Cómo usar Whisper gratis en tu ordenador (instalación y comandos)
Instala Whisper de OpenAI con pip y ffmpeg, usa los comandos básicos, elige modelo según tu memoria y descubre cuándo compensa más un servicio en la nube.
Equipo Sonorarium 6 min de lectura
Respuesta corta: si tienes un ordenador decente y no te asusta la consola, Whisper te basta, es gratis (licencia MIT) y el audio no sale de tu ordenador. Instala ffmpeg y después openai-whisper con pip; con una Nvidia en Windows, antes PyTorch con CUDA. Sin editor. Si no quieres instalar nada, Sonorarium lo ejecuta en la nube (el audio se sube): 15 minutos gratis al crear tu cuenta, sin tarjeta. Ni Whisper ni nosotros separamos hablantes.
Sí, Sonorarium es nuestra herramienta. Los comandos y las cifras de esta guía salen del README oficial de Whisper y de las webs de cada programa, abiertos el 4 de noviembre de 2026. Los proyectos de código abierto cambian: ante la duda, manda su README.
Qué necesitas
- Python. El README dice que el código está pensado para Python 3.8–3.11 y versiones recientes de PyTorch. La ficha de
torchen PyPI (4 de noviembre de 2026) pide hoy Python 3.11 o posterior, así que, si la instalación falla, prueba con Python 3.11 (es consejo nuestro, no del README). - ffmpeg, para leer el audio y el vídeo.
- GPU o CPU. Whisper usa la GPU de Nvidia si PyTorch la encuentra; si no, la CPU. Con CPU funciona, pero tarda más. En Windows, para que PyTorch encuentre tu Nvidia hace falta el paso de PyTorch con CUDA de la sección siguiente.
Instalación
Primero ffmpeg. Los comandos del README, según el sistema:
# Ubuntu o Debian
sudo apt update && sudo apt install ffmpeg
# Arch Linux
sudo pacman -S ffmpeg
# macOS con Homebrew
brew install ffmpeg
# Windows con Chocolatey
choco install ffmpeg
# Windows con Scoop
scoop install ffmpeg
En Windows, si no usas Chocolatey ni Scoop, descarga ffmpeg desde ffmpeg.org.
Si usas Windows y tienes una tarjeta Nvidia, antes de Whisper hay un paso más: instalar PyTorch con CUDA. En pytorch.org elige tu sistema, Pip y tu versión de CUDA en su selector y ejecuta el comando que te da; no lo copiamos aquí porque cambia con cada versión. En Windows, el pip normal instala PyTorch solo para CPU. Para comprobarlo, la propia página propone ejecutar en Python import torch y torch.cuda.is_available(): debe dar True.
Después Whisper:
pip install -U openai-whisper
Comandos básicos
El modelo por defecto es turbo. Estos son los comandos del README:
whisper audio.flac audio.mp3 audio.wav --model turbo
whisper japanese.wav --language Japanese
Con tu archivo y tu idioma, sería así:
whisper entrevista.mp3 --model turbo --language Spanish
--language: sin él, Whisper detecta el idioma. Fijarlo evita errores si el principio del audio es silencio o ruido.--output_format:txt,vtt,srt,tsv,json,jsonloall(el valor por defecto genera varios archivos a la vez). No está en el README, sino en la ayuda del propio programa (whisper --help). Por ejemplo,--output_format srt --output_dir subtitulosguarda solo el SRT en esa carpeta.--task translate: traduce al inglés, nada más. El README avisa de queturbono está entrenado para traducir, y su ejemplo usamedium.
Desde Python:
import whisper
model = whisper.load_model("turbo")
result = model.transcribe("audio.mp3")
print(result["text"])
Modelos, memoria y velocidad
Esta tabla es la del README. La velocidad es relativa y la midieron transcribiendo inglés en una A100, así que en tu equipo será otra:
| Tamaño | Parámetros | Solo inglés | Multilingüe | VRAM necesaria | Velocidad relativa |
|---|---|---|---|---|---|
| tiny | 39 M | tiny.en |
tiny |
~1 GB | ~10x |
| base | 74 M | base.en |
base |
~1 GB | ~7x |
| small | 244 M | small.en |
small |
~2 GB | ~4x |
| medium | 769 M | medium.en |
medium |
~5 GB | ~2x |
| large | 1550 M | no hay | large |
~10 GB | 1x |
| turbo | 809 M | no hay | turbo |
~6 GB | ~8x |
turbo es una versión optimizada de large-v3 que, según el README, transcribe más rápido con una pérdida mínima de precisión. Los modelos .en son solo para inglés. Si tu GPU tiene poca memoria, baja de modelo y revisa más el resultado (es consejo nuestro, no del README). El rendimiento varía mucho de un idioma a otro.
Programas con ventana, si no quieres la consola
| Programa | Qué es | Licencia o precio |
|---|---|---|
| noScribe | Aplicación de escritorio para Windows, macOS y Linux basada en Whisper. Reconoce hablantes y admite unos 60 idiomas. Su web dice que todo se queda en tu ordenador | Gratis, GPL-3.0 |
| Buzz | Transcribe con Whisper sin conexión, exporta a TXT, SRT y VTT y se instala con descargas o con pip install buzz-captions (con pip pide Python 3.12; en Mac necesita Apple silicon) |
Gratis, licencia MIT |
| MacWhisper | Solo para Mac. Exporta a SRT, VTT, TXT y DOCX, entre otros | Versión gratuita y Pro, 64 € de pago único según su web |
Dos advertencias de sus propias webs. El instalador de noScribe pesa unos 3 GB, y según ellos una hora de entrevista tarda de 1 a 3 horas en transcribirse, más en equipos antiguos. Y Buzz avisa de que su instalador para Windows no está firmado, así que Windows mostrará una advertencia.
Errores típicos
- Falla porque no encuentra ffmpeg. Instálalo con el comando de arriba y abre una terminal nueva, para que la reconozca.
- «No module named 'setuptools_rust'». El README dice que, si
tiktokenno tiene versión ya compilada para tu plataforma, puede hacer falta Rust, y proponepip install setuptools-rust. - «FP16 is not supported on CPU; using FP32 instead». Es normal si no tienes una GPU de Nvidia: Whisper cambia solo de precisión. Si la tienes, significa que PyTorch no la ve: revisa el paso de PyTorch con CUDA.
- Se queda sin memoria de vídeo. Usa un modelo más pequeño de la tabla.
- Escribe en un idioma que no es el tuyo. Añade
--language.
Cuándo no compensa
- No tienes GPU. Funciona, pero la tabla de velocidades no se aplica a tu CPU y los tiempos pueden ser largos.
- Tus archivos son largos o muchos. Tu ordenador queda ocupado mientras trabaja. Para audios de varias horas, mira cómo transcribir un audio largo.
- Necesitas un editor con el audio al lado. Whisper te da archivos de texto; la corrección la haces tú, escuchando el audio aparte.
- Hay varias personas hablando. Whisper no las separa. Tienes algunas ideas en cómo transcribir un audio con varios hablantes.
- No quieres mantener una instalación.
La opción para no instalar nada
Sonorarium usa Whisper large-v3 turbo, el turbo de la tabla, en GPU en la nube. Subes el archivo (cualquier audio o vídeo, hasta 2 GB y 5 horas) y lo corriges en un editor con el audio sincronizado. Descargas en Word (DOCX), TXT, SRT o VTT, en más de 60 idiomas. Tiene 15 minutos gratis al crear tu cuenta, sin tarjeta; en una reunión de 60 minutos, los 45 que faltan los cubre el paquete de 120 minutos por 6 €. Sonorarium no separa hablantes. Con Sonorarium el audio sí se sube, y se borra a los 7 días. Los demás paquetes están en precios.
Si quieres ver a Whisper junto a otras herramientas, tienes la comparativa de programas y los límites gratis de cada una. Y si tu caso es Word o Google Docs, lee cómo transcribir un audio en Word o Google Docs.
¿Y si le pasas el audio a un asistente en vez de instalar nada? Lo que admiten hoy ChatGPT, Gemini y Copilot está en ¿Puede ChatGPT transcribir un audio?.
Fuentes
Abiertas el 4 de noviembre de 2026: README de Whisper, su código de línea de comandos, noScribe, Buzz, MacWhisper, la página de instalación de PyTorch, la ficha de torch en PyPI y ffmpeg.