¿Puede una IA gratuita transcribir tus audios en tu ordenador? Whisper y Parakeet medidos con 90 notas de voz en español

Un modelo gratuito que funciona en un portátil, sin internet, transcribió 90 notas de voz de pyme en español con solo el 1,2 % de las palabras mal y copió bien el 98,6 % de los importes, horas, fechas y teléfonos: Whisper large-v3-turbo. Parakeet TDT 0.6B v3 fue 2,7 veces más rápido con un 2,1 % de palabras mal. El modelo más pequeño probado, Whisper base, falló el 12,9 % de las palabras y casi uno de cada cuatro datos clave. Medido el 12 de noviembre de 2026 en un portátil Apple M1 Max.

«¿Cómo paso los audios de WhatsApp de los clientes a texto sin subirlos a una web?» y «¿Whisper o Parakeet?» son preguntas que se repiten en buscadores, foros y asistentes de IA. Las respuestas que circulan vienen casi siempre de empresas que venden su propia app de transcripción, y no encontramos una medida con mensajes de pyme en español, con cifras y teléfonos, en audio de móvil y con ruido, y con el código publicado. Aquí está.

Definiciones

• Transcribir: convertir un audio en texto escrito. Lo que hace la función de WhatsApp de pasar notas de voz a texto, pero con cualquier audio y en tu ordenador.
• Modelo local: un programa de IA que se descarga una vez y funciona en tu ordenador, sin cuenta, sin pagar por minuto y sin que el audio salga de la empresa.
• Whisper: la familia de modelos de transcripción de OpenAI, gratuita y de código abierto. Hay tamaños: base (pequeño), small (mediano) y large-v3-turbo (grande, la versión rápida del más preciso).
• Parakeet TDT 0.6B v3: modelo de transcripción gratuito de NVIDIA para 25 idiomas europeos, entre ellos el español.
• Errores de palabra (WER): de cada 100 palabras dichas, cuántas salen mal, sobran o faltan en el texto. Un 1 % es una palabra mal cada 100; un 13 %, más de una por frase.
• Datos clave: lo que alguien copiaría del audio a mano: importes, teléfonos, número de pedido, horas, días, cantidades y un nombre de lugar. Un teléfono con una cifra cambiada cuenta como fallo.
• Veces tiempo real: cuántos minutos de audio transcribe en un minuto. 18 veces tiempo real = una hora de audio en algo más de 3 minutos.

Hipótesis

1. Un modelo local gratuito transcribe mensajes de pyme en español con menos del 5 % de errores de palabra.
2. La calidad cae con el audio de una nota de voz de móvil y con ruido de fondo.
3. Parakeet es más rápido que Whisper large-v3-turbo con una calidad parecida.
4. En un ordenador sin tarjeta gráfica, solo con el procesador, la transcripción sigue siendo usable.

Montaje

• Mensajes: 10 textos que escribimos imitando lo que recibe una pyme: el pedido semanal de un bar, un cambio de cita en una clínica, un presupuesto de reforma, una reclamación de una tienda online, una consulta a la gestoría, una reserva de restaurante, el aviso de una avería, un recordatorio de cobro, la nota de un comercial y los turnos de una tienda. Llevan 39 datos clave: importes («cuatrocientos treinta y cinco euros con sesenta»), dos teléfonos, un número de pedido, horas, días, cantidades y un municipio (Getafe). Nombres genéricos y teléfonos inventados.
• Voces: las voces sintéticas del Mac, dos de España (Mónica y Eddy) y una de México (Paulina): 30 audios, 7,2 minutos por condición.
• Tres condiciones de sonido: limpio; nota de voz, con el sonido recortado a la banda de un teléfono y comprimido como un audio de WhatsApp (Opus a 16 kbit/s); y con ruido, con ruido de fondo constante, unas tres veces más bajo que la voz (10 dB), como en un bar o una furgoneta. En total, 90 audios.
• Modelos: Whisper base, small y large-v3-turbo y Parakeet TDT 0.6B v3, los cuatro en la tarjeta gráfica integrada del Mac con MLX, la librería de Apple. Para ver qué pasa en un ordenador sin tarjeta gráfica, Whisper large-v3-turbo también con faster-whisper solo en el procesador; como es más lento, solo con la voz de Mónica (30 audios).
• Cómo se compara: el mismo criterio para el texto correcto y el transcrito: sin mayúsculas, tildes ni puntuación, y con «5:30» igual a «cinco y media» y «1.800 €» igual a «mil ochocientos euros». Así solo cuenta lo que cambia lo que se entiende.
• Repeticiones: cinco pasadas completas por modelo. Las cinco dieron exactamente el mismo texto en todos los audios; el tiempo es la mediana.
• Equipo: portátil Apple M1 Max con 64 GB, macOS 26.6.2, conectado a la corriente.

Resultados

Calidad y velocidad (90 audios, las tres condiciones)

Modelo	Errores de palabra	Datos clave bien	Audios con todos los datos bien	Veces tiempo real	Minutos por hora de audio	Memoria máxima
Whisper base	12,9 %	76,1 %	46,7 %	56,3	1,1	0,57 GB
Whisper small	3,9 %	92,8 %	80,0 %	37,8	1,6	1,46 GB
Whisper large-v3-turbo	1,2 %	98,6 %	94,4 %	18,4	3,3	2,49 GB
Parakeet TDT 0.6B v3	2,1 %	98,1 %	93,3 %	50,4	1,2	4,32 GB

Los cuatro son rápidos de sobra en este portátil: el más lento, Whisper large-v3-turbo, transcribe una hora de audio en 3,3 minutos. La diferencia está en la calidad. Whisper base copió mal casi uno de cada cuatro datos clave y solo dejó perfectos el 46,7 % de los audios.

Qué pasa con una nota de voz de móvil y con ruido

Modelo	Errores de palabra: limpio	Nota de voz	Con ruido	Datos clave bien: limpio	Nota de voz	Con ruido
Whisper base	10,3 %	11,9 %	16,5 %	79,2 %	77,5 %	71,7 %
Whisper small	2,4 %	4,2 %	5,2 %	96,7 %	90,0 %	91,7 %
Whisper large-v3-turbo	1,0 %	1,0 %	1,6 %	98,3 %	99,2 %	98,3 %
Parakeet TDT 0.6B v3	1,6 %	2,3 %	2,2 %	99,2 %	97,5 %	97,5 %

El ruido castiga sobre todo a los modelos pequeños: Whisper base pasa del 10,3 % al 16,5 % de palabras mal y Whisper small, del 2,4 % al 5,2 %. Whisper large-v3-turbo apenas se mueve.

Por voz

Modelo	Mónica (España)	Eddy (España)	Paulina (México)
Whisper base	8,0 %	19,0 %	11,6 %
Whisper small	3,1 %	7,5 %	1,2 %
Whisper large-v3-turbo	0,8 %	1,8 %	1,1 %
Parakeet TDT 0.6B v3	1,6 %	3,6 %	1,0 %

Errores de palabra por voz. La voz de Eddy fue la más difícil para los cuatro modelos.

Con tarjeta gráfica o solo con el procesador (voz de Mónica, 30 audios)

Modelo	Errores de palabra	Datos clave bien	Veces tiempo real	Minutos por hora de audio
Whisper large-v3-turbo, tarjeta gráfica del Mac	0,8 %	99,2 %	16,4	3,7
Whisper large-v3-turbo, solo procesador	1,0 %	98,3 %	3,8	15,8
Parakeet TDT 0.6B v3, tarjeta gráfica del Mac	1,6 %	99,2 %	46,9	1,3

El mismo modelo en el procesador fue 4,3 veces más lento y casi igual de preciso (0,8 % frente a 1,0 % de palabras mal; sus dos datos clave fallidos salieron en audios con ruido): una hora de audio en 15,8 minutos. La memoria máxima fue de 2,34 GB.

Qué tipo de errores comete cada uno

• Whisper base cambia palabras por otras que suenan parecido: «el martes a las cinco y media» salió como «el Marte Salas 5 y media», y «Getafe», como «GTAV» o «jefe».
• Whisper small acierta las cifras y falla la palabra de al lado: «24 cazas de agua» en vez de «24 cajas». Para un pedido, eso es un error.
• Los teléfonos son lo más delicado. El teléfono «600 000 021» salió mal en 4 de los 9 audios con Whisper small (por ejemplo, «6-0-0-0-0-0-2-1», con un cero de menos) y en 1 de 9 con Whisper large-v3-turbo («600-0000-021»). Parakeet lo acertó en los 9.
• Los nombres propios poco comunes fallan en todos: Parakeet escribió «Getafe» mal en 5 de los 9 audios («Getafle», «Gestapo»).
• Parakeet se saltó una frase entera una vez: en la nota de voz de Eddy del pedido del bar desapareció «que llegue el jueves antes de las diez de la mañana». Whisper large-v3-turbo no se saltó ninguna.

Qué significa para una empresa

• Hipótesis 1: se cumple con Whisper small, Whisper large-v3-turbo y Parakeet (3,9 %, 1,2 % y 2,1 % de palabras mal). No con Whisper base (12,9 %), el más pequeño.
• Hipótesis 2: se cumple sobre todo con los modelos pequeños. Con ruido, Whisper base y Whisper small fallan bastante más, y la nota de voz también empeora a Whisper small (del 2,4 % al 4,2 % de palabras mal y del 96,7 % al 90,0 % de datos clave bien). Whisper large-v3-turbo y Parakeet apenas lo notan.
• Hipótesis 3: se cumple en parte. Parakeet fue 2,7 veces más rápido y acertó casi los mismos datos clave (98,1 % frente a 98,6 %), pero falló algo más de palabras y una vez se saltó una frase. A esta velocidad, en un portátil como este la diferencia es de 1,2 a 3,3 minutos por hora de audio: la rapidez no compensa.
• Hipótesis 4: se cumple en este equipo. Solo con el procesador, una hora de audio tarda 15,8 minutos, con casi la misma calidad. En un ordenador de oficina con un procesador más modesto tardará más.

Una clínica que recibe cada día notas de voz para cambiar citas, una distribuidora que toma pedidos por WhatsApp o un comercial que dicta sus visitas pueden transcribir todo en su propio ordenador, gratis y sin enviar los audios a ningún servicio. Lo que no se pueden saltar es la revisión de las cifras: incluso con el mejor modelo medido, solo el 94,4 % de los audios tuvo todos los datos clave bien. El flujo que sale de esta prueba es: transcribir con Whisper large-v3-turbo y que una persona compruebe teléfonos, importes y nombres propios antes de usarlos.

Sobre los datos: transcribir en local evita mandar los audios de clientes a una empresa externa, pero siguen siendo datos personales y el RGPD aplica igual (informar, guardar solo lo necesario y borrar los audios cuando ya no hagan falta).

Cuándo usar cada modelo

• Whisper large-v3-turbo: la opción por defecto. El que menos palabras falla en las tres condiciones y no se saltó ninguna frase.
• Parakeet TDT 0.6B v3: si tienes muchas horas de audio y un Mac con chip de Apple; es el más rápido, pero revisa que no falten frases.
• Whisper small: si el equipo tiene poca memoria (1,46 GB); bien con audio limpio, peor con ruido.
• Whisper base: no lo recomendamos para trabajo de empresa: falla casi 13 de cada 100 palabras.
• Ordenador sin tarjeta gráfica: Whisper large-v3-turbo con faster-whisper; es más lento, pero casi igual de bueno.

Qué hacer el lunes

1. Junta 20 notas de voz reales de clientes (con su permiso) y escribe a mano lo que dicen 5 de ellas.
2. Pásalas por Whisper large-v3-turbo con el código de abajo, o pídeselo a quien te lleve la informática.
3. Compara las cifras y los nombres: si fallan más que aquí, el audio real es más difícil que el sintético.
4. Decide quién revisa teléfonos, importes y nombres propios antes de meterlos en la agenda, el pedido o la contabilidad.

Limitaciones

• Voces sintéticas, no personas. Los audios son voces del Mac leyendo un texto, sin titubeos, interrupciones, varias personas hablando, acentos marcados ni palabras de la calle. Con audios reales todos los modelos deberían fallar más, y Whisper puede inventarse texto en silencios largos, algo que aquí no se probó.
• Ruido simulado. El ruido de fondo es constante y artificial; el ruido de un bar o de la calle (voces, golpes, música) es más difícil.
• Pocos audios. 90 audios de 10 textos y 3 voces; un audio mueve los porcentajes varios puntos. Sirve para ver diferencias grandes, no para ordenar modelos parecidos como Whisper large-v3-turbo y Parakeet.
• Audios cortos (de 11 a 19 segundos). No se probaron reuniones ni llamadas largas, ni separar quién habla.
• Sin ajustes. Decodificación voraz (la respuesta más probable, sin búsqueda en haz), sin vocabulario propio ni instrucciones con nombres de clientes o productos, que mejorarían los nombres propios. Parakeet detecta el idioma solo; Whisper lo tenía fijado en español.
• Un solo portátil Apple M1 Max con otras apps abiertas, conectado a la corriente. Los tiempos sirven como orden de magnitud; en un PC de oficina, sobre todo solo con el procesador, serán mayores.

Cómo repetirlo

Código, textos, generador de audios, revisiones exactas de los modelos y cada transcripción de las cinco pasadas: yeswelab-laboratorio/transcribir-audio-texto-ia-local-whisper-parakeet en GitHub. Se ejecuta en un Mac con chip de Apple, sin cuentas ni claves; la primera vez descarga los modelos de Hugging Face. Para probarlo con tus audios, añade tus ficheros y su texto correcto.

Relacionado

• Tactiq, Granola y más: asistentes de IA para transcribir reuniones
• ¿Cómo anonimizar datos personales antes de ChatGPT? 5 detectores gratuitos medidos
• ¿Puede una IA gratuita en tu ordenador leer tus facturas?

¿Recibes notas de voz, llamadas o dictados y quieres saber si una IA local los transcribiría bien? Encárganos el experimento con 30 de tus audios y te decimos qué modelo funciona con ellos, cuántos datos habría que revisar a mano y cuánto tiempo te ahorra.