Whisper es un modelo de reconocimiento de voz multilingüe de código abierto creado por OpenAI. Permite transcribir audio a texto con alta precisión sin depender de servicios en la nube.

Requisitos

  • Python 3.8 o superior.
  • Pip y virtualenv.
  • FFmpeg instalado en el sistema (necesario para convertir formatos de audio).
  • GPU opcional (CUDA) para acelerar inferencias con modelos grandes.

Instala FFmpeg en Linux con sudo apt install ffmpeg o usa los binarios oficiales en Windows/macOS.

Instalación

python -m venv .venv
source .venv/bin/activate  # En Windows: .venv\Scripts\activate
pip install --upgrade pip
pip install openai-whisper ffmpeg-python torch torchvision torchaudio

Si cuentas con GPU Nvidia, instala la versión de PyTorch compatible con tu versión de CUDA desde https://pytorch.org/get-started/locally/ antes de openai-whisper.

Transcripción básica

import whisper

model = whisper.load_model("small")
result = model.transcribe("entrevista.wav", language="es")
print(result["text"])

El parámetro language acelera la detección. Usa modelos tiny, base, small, medium o large según recursos y precisión.

Optimización y trucos

  1. Segmenta audios largos para evitar agotar memoria (whisper.utils.get_writer).
  2. Activa fp16=False si corres en CPU o GPUs sin soporte FP16.
  3. Guarda subtítulos usando writer = whisper.utils.get_writer("srt", "./salidas").
  4. Limpia ruido previamente con herramientas como pydub o noisereduce para mejorar resultados.
  5. Traducción: model.transcribe(..., task="translate") genera texto en inglés desde cualquier idioma.

Integración en pipelines

  • Automatiza carga desde S3, GCS o almacenamiento local.
  • Envía resultados a bases de datos o motores de búsqueda (Elastic, Pinecone).
  • Expone un microservicio FastAPI para procesar cargas de usuarios.
  • Combina con diarización (Pyannote) para identificar hablantes.

Con estos pasos tendrás una solución reproducible para transcribir audio a texto usando Whisper y Python.