podemos extraer el audio de un vídeo de la misma forma. FFmpeg admite muchos formatos, aunque dependerá de cómo se haya construido en nuestra distribución y del archivo de entrada.
Si el destino ya existe, revisamos qué contiene antes de sobrescribirlo. No añadimos -y sólo para eliminar la pregunta. Y si se trata de una reunión larga, empezaría por un fragmento con voz representativa, no por varias horas a ciegas.
Podemos inspeccionar el archivo preparado con:
ffprobe -v error -select_streams a:0 \
-show_entries stream=codec_name,sample_rate,channels \
-of default=noprint_wrappers=1 "audio-preparado.wav"
En esta conversión esperamos PCM de 16 bits, frecuencia de 16000 y un canal. Si no hay ninguna pista de audio o la conversión falla, hay que resolverlo antes de atribuir el problema al reconocimiento.
Generar el texto y el archivo SRT
Creamos una carpeta para las salidas y ejecutamos el modelo indicando español:
mkdir -p salida
./build/bin/whisper-cli \
-m models/ggml-base.bin \
-f "audio-preparado.wav" \
-l es \
-otxt -osrt \
-of "salida/transcripcion" \
-t 2
-m selecciona el modelo y -f el audio. Las opciones -otxt y -osrt solicitan texto y subtítulos. -of indica el prefijo de salida, sin añadir manualmente la extensión. En este caso obtendremos salida/transcripcion.txt y salida/transcripcion.srt.
El límite de dos hilos facilita la primera prueba sin utilizar todos los recursos de la CPU. Podemos cambiarlo después y comparar en nuestro ordenador, sin dar por hecho que más hilos siempre van a mejorar el resultado o el tiempo.
En una comprobación del procedimiento con voz sintética en español se generaron ambos archivos, pero aparecieron errores incluso en una frase breve con una hora y un precio. Esa prueba comprueba el flujo de trabajo, no mide la precisión con voces humanas ni representa todas las grabaciones.
Por eso conservaría el audio mientras revisamos el texto. Si el resultado tiene una cifra parecida pero incorrecta, un corrector ortográfico no va a encontrar necesariamente el problema.
Revisar los subtítulos antes de incorporarlos al vídeo
Un SRT contiene números de bloque, tiempos de inicio y final y el texto. Podemos abrirlo con un editor y cargarlo como pista externa en un reproductor compatible, por ejemplo VLC, para escucharlo junto al vídeo.
Revisaría nombres propios, importes, fechas y palabras técnicas comparando con la grabación. Después comprobaría si cada bloque aparece cuando se pronuncia y si se puede leer con comodidad. Tener tiempos válidos no implica que estén bien ajustados a lo que se oye.
Este procedimiento no separa automáticamente cada interlocutor con una identidad fiable. Si necesitamos indicar quién habla, tendremos que revisar esa parte o preparar otro flujo que incluya diarización. Tampoco traduce al español un audio en otro idioma por el simple hecho de pasar -l es: esa opción indica el idioma de la entrada para el reconocimiento.
Para una grabación con varios idiomas, no forzaría español sin comprobar si corresponde. Y no presentaría los subtítulos como accesibilidad terminada hasta revisar errores, cortes y contexto.
Si el texto sale mal o el proceso tarda demasiado
Antes de descargar un modelo enorme, escucharía el audio preparado. Si la voz queda tapada por música, saturada o muy baja, el problema ya está en la entrada. Convertirlo a WAV no recupera información que no se grabó bien.
Después comprobaría el modelo y el idioma elegidos. Un archivo .en no es la elección adecuada para una entrevista en español. Si el audio está razonablemente claro, podemos comparar un fragmento con otro modelo y decidir si la mejora compensa el coste.
También conviene observar el uso de memoria. Si el ordenador empieza a utilizar intercambio de forma intensa, un modelo más pequeño puede resultar más práctico. El tiempo depende del audio, la CPU, los hilos y la configuración, así que no prometería una velocidad universal.
Si aparecen frases durante silencios o fragmentos poco inteligibles, hay que contrastarlas con el sonido, no aceptarlas porque están bien redactadas. Una transcripción plausible puede seguir siendo incorrecta.
Conservar lo necesario para repetir el trabajo
Guardaría el original, la versión del programa, el nombre del modelo y el comando utilizado. Separaría la salida automática del texto corregido para poder volver al punto de partida cuando haya una duda.
Los modelos ya descargados pueden reutilizarse. Para actualizar el programa, revisamos sus instrucciones y reconstruimos en un entorno controlado antes de sustituir una instalación que funciona. No hace falta ejecutar un servidor o conectar una web externa para generar TXT y SRT.
Si el destino son vídeos, también conviene cuidar la reproducción. En la selección de reproductores multimedia para Linux hay alternativas para comprobar audio y subtítulos antes de publicar.
Me quedaría con esa combinación: automatizar la primera transcripción, mantener los archivos donde queremos y dedicar la revisión a lo que el modelo puede confundir. Ahí es donde esta herramienta ahorra trabajo sin trasladar los errores al lector.
