El artículo de XDA sobre usar Speakr alojado localmente en lugar de pagar $20 mensuales a Otter.ai generó interés porque nombró lo que muchas personas con trabajos que requieren muchas reuniones sospechan en silencio: la comodidad de un servicio de transcripción SaaS se compra con el audio de cada llamada de cliente, cada entrevista, cada sesión de lluvia de ideas. Una vez que notas que la grabación sale de tu portátil, es difícil no verlo. La buena noticia es que la inferencia local de Whisper se ha vuelto lo suficientemente rápida en hardware de 2024 como para que un stack de transcripción alojado localmente ya no sea un proyecto de fin de semana. Probamos 7 de las mejores aplicaciones para transcripción alojada localmente en escritorio, cada una ejecutando modelos en la máquina frente a ti, sin que nada salga de la red local.
La lista abarca aplicaciones GUI de binario único que se instalan en un Mac en un minuto, aplicaciones Electron multiplataforma con diarización e interfaz de usuario, un envoltorio TypeScript para transcripción por lotes y la CLI Whisper.cpp que silenciosamente alimenta la mayoría de las otras. Cada selección se juzga por la calidad de transcripción en el nivel de alta precisión large-v3, velocidad en un Mac con serie M y un portátil x86 reciente, y qué tan bien maneja las partes que siempre van mal: etiquetas de hablante, archivos largos, idiomas mixtos y exportación con marcas de tiempo.
Qué buscar en una aplicación de transcripción alojada localmente
Un pipeline de transcripción alojado localmente vive o muere en los mismos cinco aspectos:
- Selección de modelo. La familia Whisper es el estándar, pero la aplicación debe permitirte elegir entre
tiny,base,small,medium,large-v2ylarge-v3. Más grande significa más lento y más preciso. Un modelo bloqueado es un error. - Velocidad en hardware real. En un MacBook Air M2,
large-v3debe transcribir un archivo de una hora en mucho menos de treinta minutos. En un portátil Intel de 12ª generación sin GPU puede tomar más tiempo que la grabación misma. La aplicación debe hacer que este compromiso sea evidente. - Diarización de hablantes. La única característica que la mayoría quiere y que la mayoría de los stacks locales arruina. Busca integración pyannote o un diarizador local equivalente en lugar de una conjetura genérica “hablante A / hablante B”.
- Formatos de exportación. SRT y VTT para trabajo de video, texto plano con marcas de tiempo para notas, y JSON con puntuaciones de confianza para herramientas posteriores. Copiar al portapapeles la transcripción y nada más es un trato roto.
- Sin salida de red por defecto. Todo el propósito. La aplicación no debe comunicarse con el servidor, enviar telemetría o descargar el modelo desde un CDN a menos que lo solicites explícitamente.
Comparación rápida
| Aplicación | Licencia | Plataformas | Aceleración GPU | Diarización | Mejor para |
|---|---|---|---|---|---|
| MacWhisper | Commercial (free tier) | macOS | Apple Silicon Metal | Sí (Pro) | Uso diario en Apple Silicon |
| Vibe | MIT (open source) | Windows, macOS, Linux | NVIDIA, Metal, Vulkan | Sí | GUI multiplataforma |
| WhisperX | BSD-2 (open source) | Windows, macOS, Linux | NVIDIA, CPU | Sí (pyannote) | Alineación a nivel de palabra para profesionales |
| Speakr | MIT (open source) | Windows, macOS, Linux (Docker) | NVIDIA, CPU | Sí | Servidor alojado localmente con interfaz web |
| Aiko | Free, closed source | macOS, iOS | Apple Silicon Metal | No | Transcripciones rápidas de una sola vez en Mac |
| Buzz | MIT (open source) | Windows, macOS, Linux | NVIDIA, Metal, CPU | No | CLI + GUI de binario único multiplataforma |
| Whisper.cpp | MIT (open source) | Windows, macOS, Linux | NVIDIA, Metal, CPU | No (manual) | CLI sin interfaz para scripts y servidores |
7 mejores aplicaciones para transcripción alojada localmente en escritorio en 2026
1. MacWhisper — Mejor para uso diario en Apple Silicon
MacWhisper es lo que usarán la mayoría de usuarios de Mac sin nunca abrir una terminal. La versión gratuita maneja transcripción de arrastrar y soltar con modelos Whisper desde tiny hasta medium, la versión Pro añade large-v3, trabajos por lotes, importación de podcasts y diarización de hablantes. La inferencia se ejecuta en la pila Metal de Apple, así que un M2 Air procesa un archivo de una hora en minutos sin sonar como un secador de pelo. La interfaz de usuario es la parte que esta categoría rara vez consigue bien.
Dónde falla: solo macOS, y la calidad de diarización se queda atrás de WhisperX en grabaciones multilocutor complicadas. La licencia Pro es una compra única, no gratuita, lo que la descalifica para algunos.
Precio: Gratuito para medium e inferior. Compra Pro única para large-v3, diarización, lotes e importación de YouTube.
Plataformas: macOS (Apple Silicon recomendado; Mac Intel compatible pero lento).
Descargar: MacWhisper site
Conclusión: Si la mayoría de transcripción ocurre en Mac, comienza aquí y sigue adelante. La tarifa Pro se paga en una semana de notas de reuniones.
2. Vibe — Mejor GUI multiplataforma
Vibe es lo más cercano a MacWhisper en el mundo Windows y Linux. Una sola descarga instala una interfaz gráfica que carga cualquier modelo Whisper, se ejecuta en NVIDIA CUDA, Apple Metal o Vulkan en AMD, y ofrece diarización lista para usar. El sistema de complementos te permite conectar pasos de resumen o traducción sin salir de la aplicación, y el proyecto publica versiones frecuentes.
Dónde falla: la primera carga de modelo es pesada porque el binario obtiene pesos en tiempo de ejecución. La diarización en archivos largos puede atascarse en backends Vulkan; los usuarios de CUDA no ven esto.
Precio: Gratuito, con licencia MIT.
Plataformas: Windows, macOS (Intel y Apple Silicon), Linux.
Descargar: Vibe site
Conclusión: El punto de partida correcto en Windows y Linux. Los usuarios de Mac con eGPU NVIDIA deberían elegir Vibe sobre MacWhisper.
3. WhisperX — Mejor para alineación a nivel de palabra y diarización seria
WhisperX es lo que usan los transcriptores profesionales cuando las marcas de tiempo realmente importan. Combina Whisper con un alineador forzado para que cada palabra caiga en un código de tiempo preciso, luego ejecuta diarización pyannote para etiquetar hablantes. El resultado son subtítulos SRT que cumplen con estándares de emisión y JSON que cualquier herramienta posterior puede ingerir.
Dónde falla: CLI pura, sin interfaz gráfica, y el árbol de dependencias de Python puede causar problemas en Windows. La configuración es una tarde, no un fin de semana, pero no es la experiencia de “arrastra un archivo” que ofrece MacWhisper.
Precio: Gratuito, con licencia BSD-2.
Plataformas: Windows, macOS, Linux.
Descargar: WhisperX GitHub
Conclusión: Elige WhisperX cuando las marcas de tiempo precisas a nivel de palabra y los hablantes etiquetados importen más que el pulido de la interfaz. Para subtituladores y periodistas, este es el indicado.
4. Speakr — Mejor para servidor alojado localmente con interfaz web
Speakr es la aplicación a la que el artículo de XDA envió a todos. Se ejecuta como un contenedor Docker que cualquier portátil o servidor doméstico puede alojar, expone una interfaz web limpia y convierte la inferencia local de Whisper en un servicio que toda la casa puede usar. Las grabaciones se sincronizan sobre la LAN, los transcriptores aterrizan en una biblioteca búsqueda, y la diarización es lo suficientemente buena para entrevistas de una sola vía sin ajuste adicional.
Dónde falla: es un servidor, así que comenzar es docker compose up, no un .dmg. Los usuarios que no ejecutan Docker deberían elegir otra cosa.
Precio: Gratuito, con licencia MIT.
Plataformas: Cualquier cosa que ejecute Docker (Windows, macOS, Linux).
Descargar: Speakr GitHub
Conclusión: La opción correcta cuando más de una persona en la red necesita transcripción. Ejecútalo en la misma máquina que aloja Jellyfin o Home Assistant.
5. Aiko — Mejor para transcripciones rápidas de una sola vez en Mac
Aiko es lo más cercano que tiene la Mac App Store a una utilidad de transcripción gratuita sin cuenta. Suelta un archivo, elige un modelo, mira la transcripción fluir. Sin diarización, sin etiquetas de hablante, sin exportación sofisticada, solo texto limpio con marcas de tiempo que puedes pegar en una aplicación de notas.
Dónde falla: solo macOS e iOS, y las opciones de modelo se quedan cortas de large-v3. Cualquiera que necesite precisión seria debería saltarse esto y usar MacWhisper.
Precio: Gratuito, sin compras dentro de la aplicación.
Plataformas: macOS, iOS.
Descargar: Aiko on the Mac App Store
Conclusión: La opción correcta para notas de voz y entrevistas cortas en Mac. No es la opción correcta para un flujo de trabajo serio.
6. Buzz — Mejor opción de binario único multiplataforma
Buzz se envía como una aplicación de descarga única que se ejecuta en Windows, macOS y Linux con la misma interfaz. Admite transcripción en vivo desde el micrófono, trabajos basados en archivos y un modo OpenAI API incorporado para usuarios que desean comparar salida local y en la nube lado a lado. La base de código es lo suficientemente pequeña para auditarla en una tarde.
Dónde falla: sin diarización. El modo en vivo corta oraciones de formas poco útiles en monólogos largos.
Precio: Gratuito, con licencia MIT.
Plataformas: Windows, macOS, Linux.
Descargar: Buzz GitHub
Conclusión: Una buena primera instalación en una máquina Linux nueva. El camino más rápido desde “quiero transcripción local” a una aplicación que funciona.
7. Whisper.cpp — Mejor CLI sin interfaz para scripts y servidores
Whisper.cpp es el puerto de C++ que silenciosamente alimenta la mitad de las aplicaciones anteriores. Se compila en un solo binario, no tiene runtime de Python, y se ejecuta en todo, desde un Raspberry Pi 5 hasta un M4 Max. Canaliza un archivo WAV, obtén SRT o VTT. La compilación CMake ahora incluye binarios precompilados para las plataformas principales.
Dónde falla: CLI pura. Sin diarización, sin interfaz gráfica, sin pulido de aplicación. Construyes el flujo de trabajo a su alrededor.
Precio: Gratuito, con licencia MIT.
Plataformas: Windows, macOS, Linux, BSD, cualquier lugar con un compilador de C++.
Descargar: Whisper.cpp GitHub
Conclusión: La opción correcta para scripting de transcripción en pipelines existentes, para casos de uso incrustados, y para cualquiera que quiera el área de superficie más pequeña y auditable.
Cómo elegir el correcto
- Si quieres un reemplazo Otter.ai alojado localmente que toda la casa pueda usar: Speakr.
- Si vives en macOS y solo quieres la mejor aplicación local: MacWhisper.
- Si estás en Windows o Linux y quieres una interfaz gráfica limpia: Vibe.
- Si necesitas marcas de tiempo de emisión y hablantes etiquetados: WhisperX.
- Si tienes un Mac antiguo y solo quieres transcriptores ocasionales: Aiko.
- Si quieres scripting de transcripción en un pipeline más grande: Whisper.cpp.
Preguntas frecuentes
¿Puede Whisper reemplazar a Otter.ai?
Para grabaciones solo en inglés de un solo hablante, sí. Para reuniones multilocutor con solapamiento, Whisper con diarización pyannote se aproxima pero todavía se queda atrás de Otter en etiquetado de hablantes. La brecha se cerró mucho en 2025 y se sigue cerrando con cada lanzamiento.
¿Qué hardware necesito para ejecutar transcripción local?
large-v3 se ejecuta cómodamente en cualquier Mac con Apple Silicon y en cualquier GPU NVIDIA con 8 GB o más de VRAM. La inferencia solo en CPU funciona pero toma más tiempo que la grabación. Para transcripción de reuniones a un ritmo casual, un portátil de cinco años funciona bien si eliges small o medium.
¿Cuál es el mejor modelo Whisper para precisión?
large-v3 es el modelo más preciso publicado. large-v3-turbo es una variante más rápida con una pequeña caída de calidad que la mayoría de usuarios no notarán en audio limpio. Salta large-v2 en favor de v3 a menos que tengas una razón específica.
¿Puede la transcripción alojada localmente manejar audio que no sea en inglés?
Whisper admite casi 100 idiomas y es competitivo con servicios en la nube en los principales (español, francés, alemán, portugués, japonés, mandarín). La calidad disminuye para idiomas con menos recursos, y el inglés con acento fuerte de hablantes no nativos sigue confundiendo a cada modelo local.
¿Funciona algo de esto sin conexión después de instalarse?
Sí, completamente. Una vez que se descargan los pesos del modelo, cada aplicación en esta lista se ejecuta sin conexión de red. Ese es todo el propósito del alojamiento local.
