Glosario
Whisper es el modelo de reconocimiento automático de voz (ASR) de código abierto que OpenAI lanzó en septiembre de 2022. Es el punto de inflexión que hizo que la transcripción por IA fuera de grado de consumo: la precisión saltó del 70-85% (ASR pre-2020) al 95-97% en audio limpio, todo mientras soporta más de 50 idiomas con un solo modelo. La mayoría de las herramientas de transcripción modernas, incluida la nuestra, ejecutan Whisper o una variante de Whisper en el fondo.
¿Qué hace diferente a Whisper?
Tres cosas. (1) Escala de datos de entrenamiento: 680,000 horas de audio extraído de la web, deliberadamente ruidoso, multilingüe e incluyendo inglés y más de 50 otros idiomas en un solo modelo. (2) Arquitectura: un codificador-decodificador transformador estándar, pero con inyección deliberada de ruido durante el entrenamiento para que el modelo maneje grabaciones del mundo real en lugar de grabaciones de estudio. (3) Pesos abiertos: cada variante es descargable, ejecutable en una GPU propia, sin necesidad de API. Ese es el gran cambio: la ASR de código cerrado (Google, Microsoft) era la norma hasta Whisper.
Variantes de Whisper
whisper-1 es la versión de API de OpenAI (la usamos) — rápida, soporta JSON detallado con marcas de tiempo de segmentos, $0.006/min a través de API. Whisper Large v3 es el modelo insignia de código abierto — necesita ~10GB de RAM de GPU, se ejecuta localmente, sin costos de API. distil-whisper es una versión destilada 6 veces más pequeña que se ejecuta en CPU. WhisperX añade alineación forzada para la temporización a nivel de palabra.
Limitaciones
Whisper alucina con silencios largos (inventará texto). Tiene dificultades con el habla muy rápida y las voces superpuestas. No realiza la diarización de hablantes de forma nativa; eso requiere un modelo separado. Además, tiene una ventana de contexto de 30 segundos, por lo que el audio más largo se divide en fragmentos (nos dividimos en límites de 10 minutos para estar seguros).
En la práctica
Cuando subes un MP3 a Transcript.you, el audio se convierte en un mel-spectrogram de 16kHz, se envía al endpoint whisper-1 de OpenAI y la respuesta se analiza para obtener texto y marcas de tiempo por segmento. Para un podcast de 60 minutos, el tiempo total de procesamiento de Whisper es de aproximadamente 90 segundos.
Términos relacionados
- Reconocimiento automático del habla (ASR)
- Tasa de error de palabras (WER)
- Alineación forzada
- Espectrogramas mel
Lecturas adicionales
Transcribir con Whisper
Comenzar — gratisÚltima actualización: November 01, 2026
Preguntas frecuentes
What does Whisper mean in transcription?
Un modelo ASR de código abierto lanzado por OpenAI en 2022. Entrenado con 680,000 horas de audio multilingüe. Ahora es la infraestructura estándar para la mayoría de las herramientas de transcripción con IA, incluyendo Transcript.you.
Why does Whisper matter when choosing a transcription workflow?
Whisper affects how you understand transcript quality, timing, compatibility, or the technology behind speech-to-text results.
Where can I apply Whisper on Transcript.you?
Use the related workflow at /ai-transcription when you want to see how this glossary concept connects to an actual transcription task.
Explora el glosario de transcripción o lee el guía completa de transcripción por IA.