Dictado local con Whisper: cómo construirlo y comprobar que realmente es local

Hablar suele sentirse mucho más rápido que escribir, especialmente cuando estás desarrollando una idea, contestando mensajes o creando un primer borrador. Por eso herramientas como Wispr Flow resultan tan atractivas: sostenés una tecla, hablás y el texto aparece en la aplicación que ya tenías abierta.

Pero hay una distinción importante: Wispr Flow es un producto comercial; Whisper es el modelo abierto de reconocimiento automático de voz publicado por OpenAI. El reconocimiento automático de voz, o ASR por sus siglas en inglés, convierte audio hablado en texto. Whisper no incluye por sí solo el atajo global, la grabación, el portapapeles ni la interfaz. Para crear una experiencia parecida necesitás envolver el modelo en una pequeña aplicación.

Primero: cómo se diferencian Whisper y Wispr Flow

Whisper es un modelo general de reconocimiento de voz que puede transcribir varios idiomas, traducir audio al inglés e identificar el idioma. OpenAI publicó su código y pesos —los valores numéricos aprendidos durante el entrenamiento— bajo licencia MIT. Que el código sea abierto permite ejecutarlo localmente, pero todavía necesitás una aplicación y recursos suficientes en la computadora.

Wispr Flow es una aplicación completa de dictado con edición, contexto y sincronización. Según sus controles de datos, la transcripción siempre ocurre en la nube. La empresa separa la opción de usar datos para mejorar modelos de la opción de guardar dictados en la nube. Eso no es igual a procesamiento 100% local.

Una versión local inspirada en ese flujo usa Whisper o whisper.cpp en tu computadora y agrega las piezas que faltan. No debería copiar el nombre, la marca ni la interfaz de Wispr.

Cuando funcione, podés documentarla como proyecto en tu portafolio de GitHub y convertir el checklist de pruebas en una Skill reusable.

Las cinco piezas de una app de dictado local

Una app funcional necesita una cadena corta y verificable:

1. Atajo global: una tecla o combinación inicia y detiene el dictado.
2. Captura del micrófono: la app guarda temporalmente el audio.
3. Transcripción local: Whisper convierte el audio en texto sin una API remota. Una API remota enviaría el audio a un servicio externo para procesarlo.
4. Limpieza controlada: reglas locales corrigen espacios, puntuación o términos frecuentes.
5. Inserción: el texto se copia o pega en el campo que ya estaba activo.

En macOS, la aplicación necesita permiso para usar el micrófono. Para pegar automáticamente en otras aplicaciones también puede requerir permiso de Accessibility. Ese segundo permiso es poderoso: solo debería concederse a una app cuyo código y comportamiento entendés.

Whisper original o whisper.cpp

Para una app personal en una laptop, whisper.cpp suele ser una base práctica porque está diseñado para ejecutar los modelos de Whisper eficientemente en distintos dispositivos y ofrece ejemplos de micrófono en tiempo real. En Apple Silicon puede aprovechar Metal (la tecnología de Apple para acelerar trabajo gráfico y de cómputo en su hardware).

El repositorio original openai/whisper usa Python y PyTorch. Es excelente para experimentar y transcribir archivos, pero puede ser más pesado para una utilidad que vive encendida. La elección depende del sistema operativo, hardware y experiencia de quien la mantendrá.

Cómo pedirle a Claude que construya la primera versión

No empecés solicitando “cloná Wispr Flow”. Definí un producto mínimo con límites, pruebas y privacidad verificable.

Copiá este brief:

Quiero construir una utilidad personal de dictado para macOS, inspirada en el flujo de sostener una tecla, hablar y pegar el resultado en la app activa. No copies la marca, el nombre ni la interfaz de Wispr Flow. Requisitos de la primera versión: 1. Usar whisper.cpp y un modelo multilingüe descargado localmente. 2. No llamar APIs de transcripción, LLMs remotos ni servicios cloud. 3. Mantener el audio solo durante la transcripción y eliminarlo al terminar. 4. Permitir configurar un atajo global push-to-talk. 5. Mostrar el texto antes de habilitar el pegado automático. 6. Solicitar únicamente permisos de micrófono y, si lo apruebo, Accessibility. 7. Incluir un indicador visible mientras el micrófono está activo. 8. Crear pruebas y un README que explique arquitectura, permisos, datos y desinstalación. Antes de escribir código, proponé el stack, el diagrama de datos, los riesgos y criterios de aceptación. Trabajá por etapas y pedime aprobación antes de instalar dependencias o cambiar permisos del sistema.

Mostrar el texto antes de pegarlo hace que la primera versión sea menos mágica, pero mucho más fácil de probar. Cuando la transcripción sea estable, podés habilitar la inserción automática.

Cómo comprobar que realmente es local

“Usa Whisper” no demuestra que una aplicación sea privada. Whisper también puede ejecutarse detrás de una API. Para sostener que el audio no sale de la laptop, verificá:

• El modelo está descargado en una carpeta local.
• El código de transcripción no contiene endpoints ni claves de API.
• La app funciona con Wi-Fi apagado después de descargar el modelo.
• Los archivos temporales de audio se eliminan al terminar.
• No hay una función de reescritura que mande el texto a un LLM remoto.
• La telemetría, actualizaciones y reportes de errores están documentados.
• El README diferencia “no se almacena” de “no se transmite”.

La prueba sin conexión es útil, pero no reemplaza una revisión de código y tráfico de red. Si vas a dictar información de clientes, médica, legal o confidencial, pedí una revisión de seguridad antes de confiarle ese contenido.

El recorrido de tus datos

Antes de instalar o construir, dibujá esta secuencia:

Micrófono → archivo temporal → modelo de transcripción → texto → portapapeles o app activa → eliminación del audio.

Para cada flecha preguntá:

• ¿ocurre dentro de mi dispositivo o sale por internet?
• ¿qué archivo se guarda y por cuánto tiempo?
• ¿qué proceso puede leerlo?
• ¿qué pasa si la app se cierra durante la transcripción?
• ¿puedo desactivar el historial y el pegado automático?

“Local” debería describir el recorrido completo, no solo el modelo. Una app puede ejecutar Whisper en la laptop y aun así enviar telemetría, reportes de errores o texto a otro servicio.

Qué modelo elegir para español

Usá un modelo multilingüe; las variantes con .en están optimizadas para inglés. Un modelo pequeño responde más rápido y consume menos batería, mientras uno mayor suele mejorar precisión a cambio de memoria y latencia.

Probá con tu voz y vocabulario real. Prepará veinte frases que mezclen nombres propios, anglicismos de marketing, números, URLs y expresiones de Costa Rica. Medí cuánto tarda, cuántas correcciones hacés y si corta el inicio o final de la frase.

Un diccionario local de términos frecuentes puede mejorar nombres de marcas sin enviar contexto de la pantalla. Evitá agregar “conciencia de contexto” —leer la app, ventana o texto alrededor del cursor— hasta entender exactamente qué información accedería y dónde se procesaría.

Criterios de aceptación antes de usarla todos los días

La app está lista cuando cumple pruebas observables, no cuando “parece funcionar”.

1. El indicador del micrófono aparece y desaparece correctamente.
2. El atajo no interfiere con shortcuts importantes del sistema.
3. Transcribe español e inglés en las aplicaciones que realmente usás.
4. No pega texto dos veces ni reemplaza contenido seleccionado por accidente.
5. Funciona sin internet después de instalar el modelo.
6. El audio temporal desaparece al completar o cancelar.
7. Podés desactivar el pegado automático y revocar permisos fácilmente.

También agregá una salida de emergencia: presionar Escape debería cancelar, borrar el audio temporal y no insertar nada.

¿Vale la pena construirla?

Sí, si querés aprender, necesitás control local o el dictado es central en tu día. Pero “gratis” no significa costo cero: vas a invertir tiempo en instalación, pruebas, actualizaciones y mantenimiento cuando macOS cambie permisos o APIs.

Si preferís una experiencia pulida y soporte, una herramienta comercial puede seguir teniendo sentido. Revisá sus controles de privacidad y decidí según la sensibilidad de lo que dictás. Si elegís construir, empezá pequeña: mantener una tecla para hablar, Whisper local, vista previa y copiar. La magia puede llegar después; la confianza tiene que llegar primero.

Fuentes primarias

• Whisper: repositorio, modelos, idiomas y licencia, OpenAI.
• Model card de Whisper, OpenAI.
• whisper.cpp: compatibilidad y aceleración local, ggml-org.
• Controles de datos de Wispr Flow, Wispr Flow.

Para presentar el proyecto con transparencia, usá GitHub para marketers. Para revisar permisos antes de instalar o conectar herramientas, seguí seguridad y estándares para agentes de IA.

Si querés aprender a convertir una idea técnica en un proyecto que entendés de principio a fin, sumate gratis a Pioneras en IA.