Motores

Audiotext transcribe con uno de tres motores, que se elige en la tarjeta Motor de los ajustes de la transcripción.

	WhisperX	API de Whisper	API de Google
Se ejecuta en	Tu ordenador	Servidores de OpenAI	Servidores de Google
Internet	Solo para descargar los modelos	Necesario	Necesario
Coste	Gratis, sin límites	De pago	Gratuita (60 min/mes), o de pago con una clave de API
Detecta el idioma	✓	✓	✗
Traduce	✓	✓	✗
Marcas de tiempo	✓	Según el modelo	✗
Identifica hablantes	✓ (token de Hugging Face)	gpt-4o-transcribe-diarize	✗
Tiempos por palabra	✓	whisper-1	✗
Texto en directo	✓	✗	✗
Palabras de baja confianza	✓ (tiempos por palabra)	whisper-1 (segmentos)	✗

WhisperX

WhisperX es una implementación rápida de Whisper de OpenAI que se ejecuta en tu ordenador, así que tu audio nunca sale de él. Funciona en la CPU o, mucho más rápido, en una GPU NVIDIA con CUDA o en la GPU de un Mac con Apple Silicon.

Modelo

Los modelos más grandes son más precisos, pero más lentos y usan más memoria. El modelo se descarga la primera vez que se usa.

Modelo	Parámetros	VRAM necesaria
tiny, tiny.en	39 M	~1 GB
base, base.en	74 M	~1 GB
small, small.en	244 M	~2 GB
distil-small.en	166 M	~2 GB
medium, medium.en	769 M	~5 GB
distil-medium.en	394 M	~3 GB
large-v1, large-v2, large-v3	1550 M	<8 GB
large-v3-turbo	809 M	~6 GB
distil-large-v2, distil-large-v3, distil-large-v3.5	756 M	~5 GB

• large-v2 es el modelo por defecto, ya que large-v3 tiende a alucinar y repetir texto con más frecuencia, sobre todo en algunos idiomas como el japonés, y omite más signos de puntuación.
• large-v3-turbo es una versión reducida de large-v3, mucho más rápida y casi igual de precisa.
• Los modelos que terminan en .en (tiny.en, base.en, small.en, medium.en) y los destilados (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) solo transcriben inglés. Son más rápidos que los modelos multilingües del mismo tamaño.

Consejo

Para probar Audiotext rápidamente, elige tiny o small. Para obtener la mejor calidad, usa large-v2 o large-v3-turbo en una GPU.

En un Mac

En los Mac con Apple Silicon, MLX Whisper transcribe en la GPU, mucho más rápido que en la CPU. Después, WhisperX alinea las palabras e identifica a los hablantes en la CPU, como siempre, así que las transcripciones conservan sus tiempos por palabra, sus puntuaciones y sus hablantes.

• La versión MLX del modelo se descarga la primera vez que se usa.
• distil-small.en, distil-large-v2 y distil-large-v3.5 no tienen versión MLX, así que se ejecutan en la CPU.
• El texto en directo siempre se ejecuta en la CPU.
• Tipo de cómputo y Tamaño de lote no se aplican en la GPU, ya que MLX siempre calcula en media precisión y sin lotes.
• Para transcribir en la CPU, activa Usar CPU en Preferencias → Transcripción.

Opciones avanzadas

Están en Preferencias → Transcripción → WhisperX. Cámbialas solo si tienes problemas o sabes lo que haces: una GPU que se queda sin memoria puede bloquear tu sistema.

• Tipo de cómputo: la precisión de los números del modelo. float16 es más rápido en GPU NVIDIA (el valor por defecto con CUDA). int8 usa menos memoria y es el valor por defecto en la CPU, ya que muchas CPU no admiten float16 de forma eficiente. float32 es el más preciso, para GPU con más de 8 GB de VRAM.
• Tamaño de lote: cuántas partes del audio se procesan a la vez (8 por defecto). No cambia la calidad, solo la velocidad. Bájalo si te quedas sin memoria; se recomienda hasta 16.
• Usar CPU: ejecuta WhisperX en la CPU. Siempre está activado si no se ha encontrado una GPU (una GPU NVIDIA con CUDA, o la GPU de un Mac con Apple Silicon).

API de Whisper

Usa la API de voz a texto de OpenAI. Está pensada para ordenadores que no pueden ejecutar WhisperX con fluidez, y requiere una clave de API de OpenAI (consulta Claves de API).

Modelo	Marcas de tiempo	Hablantes	Notas
whisper-1 (por defecto)	✓	✗	Se puede reproducir segmento a segmento y subtitular. Traduce al inglés. Puntúa cada segmento, para revisar los de baja confianza.
gpt-transcribe	✗	✗	Más preciso, pero sin marcas de tiempo.
gpt-4o-transcribe-diarize	✓	✓	Identifica a los hablantes. No usa las palabras clave ni la descripción.

Las traducciones al inglés siempre las hace whisper-1, ya que es el único modelo que traduce.

Los audios largos se dividen en fragmentos de hasta 10 minutos, cortados en un silencio para no partir ninguna palabra, ya que la API rechaza los archivos de más de 25 MB. Con whisper-1, el final de cada fragmento se da como contexto al siguiente; con gpt-4o-transcribe-diarize, se envía una muestra de la voz de cada hablante con los siguientes fragmentos, para que mantengan sus etiquetas.

Opciones

• Formato de respuesta (tarjeta Salida, para carpetas): text (por defecto), json, verbose_json, srt o vtt. Los subtítulos y verbose_json necesitan un modelo con marcas de tiempo.
• Temperatura (Preferencias → Transcripción): entre 0 y 1. Los valores altos como 0,8 hacen que el resultado sea más aleatorio, y los bajos como 0,2, más preciso. Con 0 (por defecto), el modelo la sube automáticamente cuando hace falta.
• Marcas de tiempo de las palabras (Preferencias → Transcripción): si whisper-1 también devuelve las marcas de tiempo de cada palabra, para resaltarla al reproducir. Tarda más. Activado por defecto.

API de Google

Usa la API Speech-to-Text de Google. No puntúa las frases (Audiotext añade la puntuación), y su calidad es menor que la de Whisper, así que las transcripciones suelen necesitar correcciones. No puede detectar el idioma ni traducir, y devuelve texto plano sin marcas de tiempo.

Sin clave de API, se usa el nivel gratuito, limitado a 60 minutos al mes. Para ampliarlo, configura una clave de API de Google. Google cobra por su uso, del que Audiotext no se hace responsable.