Whisper es un modelo de voz a texto entrenado con una colección enorme y variada de audio multilingüe. Ese entrenamiento lo hizo especialmente robusto: se desenvuelve con acentos, ruido de fondo y vocabulario técnico mejor que muchos sistemas anteriores, y funciona en decenas de idiomas. También detecta automáticamente el idioma hablado, añade puntuación y puede traducir al inglés el habla de otros idiomas.
El modelo se publicó como código abierto en varios tamaños, desde pequeños que corren en un portátil hasta grandes que necesitan una buena GPU. Esa apertura dio lugar a un amplio ecosistema: versiones más rápidas como whisper.cpp y faster-whisper, herramientas que añaden marcas de tiempo y etiquetas de hablante, y muchas apps de transcripción, subtítulos y dictado que lo usan por debajo. OpenAI también lo ofrece mediante su API para quien no quiere alojarlo.
Ejecutar Whisper por tu cuenta es gratis, y la API se factura por minuto de audio. Tiene debilidades conocidas. Puede inventar texto durante los silencios o los tramos ruidosos, lo que preocupa en el trabajo médico y jurídico, y el modelo base no indica quién habla ni funciona en tiempo real sin herramientas adicionales. Para subtítulos en directo o transcripciones con los hablantes separados, servicios como AssemblyAI, Deepgram o Google Speech-to-Text pueden encajar mejor. Para una transcripción privada y local sin coste, Whisper sigue siendo la primera opción.