«Nos llevamos cuatro, no, seis carpetas». Un sistema de reconocimiento puede transcribir la frase correctamente. Para un subtítulo fácil de leer, quizá quieras acortar la repetición. Al hacerlo, el seis no debe volver a convertirse en cuatro. Por tanto, el camino técnico del sonido al archivo de texto es solo el comienzo del trabajo editorial.
whisper.cpp documenta el reconocimiento de voz local, incluido el soporte para CPU. Hay que preparar el modelo adecuado y los archivos de ejecución. Las variantes solo en inglés y las multilingües, así como la transcripción y la traducción, son decisiones distintas; un programa iniciado localmente no realiza automáticamente la tarea que quieres.
Fijar el idioma de origen y el objetivo
Decide primero si lo que se dice debe conservarse en su propio idioma o trasladarse al inglés. Una grabación en alemán con una transcripción en alemán es un trabajo distinto de una traducción al inglés. Un texto en inglés fluido seguiría siendo el resultado equivocado para el primer propósito.
Las instrucciones del servidor usan –translate para traducir del idioma de origen al inglés; –language describe el idioma hablado. Para tu llamada real, toma las opciones de la ayuda correspondiente en lugar de mezclar ajustes de distintos ejemplos.
Preparar una breve grabación propia
Graba tú mismo unas pocas frases no sensibles: un cambio de cantidad, un nombre propio inventado y una restricción como «solo después de consultarlo». Anota de antemano el texto conocido. Una pausa breve y deliberada también ayuda a distinguir el reconocimiento de palabras de la segmentación temporal.
Usa un entorno local preparado y un formato de audio adecuado. Genera primero una base de texto que se mantenga cerca de las palabras pronunciadas. Vuelve a escuchar los pasajes con el número y el nombre, y marca todo lo que no esté claro. Una grafía esperada de tu lista de nombres no debe sustituir sin más un pasaje que en realidad no se entiende con claridad.
Mantén esta base separada de la versión posterior y acortada de los subtítulos. Así podrás rastrear qué cambio procede del reconocimiento y cuál de tu trabajo editorial. Este artículo ofrece el método, no una transcripción realizada aquí.
El tiempo pasa a formar parte del formato de archivo
Una pista de subtítulos vincula el texto al inicio y al final de un intervalo de tiempo. El formato WebVTT de la especificación del W3C describe este tipo de segmentos de texto alineados en el tiempo. Un ejemplo de formato sencillo, elaborado por nosotros, tiene este aspecto; sus tiempos son valores didácticos y deben ajustarse para una grabación real:
WEBVTT
00:00:00.000 --> 00:00:04.000
We need six folders for the course.
00:00:04.500 --> 00:00:07.000
Open sealed material only after checking back.Guarda un texto que realmente se haya editado para que encaje como archivo UTF-8 y compruébalo con la grabación correspondiente en un reproductor o una herramienta de subtítulos adecuados. Texto, sincronización y legibilidad son tres observaciones distintas. Una línea correcta puede aparecer demasiado pronto o permanecer visible demasiado poco tiempo.
Coloca los saltos de línea en unidades con sentido. Un «no» aislado puede malinterpretarse al leer rápido. Una condición de aprobación también debe seguir siendo reconocible en su contexto en lugar de desaparecer por un corte inadecuado.
Da al audio original, a la transcripción y a los subtítulos la misma raíz de nombre de archivo, pero extensiones distintas. Una breve nota sobre el idioma y el estado de edición evita que una versión traducida antigua acabe por accidente junto a la nueva grabación original.
Qué demuestra un flujo de trabajo local
Con esta muestra puedes examinar si tu configuración preparada ofrece el texto que quieres y cuánta edición necesitan los subtítulos. No te dice nada general sobre la calidad del reconocimiento en todos los idiomas, acentos o ruidos de fondo.
Una pasada de traducción es, en ese caso, una prueba aparte. Requiere comparar el significado, no solo la ortografía. Si en la misma grabación hay varios idiomas, deberías incluir explícitamente los pasajes afectados en la comprobación auditiva.
La ventaja del procesamiento local reside en una vía de trabajo propia que puedes nombrar. Los subtítulos utilizables surgen cuando conectas esta vía con la grabación real: elige la tarea correcta, comprueba el texto, edita de forma deliberada y revisa el texto frente a sus marcas de tiempo.
Fuentes y estado
Fuentes a fecha de 25 de octubre de 2026. README de whisper.cpp · Opciones del ejemplo de servidor de whisper.cpp.
W3C: WebVTT como fuente complementaria sobre el formato.
