Cómo transcribir audio en local con Whisper en Mac y Windows

Whisper es un modelo de reconocimiento de voz que OpenAI publicó como código abierto con licencia MIT. Como los archivos del modelo son públicos, puedes ejecutarlos en tu propio ordenador y transcribir entrevistas, notas de voz y reuniones grabadas sin subirlas a ningún sitio.

Esta guía explica la vía gratuita por línea de comandos, con whisper.cpp en Mac y en Windows, y después la vía sin terminal, con una app de escritorio. Los comandos se han comprobado con whisper.cpp 1.9.5, la última versión a fecha de 19 de octubre de 2026.

Qué necesitas

• Un Mac o un PC con Windows. whisper.cpp funciona en los dos. En los Mac con Apple silicon usa la GPU a través de Metal.
• De unos cientos de MB a 3 GB de espacio en disco para un modelo, según su tamaño.
• ffmpeg para convertir tu audio, porque el programa de ejemplo whisper-cli trabaja con archivos WAV de 16 bits.
• Una conexión a internet, una sola vez, para instalar las herramientas y descargar el modelo. Después, la transcripción funciona sin conexión.

Elige un modelo de Whisper

Los modelos más grandes suelen ser más precisos y siempre son más lentos. Estos son los tamaños y el uso aproximado de memoria que indica el README de whisper.cpp:

También existe large-v3-turbo, que OpenAI describe como una versión optimizada de large-v3, más rápida y con una pérdida mínima de precisión (README de Whisper de OpenAI). Los modelos que terminan en .en, como small.en, funcionan solo en inglés; OpenAI señala que suelen dar mejores resultados en inglés en los tamaños tiny y base. Para audio que mezcla idiomas o que no está en inglés, usa un modelo multilingüe.

Para reuniones, small es una primera prueba razonable. Sube a medium o a large-v3-turbo si los nombres y las cifras salen mal, y baja a base si va demasiado lento.

En Mac: instala whisper.cpp con Homebrew

Si tienes Homebrew, no necesitas compilar nada.

1. Instala whisper.cpp y ffmpeg:

   brew install whisper.cpp ffmpeg

   Así tendrás el comando whisper-cli.

2. Descarga un modelo en una carpeta fácil de recordar:

   mkdir -p ~/whisper-models
   curl -L -o ~/whisper-models/ggml-small.bin \
     https://huggingface.co/ggerganov/whisper.cpp/resolve/main/ggml-small.bin

   Cambia small por otro nombre de modelo de la tabla, como medium o large-v3-turbo.

3. Convierte tu grabación a WAV mono a 16 kHz:

   ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le interview.wav

4. Transcríbela:

   whisper-cli -m ~/whisper-models/ggml-small.bin -f interview.wav -l auto -otxt -osrt

   Obtendrás interview.wav.txt, con el texto sin formato, y interview.wav.srt, con marcas de tiempo.

En Windows: compila whisper.cpp

En Windows, la vía más previsible es compilar desde el código fuente. En la página de versiones de whisper.cpp aparecen archivos zip precompilados, pero sus nombres y su contenido cambian de una compilación a otra.

1. Instala las herramientas: Git, CMake, las Visual Studio Build Tools con la carga de trabajo de C++ y ffmpeg, añadido a tu PATH.

2. Descarga el código y un modelo en PowerShell:

   git clone https://github.com/ggml-org/whisper.cpp.git
   cd whisper.cpp
   .\models\download-ggml-model.cmd small

3. Compílalo:

   cmake -B build
   cmake --build build -j --config Release

4. Convierte y transcribe:

   ffmpeg -i interview.m4a -ar 16000 -ac 1 -c:a pcm_s16le interview.wav
   .\build\bin\Release\whisper-cli.exe -m models\ggml-small.bin -f interview.wav -l auto -otxt -osrt

Si tienes una tarjeta gráfica NVIDIA, el README explica cómo compilarlo con CUDA para transcribir más rápido.

Opciones que conviene conocer

Ejecuta whisper-cli -h para ver la lista completa. OpenAI señala que su modelo turbo no está entrenado para traducir, así que con -tr usa un modelo multilingüe como medium.

Comprueba que de verdad funciona sin conexión

Una vez descargado el modelo, desactiva el wifi y vuelve a ejecutar el mismo comando. Si aparece la transcripción, todo el trabajo se ha hecho en tu ordenador. Es la prueba más sencilla de que tu grabación nunca ha salido de él.

Lo que la línea de comandos no hará por ti

whisper.cpp es excelente para convertir un archivo en texto. Para reuniones, hay unas cuantas cosas que quedan en tus manos:

• Grabar la llamada. Necesitas otra herramienta para captar tanto tu micrófono como el audio de los demás.
• Quién dijo qué. La identificación de hablantes no forma parte de una ejecución básica; el README describe una opción experimental para algunos modelos.
• La redacción. Una transcripción no es un resumen. Tendrías que copiarla tú en un modelo de IA, y eso supone elegir dónde se ejecuta ese modelo.
• El almacenamiento a largo plazo. Acabarás con carpetas llenas de archivos .txt que tendrás que nombrar, buscar y mantener a salvo.

Transcribe un archivo en local con Kimiko

Si prefieres no usar un terminal, Kimiko ejecuta modelos de voz locales en Mac con Apple silicon y PC con Windows, entre ellos Whisper Small, Whisper Medium y Whisper Large v3 Turbo, junto a su modelo por defecto, Nemotron. Además, graba reuniones sin bot, identifica a los hablantes y escribe resúmenes con la IA integrada en tu ordenador.

1. Instala Kimiko y termina la puesta en marcha. El modelo de voz recomendado se descarga durante la puesta en marcha, y puedes seleccionar Añadir junto a IA integrada para tener resúmenes locales.
2. Elige un modelo de Whisper, si quieres usar uno, en Ajustes → Transcripción → Modelos de voz. Descárgalo y después selecciónalo.
3. Importa tu grabación. Selecciona Importar archivo de audio… en la página Notas o en un proyecto, o arrastra el archivo a la página Notas. Los archivos WAV, M4A, FLAC, OGG y AIFF funcionan directamente, sin conversión.
4. Lee el resultado. Obtendrás una transcripción y un resumen. Con la identificación de hablantes activada en Ajustes → Transcripción, Kimiko separa hasta ocho voces en un archivo importado y las llama Hablante 1, Hablante 2, etc. Puedes cambiarles el nombre.
5. Pregunta o exporta. Haz preguntas sobre la grabación en el chat, o exporta la transcripción y el resumen en Markdown, Word o PDF.

Si tienes seleccionados modelos locales, el audio se transcribe y se resume en tu ordenador. El ajuste Conservar el audio de la sesión viene en Desactivado, así que Kimiko conserva la transcripción y descarta el audio. Para importar audio necesitas tener activa la prueba o una suscripción. En transcripción de reuniones sin conexión tienes más detalles sobre qué se ejecuta y dónde.

Preguntas frecuentes

¿Whisper es gratuito?

Sí. OpenAI publicó el código y los modelos de Whisper con licencia MIT, y whisper.cpp también tiene licencia MIT. Solo pagas con el tiempo y la memoria de tu ordenador.

¿Qué modelo de Whisper debería usar para reuniones?

Empieza con small y comprueba qué tal resuelve los nombres, las cifras y los acentos de tus grabaciones. Para audio difícil, pasa a medium o a large-v3-turbo si tu ordenador tiene memoria suficiente.

¿Puedo transcribir un archivo MP3 o M4A?

Sí. Primero conviértelo a WAV de 16 kHz con ffmpeg usando el comando de más arriba, y luego ejecuta whisper-cli sobre el archivo WAV.

¿Whisper envía mi audio a algún sitio?

No, si lo ejecutas en local con whisper.cpp. El modelo se ejecuta en tu ordenador, y solo se descargan la herramienta y el archivo del modelo. Los servicios de transcripción en la nube que usan Whisper son otra cosa: en ellos, el audio va a sus servidores.

¿Whisper puede distinguir a los diferentes hablantes?

No en una ejecución básica de whisper.cpp. Obtienes un único flujo de texto con marcas de tiempo. Las apps pensadas para reuniones añaden un modelo de hablantes aparte para indicar quién dijo qué.

Descarga Kimiko si quieres transcribir en local sin usar el terminal. Puedes probarlo gratis.