Transcribe audios de WhatsApp gratis y sin subirlos a internet

Con Whisper y unas pocas líneas de Python, los audios de tu equipo se convierten en texto en tu propio computador, sin costo por minuto y sin que la información salga de la empresa.

Rodolfo Sepúlveda · 14 de octubre de 2026 · 4 min de lectura

En corto

Whisper es un modelo abierto de reconocimiento de voz. Corre en un computador normal, sin conexión y sin costo por minuto.
Los audios no salen de tu equipo, así que sirve para reuniones, entrevistas o reportes de terreno con información sensible.
El texto queda listo para buscar, resumir o cargar en un sistema. Así, el técnico que reporta por audio deja su registro escrito sin teclear.

En muchas empresas el reporte de terreno llega por WhatsApp, y en audio. Es lo más rápido para quien está con las manos ocupadas, pero lo más lento para quien recibe: hay que escucharlo entero, no se puede buscar y no queda en ningún sistema. Lo mismo pasa con las reuniones, las entrevistas y las clases.

Transcribir esos audios ya no requiere pagar un servicio por minuto ni subir conversaciones internas a la nube. Whisper, el modelo de reconocimiento de voz que OpenAI publicó como código abierto, corre en un computador de oficina y entiende bien el español. En este artículo te mostramos cómo usarlo con un script corto que probamos antes de publicar.

Por qué local y no un servicio en la nube

Hay servicios que transcriben muy bien. La pregunta es qué estás dispuesto a enviarles. Un audio de terreno puede mencionar fallas, nombres, clientes o montos. Una reunión de gerencia, todavía más. Con Whisper en tu equipo:

El audio no sale de tu computador. Solo la primera vez se descarga el modelo; después funciona sin internet.
No hay costo por minuto. Transcribir diez audios o diez mil cuesta lo mismo: el tiempo del computador.
No dependes de una cuenta ni de un proveedor que cambie precios o condiciones.

El costo es la velocidad. En un computador sin tarjeta gráfica, un audio de un par de minutos tarda segundos o minutos según el modelo que elijas. Para la mayoría de los usos, eso basta.

Lo que necesitas

Usamos faster-whisper, una implementación de Whisper más rápida y liviana que la original. Tiene una ventaja práctica: decodifica el audio con PyAV, que trae incluido lo necesario, así que no tienes que instalar FFmpeg. Lee directamente los .ogg y .opus de las notas de voz de WhatsApp, además de .mp3, .m4a y .wav.

Crea un entorno virtual e instala la librería:

Terminal

python -m venv .venv
source .venv/bin/activate    # en Windows: .venv\Scripts\activate
pip install faster-whisper

El script

Pon los audios en una carpeta llamada audios. El script los recorre en orden alfabético, transcribe cada uno y deja todo en un solo archivo de texto:

transcribir.py

from pathlib import Path

from faster_whisper import WhisperModel

CARPETA = Path("audios")             # .ogg/.opus de WhatsApp, .mp3, .m4a, .wav...
SALIDA = Path("transcripciones.md")

modelo = WhisperModel("small", device="cpu", compute_type="int8")

with SALIDA.open("w", encoding="utf-8") as f:
    for audio in sorted(p for p in CARPETA.iterdir() if p.is_file()):
        segmentos, info = modelo.transcribe(str(audio), vad_filter=True)
        texto = " ".join(s.text.strip() for s in segmentos)
        f.write(f"## {audio.name} ({info.language})\n\n{texto}\n\n")
        print(f"Listo: {audio.name}")

Tres detalles que importan:

compute_type="int8" reduce la memoria y acelera el trabajo en procesador, con una pérdida de calidad que en la práctica no se nota.
vad_filter=True salta los silencios antes de transcribir. En audios de terreno, con pausas y ruido, evita frases inventadas en los tramos sin voz.
El idioma se detecta solo y queda en info.language. Si todos tus audios son en español, puedes fijarlo con language="es" y ganar un poco de velocidad.

Lo probamos con dos audios: un reporte de terreno en .wav y los acuerdos de una reunión en .ogg, el formato de WhatsApp. Este fue el resultado, sin corregir nada:

transcripciones.md

## 01-reporte-terreno.wav (es)

Hola, te cuento cómo quedó la bomba del sector norte. Cambiamos el sello mecánico y quedó funcionando a las 4 de la tarde. Mañana hay que revisar la vibración.

## 02-reunion.ogg (es)

Acordamos tres cosas. Primero, el informe sale el viernes. Segundo, Carla revisa los costos. Tercero, la próxima reunión es el martes.

Si necesitas saber en qué minuto se dijo algo, cada segmento trae su inicio y su fin en segundos (s.start y s.end). Puedes escribir una línea por segmento en vez de unirlos.

Qué modelo elegir

El primer argumento de WhisperModel es el tamaño del modelo. Más grande es más preciso y más lento:

Modelo	Peso aproximado	Cuándo usarlo
`tiny`, `base`	75 MB y 150 MB	Pruebas rápidas o computadores muy modestos
`small`	500 MB	Buen equilibrio para español en un computador de oficina
`medium`	1,5 GB	Audios difíciles: ruido, acentos marcados, términos técnicos
`turbo`	1,6 GB	Casi la calidad del más grande, bastante más rápido; ideal con tarjeta gráfica
`large-v3`	3 GB	La máxima precisión, si el tiempo no importa

Si tienes una tarjeta gráfica NVIDIA, cambia a device="cuda" y compute_type="float16". La diferencia de velocidad es grande.

Del script al proceso

El script resuelve el caso de una persona con una carpeta de audios. En una empresa, lo valioso es que la transcripción llegue sola a donde se usa:

Una carpeta compartida o un buzón de correo donde el equipo deja los audios, y una tarea que los transcribe cada pocos minutos.
Un resumen con los acuerdos y los pendientes, preparado por un modelo de lenguaje que también puede correr en tu servidor.
El texto cargado en el sistema que corresponde: la orden de trabajo, la ficha del cliente o el acta de la reunión.

Ahí la transcripción deja de ser un truco y se convierte en un registro: el técnico sigue reportando por audio, como le acomoda, y la jefatura tiene el texto listo para buscar y decidir.

Si en tu equipo los reportes llegan por audio y se pierden en el chat, cuéntanos cómo se hace hoy.