Whisper es un modelo de reconocimiento automático del habla que OpenAI publicó en septiembre de 2022. Convierte en texto el habla de muchos idiomas y también puede traducir grabaciones al inglés. Su código y sus pesos están bajo la licencia de código abierto MIT, así que puedes ejecutar Whisper en tu propio hardware, una ventaja si los datos de audio no deben salir de tu empresa. Se usa, por ejemplo, para transcribir reuniones y entrevistas o crear subtítulos.
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoEl reconocimiento de voz, también llamado ASR (Automatic Speech Recognition), convierte automáticamente el habla en texto escrito. Los sistemas modernos usan redes neuronales entrenadas con grandes cantidades de grabaciones y se manejan bastante bien con acentos y ruido de fondo. Se usa en dictado, subtítulos, asistentes de voz o la transcripción de reuniones y llamadas con clientes. Los términos técnicos, los nombres propios y el audio de mala calidad siguen siendo fuentes de error habituales.
La transcripción de audio convierte el habla de una grabación en texto escrito. Los sistemas modernos de reconocimiento automático del habla añaden también puntuación, distinguen entre hablantes y a veces incluyen marcas de tiempo. Se usa para actas de reuniones, entrevistas, subtítulos o la documentación de llamadas con clientes. La calidad depende mucho del sonido, el acento y el vocabulario técnico; en conversaciones con datos personales hay que tener en cuenta el consentimiento y la protección de datos.
OpenAI es una empresa de inteligencia artificial con sede en San Francisco, fundada en 2015 como organización sin ánimo de lucro. Desde su reestructuración en octubre de 2025 está formada por la OpenAI Foundation, sin ánimo de lucro, que controla la OpenAI Group PBC, con ánimo de lucro (a octubre de 2026). Es conocida sobre todo por ChatGPT y los modelos GPT, además del generador de imágenes DALL·E y el modelo de reconocimiento de voz Whisper, disponibles mediante apps y una API.
La conversión de texto a voz (text-to-speech) transforma un texto escrito en habla y es, por tanto, lo contrario del reconocimiento de voz (voz a texto). Los sistemas actuales usan redes neuronales para generar voces naturales con una entonación adecuada. Se utiliza, por ejemplo, en locuciones telefónicas, navegadores GPS, funciones de lectura en voz alta para webs accesibles y asistentes de voz.
