¿Qué hace faster-whisper?
Transcripción local de voz a texto usando faster-whisper. De 4 a 6 veces más rápido que OpenAI Whisper con la misma precisión; la aceleración por GPU permite una transcripción aproximadamente 20x en tiempo real. Subtítulos SRT/VTT/TTML/CSV, diarización de hablantes, entrada URL/YouTube, procesamiento por lotes con ETA, búsqueda en transcripciones, detección de capítulos y mapa de idioma por archivo.
Características
- Velocidad: De 4 a 6 veces más rápido que Whisper original, con aceleración GPU para transcripción en tiempo real (~20x).
- Formatos de subtítulos: SRT, VTT, TTML, CSV.
- Diarización de hablantes: Identifica quién habla y cuándo.
- Entrada flexible: Acepta archivos locales, URLs y videos de YouTube.
- Procesamiento por lotes: Procesa múltiples archivos con estimación de tiempo restante (ETA).
- Búsqueda en transcripciones: Encuentra texto dentro de las transcripciones generadas.
- Detección de capítulos: Divide automáticamente la transcripción en capítulos.
- Mapa de idioma por archivo: Asigna idiomas específicos a cada archivo de entrada.
Plataformas compatibles
- Claude Code
- Cursor
- Codex
Requisitos
- Python 3.8+
faster-whisperffmpeg(para manejo de audio y descarga de YouTube)- GPU con soporte CUDA (opcional pero recomendado para máximo rendimiento)
Uso básico
transcribir audio.mp3
Opciones comunes
--model: Modelo a usar (tiny, base, small, medium, large-v2, large-v3). Por defecto: medium.--device: Dispositivo de cómputo (cpu, cuda). Por defecto: cpu.--language: Código de idioma (es, en, fr, etc.). Por defecto: auto-detectado.--output: Formato de salida (srt, vtt, ttml, csv, txt, json). Por defecto: srt.--diarize: Habilita la diarización de hablantes.--url: Procesa un video de YouTube directamente.
Ejemplos
Transcripción básica:
transcribir entrevista.mp3 --language es
Con diarización de hablantes y subtítulos SRT:
transcribir reunion.wav --diarize --output srt
Procesar múltiples archivos en lote:
transcribir carpeta/ --batch
Transcripción desde YouTube:
transcribir --url https://youtu.be/ejemplo
Notas
- La primera ejecución puede descargar el modelo, lo cual requiere conexión a internet.
- La diarización de hablantes requiere recursos adicionales de CPU/GPU.
- Para mejor rendimiento, usa GPU con al menos 4 GB de VRAM.
## Licencia
Este skill se distribuye bajo los términos de la licencia MIT.