byandrev's blog
4 min readRead in English

Cómo usar Whisper de OpenAI para transcribir videos

¿Qué es Whisper?

Whisper es un sistema de reconocimiento automático de voz y traducción (ASR) Open Source desarrollado por OpenAI y entrenado con 680.000 horas de datos supervisados multilingües y multitarea. Nos permite transcribir audio en varios idiomas.

Tiene muchas aplicaciones reales, como:

  • Subtitular videos: generar subtítulos con la posibilidad de traducirlos a varios idiomas.
  • Asistentes personales: transcribir reuniones, entrevistas o notas de voz.

Lo mejor es que no es complicado empezar. Aquí tienes una guía paso a paso para dar tus primeros pasos.

¿Cómo usar Whisper?

Según tus recursos técnicos y el nivel de privacidad que necesites, puedes elegir uno de estos tres caminos:

Google Colab

Puedes usar un notebook de Google Colab para ejecutar el código sin instalar nada en tu PC, aprovechando las GPU gratuitas de Google.

Instalación local

Puedes instalar Whisper directamente en tu PC. Por ejemplo, en un Ryzen 5 5600G con 16 GB de RAM, el modelo base funciona muy bien. Si tienes una tarjeta gráfica dedicada (NVIDIA), Whisper va a correr mucho más rápido.

API de OpenAI

Si lo que quieres es integrar Whisper en una aplicación, o no quieres administrar servidores, la API es la solución. Aquí pagas por minuto de audio, pero sale muy económico.

Un ejemplo rápido en Python:

py
from openai import OpenAI
 
client = OpenAI(api_key="TU_API_KEY_AQUI")
 
audio_file_path = "file.mp3"
 
with open(audio_file_path, "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="whisper-1", 
        file=audio_file,
        response_format="text" # "json" o "vtt" para subtítulos
    )
 
print(transcription)

Instalación en Linux y macOS

Para instalar Whisper necesitas tener Python instalado. Ejecuta el siguiente comando en tu terminal:

bash
pip install -U openai-whisper

Es imprescindible instalar ffmpeg, una herramienta de procesamiento multimedia, para poder leer archivos de audio y video.

En Ubuntu o Debian:

bash
sudo apt update && sudo apt install ffmpeg

En macOS con Homebrew:

bash
brew install ffmpeg

Uso básico

Una vez instalado, vas a tener disponible el comando whisper en la terminal. Para procesar un archivo, usa el siguiente comando:

bash
whisper file.mp4 --language English --model base

Parámetros principales:

  • --language: define el idioma original del audio para mejorar la precisión.
  • --model: elige el tamaño del modelo según tu hardware y la precisión que necesites. Los modelos disponibles son: tiny, base, small, medium y large.

Puedes encontrar más información técnica y el código fuente en el repositorio oficial: github.com/openai/whisper

Ejemplo

Generando una transcripción con Whisper

Al ejecutar el comando se generan los siguientes formatos:

  • .txt: solo texto plano. Sin marcas de tiempo ni extras. Ideal para notas o artículos.
  • .srt: el estándar universal de subtítulos. Compatible con YouTube y con los reproductores de video.
  • .vtt: parecido al SRT, pero optimizado para reproductores web (HTML5).
  • .json: contiene todo (marcas de tiempo, confianza, metadatos). Ideal para desarrolladores.
  • .tsv: valores separados por tabulaciones. Perfecto para abrirlo en Excel o Google Sheets.

Frequently asked questions

¿Cómo se usa OpenAI Whisper para transcribir audio sin instalar nada?

Ejecútalo en un cuaderno de Google Colab, lo cual te permite usar Whisper con las GPU gratuitas de Google directamente en tu navegador, sin necesidad de instalación local.

¿Cómo se instala y se ejecuta Whisper localmente en Linux o macOS?

Instálalo con pip install -U openai-whisper, luego instala ffmpeg (sudo apt install ffmpeg en Ubuntu/Debian o brew install ffmpeg en macOS). Ejecútalo con whisper archivo.mp4 --language English --model base.

¿Qué formatos de salida genera Whisper y cuál debes usar?

.txt para notas de texto sin formato, .srt para subtítulos compatibles con YouTube, .vtt para reproductores web/HTML5, .json para desarrolladores que necesitan marcas de tiempo y metadatos, y .tsv para abrir los resultados en Excel o Hojas de cálculo de Google.

Comments