Whisper
Categoría: modelos audio locales open-weights
Definición
Familia de modelos de reconocimiento automático de voz (STT) de pesos abiertos desarrollada por OpenAI (arquitectura Encoder-Decoder Transformer entrenada sobre millones de horas de audio multilingüe). Es el estándar absoluto para transcripción y traducción de voz local en Linux.
Variantes y tamaños principales
tiny(39M) /base(74M) /small(244M): Caben en < 1 GB de VRAM o corren fluidos en CPU; útiles para comandos rápidos pero con errores en acentos o términos técnicos.medium(769M): Buen equilibrio en ~2 GB de VRAM.large-v3(1.55B): Máxima precisión multilingüe (incluyendo español técnico); ocupa ~3–4 GB de VRAM enFP16.large-v3-turbo(809M): Versión destilada que reduce las capas del Decoder de 32 a 4, logrando ~6x–8x más velocidad quelarge-v3manteniendo prácticamente la misma precisión en español e inglés.
Implementaciones recomendadas en Linux
faster-whisper: Reescritura sobre CTranslate2 con soporte de CuantizaciónINT8/FP16en CUDA y CPU; estándar para servidores locales.whisper.cpp: Port en C/C++ sin dependencias de Python que usa archivos GGUF, ideal para integrar transcripción directa en scripts o binarios ligeros.