Transcripción local vs. en la nube: privacidad, velocidad y precisión comparadas

La transcripción local procesa tu audio íntegramente en tu dispositivo usando modelos como OpenAI Whisper y NVIDIA Parakeet, ejecutados mediante entornos optimizados como whisper.cpp. El audio nunca sale de tu equipo. La transcripción en la nube envía tu audio a servidores remotos gestionados por proveedores como Google, AWS, Microsoft, Deepgram o AssemblyAI, donde grandes clústeres de GPU lo procesan y devuelven una transcripción de texto. Las principales ventajas y desventajas entre ambos enfoques se reducen a cinco factores: privacidad, latencia, precisión, coste y funcionamiento sin conexión. Este artículo examina cada uno con cifras reales y políticas reales, para que puedas tomar una decisión informada.

Última actualización: 17 de febrero de 2026. Las afirmaciones cuantitativas y de políticas se contrastan con al menos dos fuentes primarias.

• Los modelos locales abiertos son aptos para producción: Whisper y Parakeet cuentan con fichas de modelo públicas e implementaciones abiertas adecuadas para la inferencia en el dispositivo. OpenAI Whisper · NVIDIA Parakeet
• El STT en la nube se cobra por uso: los principales proveedores facturan según el volumen de audio y el nivel del modelo. Precios de Google · Precios de AWS
• El tratamiento de datos varía según el proveedor: los ajustes de registro/retención y las opciones de exclusión son específicos de cada servicio y deben configurarse. Registro de datos de Google · Política de exclusión de IA de AWS
• El contexto normativo importa: las obligaciones sobre datos biométricos y sensibles varían según la jurisdicción y el caso de uso. Texto oficial del RGPD · Texto oficial de la Ley de IA de la UE
• Modelo de despliegue de OpenWhispr: OpenWhispr usa por defecto el procesamiento local y también admite el enrutamiento a la nube mediante BYOK cuando los usuarios lo necesitan. OpenWhispr · Entorno de ejecución whisper.cpp

Cuando usas un servicio de voz a texto basado en la nube, tu audio recorre un trayecto de varios pasos. Primero, tu dispositivo captura el audio en bruto del micrófono y lo comprime a un formato apto para la transmisión, normalmente Opus, FLAC o PCM lineal. Ese audio comprimido se envía luego por internet al endpoint de la API del proveedor, generalmente a través de HTTPS o de una conexión WebSocket para la transmisión en tiempo real.

En el lado del servidor, el proveedor procesa tu audio con grandes modelos de redes neuronales alojados en clústeres de GPU. Estos modelos suelen entrenarse con cientos de miles de horas de datos de voz etiquetados, muchísimo más de lo que cualquier persona podría reunir por sí sola. La transcripción resultante se devuelve a tu dispositivo.

Entre los principales proveedores de transcripción en la nube se encuentran:

• Google Cloud Speech-to-Text — Amplia cobertura de idiomas con opciones por lotes y de transmisión en tiempo real.
• AWS Transcribe — La oferta de Amazon, con identificación automática del idioma, vocabulario personalizado y redacción de datos personales (PII).
• Microsoft Azure Speech — Integración profunda con el ecosistema de Microsoft, modelos de voz personalizados y transcripción en tiempo real.
• Deepgram — Reconocido por su velocidad y experiencia para desarrolladores, con su modelo Nova-3 que ofrece una gran precisión a precios competitivos.
• AssemblyAI — Centrado en la precisión y las herramientas para desarrolladores, con diarización de hablantes y moderación de contenido integradas.

La latencia en la nube es variable porque incluye la captura, la subida, la inferencia en el servidor y la entrega de la respuesta. En entornos con buena conexión puede resultar rápida, mientras que las redes inestables o las regiones con alta latencia pueden hacer que la experiencia sea notablemente más lenta. La transcripción por lotes puede tardar desde segundos hasta minutos según la duración del archivo y la cola de espera.

La transcripción local ejecuta el modelo de reconocimiento de voz directamente en tu dispositivo. No interviene ninguna red: el audio pasa de tu micrófono directamente a un modelo que se ejecuta en tu CPU o GPU, y el texto sale por el otro lado. Todo el proceso ocurre en la memoria de tu equipo.

El avance que hizo práctica la transcripción local de alta calidad fue el lanzamiento de Whisper por parte de OpenAI en septiembre de 2022: un modelo de código abierto entrenado con 680.000 horas de audio multilingüe. Más recientemente, NVIDIA lanzó su familia de modelos ASR Parakeet, que alcanzan una precisión puntera en las pruebas de referencia en inglés y están disponibles bajo licencias abiertas. Poco después, Georgi Gerganov creó whisper.cpp, una reimplementación en C/C++ optimizada para la inferencia en CPU, que llevó la precisión de Whisper al hardware cotidiano sin necesidad de una GPU dedicada.

Whisper viene en varios tamaños de modelo, cada uno intercambiando precisión por velocidad:

En Apple Silicon (del M1 al M4), whisper.cpp ejecuta la inferencia completamente en la GPU mediante Metal, alcanzando velocidades en tiempo real o superiores incluso con el modelo medium. El modelo Turbo —una variante optimizada de large-v3 con una pérdida mínima de precisión— funciona con alto rendimiento en los MacBooks modernos, razón por la que se usa habitualmente en flujos de dictado local de baja latencia.

Otros motores de transcripción local incluyen Vosk (ligero, menor precisión) y Sherpa-ONNX (la nueva generación de Kaldi con soporte para el entorno ONNX). Sin embargo, OpenAI Whisper a través de whisper.cpp y NVIDIA Parakeet siguen siendo el referente en calidad de transcripción local.

La privacidad es el mayor factor diferenciador entre la transcripción local y la de la nube. Con el procesamiento local, la pregunta «¿qué ocurre con los datos de mi audio?» tiene una respuesta sencilla: nada. Permanecen en tu dispositivo, en tu RAM, y se descartan tras la transcripción. No hay un tercero en quien confiar, ninguna política que leer, ninguna filtración de datos de la que preocuparse.

La transcripción en la nube exige confiar en tu proveedor. Esto es lo que los principales proveedores dicen realmente sobre cómo tratan tu audio:

Seamos honestos: los principales proveedores de la nube todavía tienen ventaja en precisión bruta para ciertos casos de uso. Entrenan con enormes conjuntos de datos propietarios, ofrecen actualizaciones de modelo en tiempo real y pueden aprovechar vocabularios personalizados según el contexto. Para audios difíciles —acentos marcados, entornos ruidosos, jerga especializada— servicios en la nube como Chirp 2 de Google o Nova-3 de Deepgram suelen rendir bien.

Dicho esto, la brecha se ha reducido drásticamente. OpenAI Whisper large-v3, entrenado con 680.000 horas de audio multilingüe, logra tasas de error por palabra (WER) competitivas en la mayoría de los idiomas comunes. Los modelos Parakeet de NVIDIA han elevado aún más el listón, alcanzando algunas de las WER más bajas en las pruebas de referencia estándar en inglés. Las pruebas independientes muestran de forma constante que estos modelos abiertos rinden a pocos puntos porcentuales de los servicios comerciales en la nube para el inglés, y a veces los superan en idiomas concretos de la cola larga.

El modelo Turbo —una variante destilada de large-v3 con 809M de parámetros en lugar de 1,55B— conserva la mayor parte de la precisión funcionando unas 8 veces más rápido. Para el dictado en tiempo real, cuando hablas con claridad ante un micrófono decente, la diferencia entre Turbo y una API en la nube es insignificante para la mayoría de los usuarios.

En resumen: si dictas en un entorno silencioso con un micrófono decente, modelos como Whisper Turbo, Whisper large-v3 o Parakeet ejecutados localmente te darán resultados indistinguibles de los servicios en la nube para la mayoría de los usos prácticos. La nube saca ventaja en escenarios ruidosos con varios hablantes, idiomas poco habituales y vocabularios especializados.

La latencia importa sobre todo en el dictado en tiempo real, donde quieres ver tus palabras aparecer justo después de hablar. Aquí, la transcripción local y la de la nube tienen perfiles de latencia fundamentalmente distintos.

Para la transmisión en tiempo real, los proveedores de la nube pueden devolver hipótesis parciales con rapidez cuando la conectividad es buena. Pero esto sigue requiriendo una conexión estable y de baja latencia. En un avión, en una Wi-Fi pública congestionada o tras rutas de VPN restrictivas, la latencia percibida puede degradarse rápidamente.

La transcripción local con whisper.cpp no es transmisión en tiempo real en el sentido tradicional. La mayoría de las implementaciones locales usan un patrón de «pulsar para hablar»: hablas, el audio se almacena en búfer y luego el modelo procesa el segmento completo. Con el modelo Turbo en un chip Apple de la serie M, este paso de procesamiento es lo bastante rápido como para que el retardo resulte insignificante en el dictado, normalmente menos de un segundo para frases cortas.

Para la transcripción de larga duración de archivos pregrabados, los servicios en la nube pueden paralelizar el trabajo entre clústeres de GPU y suelen terminar grandes lotes con rapidez. El rendimiento local está limitado por tu equipo y la elección del modelo, por lo que el tiempo de ejecución puede ser más lento en grabaciones muy largas.

La transcripción local no cuesta nada más allá del hardware que ya tienes. No hay clave de API, ni panel de facturación, ni cargo por minuto. Descargas un archivo de modelo (que va desde 75 MB para Tiny hasta 3 GB para Large-v3) y listo. Para siempre.

Los proveedores de la nube cobran por uso (por minuto o por hora, según el proveedor y el modelo). Los planes y descuentos cambian con frecuencia, así que verifica las tarifas actuales antes de presupuestar:

Nota: los precios de la nube suelen incluir cargos adicionales por funciones como la diarización de hablantes, la redacción de datos personales (PII) o los vocabularios personalizados. Los precios base anteriores corresponden únicamente a la transcripción estándar.

Este punto es binario: la transcripción en la nube requiere internet, la transcripción local no. Para muchas personas, este es el factor decisivo.

Escenarios en los que el funcionamiento sin conexión no es opcional:

Ningún enfoque es universalmente mejor. La elección adecuada depende de lo que priorices.

• OpenAI Whisper — Repositorio original del modelo con tamaños de modelo, pruebas de referencia y documentación.
• whisper.cpp — Adaptación en C/C++ de Whisper optimizada para la inferencia en CPU y en la GPU de Apple Silicon.
• Ficha del modelo NVIDIA Parakeet RNNT — Métricas del modelo ASR abierto y guía de uso.
• Precios de Google Cloud Speech-to-Text — Niveles de precios actuales de la API de voz de Google.
• Precios de AWS Transcribe — Precios actuales de Amazon basados en el uso para procesamiento por lotes y streaming.
• Precios de Azure Speech Services — Precios de Microsoft para voz a texto en tiempo real y por lotes.
• Precios de Deepgram — Detalles de los precios por nivel de modelo de Deepgram.
• Precios de AssemblyAI — Detalles de los precios por uso y nivel de modelo de AssemblyAI.
• Registro de datos de Google Speech-to-Text — Documentación de Google sobre cómo se tratan y almacenan los datos de audio.
• Políticas de exclusión de los servicios de IA de AWS — Cómo impedir que AWS use tu contenido para mejorar sus servicios de IA.
• Privacidad de datos de Azure Speech — Documentación de Microsoft sobre privacidad y seguridad de datos para los Speech Services.
• Robust Speech Recognition via Large-Scale Weak Supervision — El artículo original de Whisper de Radford et al. (2022), que detalla la metodología de entrenamiento y las pruebas de referencia de WER.
• RGPD (texto oficial de la UE) — Base legal para el tratamiento de datos personales/biométricos.
• Ley de IA de la UE (texto oficial de la UE) — Obligaciones por niveles de riesgo de la IA relevantes para los sistemas biométricos y de alto riesgo.
• OpenWhispr — Ejemplo de un flujo de trabajo local-first con enrutamiento opcional a la nube mediante BYOK en una sola aplicación.