Subtítulos · Whisper
Preparar cualquier audio para Whisper
whisper.cpp espera el audio en un formato concreto: WAV mono de 16 kHz. Tus grabaciones casi nunca vienen así, pero un solo comando de FFmpeg convierte cualquier MP3, M4A o video al formato correcto: ffmpeg -i entrevista.mp3 -ar 16000 -ac 1 -c:a pcm_s16le entrevista.wav. Este es el paso previo a casi todo lo demás.
1. Instala whisper.cpp
Se instala una sola vez y queda para siempre. Es gratis y de código abierto:
# macOS (Homebrew)
brew install whisper-cpp
# Ubuntu / Debian (compilar desde el código, ~2 minutos)
git clone https://github.com/ggml-org/whisper.cpp
cd whisper.cpp && cmake -B build && cmake --build build -jSi nunca has usado la terminal, empieza por la guía de la terminal.
2. Convierte el audio al WAV que Whisper necesita
En la carpeta donde está tu archivo, ejecuta:
ffmpeg -i entrevista.mp3 -ar 16000 -ac 1 -c:a pcm_s16le entrevista.wavCada bandera tiene su razón: -ar 16000 fija la frecuencia en 16 kHz, -ac 1 lo pasa a un solo canal (mono) y -c:a pcm_s16le escribe el WAV sin comprimir que el modelo entiende. Cambia entrevista.mp3 por tu archivo, así sea .m4a, .opus o un .mp4 con voz: FFmpeg extrae y convierte el audio igual.
Extraer el audio de un video
El mismo comando funciona apuntando a un video; FFmpeg ignora la imagen y se queda solo con la pista de voz:
ffmpeg -i clase.mp4 -ar 16000 -ac 1 -c:a pcm_s16le clase.wavCon eso ya puedes transcribir esa clase o reunión grabada en video sin pasar por ningún paso extra.
Tareas relacionadas
Preguntas frecuentes
¿Por qué Whisper no acepta mi MP3 directamente?
whisper.cpp está pensado para trabajar con audio WAV de 16 kHz en un canal, que es el formato con el que se entrenó el modelo. Si le pasas otro formato puede fallar o dar peor resultado, por eso conviene convertir primero. FFmpeg hace esa conversión en un paso y deja el archivo justo como lo espera.
¿Pierdo calidad al bajar a 16 kHz mono?
Para la voz, no notarás diferencia en la transcripción: el habla cabe de sobra en 16 kHz y la palabra hablada no necesita estéreo. Estás descartando frecuencias que el reconocimiento de voz no usa, así que el resultado es el mismo y el archivo pesa menos. No uses este WAV para música, pero para transcribir es ideal.
¿Este paso sube mi audio a algún lado?
No. FFmpeg convierte el archivo dentro de tu computadora, sin conexión. El audio original y el WAV resultante se quedan en tu disco, lo que mantiene privada toda la cadena: preparar, transcribir y subtitular, sin que nada salga de tu equipo.