Whisper: la IA de OpenAI que transcribe mejor que una persona

La transcripción de audio con IA no es nueva: Google, Amazon, Microsoft y otros llevaban tiempo ofreciendo servicios. Pero en septiembre de 2022, OpenAI publicó un modelo que lo cambió todo: Whisper.

Tres años después, Whisper sigue siendo el estándar de referencia en transcripción, usado por todo el sector. Este artículo explica por qué, cómo funciona y cómo usarlo o reconocerlo en las herramientas que usas a diario.

Por qué Whisper cayó como una bomba

Antes de Whisper, la transcripción con IA tenía tres problemas grandes: la calidad se derrumbaba en cuanto había ruido de fondo, los acentos no nativos se gestionaban mal, y cada idioma necesitaba un modelo aparte entrenado específicamente.

Whisper resolvió los tres de golpe gracias a un entrenamiento masivo y original. OpenAI entrenó el modelo con 680.000 horas de audio multilingüe recogido de la web, en condiciones muy variadas: pódcasts, vídeos de YouTube, conferencias, audio con ruido, acentos de todo tipo.

El resultado: un modelo que maneja 99 idiomas, aguanta el ruido y entiende los acentos no nativos casi tan bien como los nativos. Y todo eso con una sola arquitectura, no un modelo por idioma.

La calidad real en español

Con audio "limpio" en español estándar (un pódcast, una conferencia bien grabada), Whisper llega a una tasa de error por palabra de en torno al 4 o 6%. Para comparar, una persona profesional no especializada está en torno al 4 o 5%. O sea que Whisper está a un nivel casi humano en ese terreno.

Con audio más difícil (un audio de WhatsApp grabado en la calle con viento, un habla muy rápida, un acento marcado), la calidad baja, pero sigue siendo muy aprovechable. Lo normal es moverse entre un 8 y un 15% de errores, lo que significa que entiendes perfectamente el sentido del texto pese a algunas palabras aproximadas.

Un detalle que importa para el español: el modelo maneja bien las variantes de España y de América Latina, el seseo y el voseo incluidos. Donde más patina es con nombres propios y con topónimos poco frecuentes.

Los límites reales

Whisper no es magia. Tres terrenos donde todavía se queda corto.

Los nombres propios raros. Si tu audio menciona "Etxeberria" o "Goikoetxea", Whisper probablemente hará una aproximación fonética. No es un drama para entender el conjunto, pero sí frustrante si lo que buscabas era justo recuperar un nombre con precisión.

Las conversaciones con varias voces. Whisper no hace "diarización" nativa, es decir, no distingue quién habla. Si tres personas hablan a la vez o una conversación cambia rápido de turno, obtienes un texto continuo sin indicación de quién dijo qué. Hay herramientas de terceros que añaden esa capa en el posprocesado.

Los audios muy largos. Whisper tiene un límite de 30 segundos por bloque de procesamiento. Con una grabación de 2 horas, la herramienta la parte en segmentos y los cose. La técnica funciona, pero puede producir incoherencias en las costuras, sobre todo con nombres propios que acaban transcritos de forma distinta según el segmento.

Whisper en local frente a la API

Whisper tiene una particularidad: OpenAI publicó los pesos del modelo como código abierto. Puedes ejecutarlo en tu propio ordenador si tienes una tarjeta gráfica decente, sin mandarle ningún dato a OpenAI.

Esa apertura creó todo un ecosistema: bifurcaciones optimizadas (whisper.cpp para CPU, faster-whisper para GPU), integraciones en software libre, servicios que alojan su propia instancia.

Si usas Whisper a través de la API de OpenAI, se factura a unos 0,006 $ por minuto de audio. Para uso personal sale asequible. Para un servicio a gran escala, merece la pena evaluar una instancia propia.

Dónde usas Whisper sin saberlo

Whisper se ha vuelto tan estándar que muchos productos lo usan por detrás sin mencionarlo.

• La transcripción nativa de WhatsApp usa probablemente una variante de este tipo por el lado de Meta (Meta tiene su propio modelo, pero muy inspirado en él).
• Muchas herramientas de reuniones (Otter, Tactiq, Fathom) usan Whisper por debajo.
• Las herramientas de pódcast (Riverside, Descript) integran Whisper para la transcripción automática.
• Varios asistentes de voz y herramientas de accesibilidad lo usan.
• Abrège usa Whisper para transcribir los audios de WhatsApp antes de resumirlos.

Si usas una herramienta de transcripción moderna, hay un 70% de posibilidades de que lleve Whisper dentro.

Transcripción frente a resumen

Un matiz importante: Whisper hace transcripción, no resumen. Convierte el audio en texto palabra por palabra. Con un audio de 5 minutos, eso produce unas 800 palabras de transcripción en bruto, que siguen costando tiempo de leer.

Para convertir esa transcripción en un resumen aprovechable (2 o 3 frases con lo esencial), hace falta un segundo paso con un modelo de lenguaje tipo GPT. Es esa combinación la que da eficiencia real en el uso práctico: Whisper para transcribir, GPT para resumir.

Y hay un efecto secundario que se agradece: el resumen no arrastra los huecos. Cuando un motor de transcripción no entiende una palabra, deja un ____ o mete una parecida. Un modelo de lenguaje que reformula la idea completa, en cambio, reconstruye el sentido a partir del contexto en vez de copiar el agujero. Es una de las razones por las que un resumen resulta más fiable que una transcripción literal para quedarte con lo importante.

Eso es exactamente lo que hace Abrège por debajo con los audios de WhatsApp: transcripción con Whisper y resumen con GPT. Quien lo usa no ve la maquinaria, solo recibe un resumen corto y pertinente.

¿Hacia dónde va Whisper?

OpenAI publicó Whisper-large-v3 en 2023, una versión mejorada con mejor calidad en idiomas menos comunes y más resistencia al ruido. Después lanzó en 2025 gpt-4o-transcribe y gpt-4o-mini-transcribe, modelos que rinden todavía mejor en transcripción, con especial foco en el inglés y en los idiomas europeos.

La evolución va en dos direcciones: más calidad en los casos difíciles (audio con ruido, acentos marcados) y una integración más profunda con los modelos de lenguaje para funciones como la traducción simultánea o el resumen nativo.

En resumen

Whisper democratizó una tecnología que antes era cara y limitada. Hoy cualquiera puede transcribir audio con una calidad casi humana por unos céntimos o gratis. Esa banalización creó toda una oleada de productos inteligentes que usan el audio como materia prima, y Abrège es uno de ellos.

Conocer Whisper, sus fortalezas y sus límites, ayuda a entender mejor lo que pueden y no pueden hacer las herramientas que usas. La transcripción se ha convertido en un producto básico. El valor, ahora, está en qué haces con ella.