Sesiones de estudio, grabaciones de podcasts, masters de locución, pistas de audiolibros. Arrastra el archivo .wav a una aplicación gratuita para Windows y obtén la transcripción localmente. Maneja 96k, 48k, 24 bits y multicanal. Sin cargas, sin tarifas por minuto.
Arrastrar, esperar, copiar. Cualquier frecuencia de muestreo, cualquier profundidad de bits, cualquier duración.
Obtén el instalador gratuito para Windows 10 o 11 desde la página principal de StarWhisper. La configuración toma unos dos minutos e incluye una descarga única del modelo Whisper para que la aplicación pueda funcionar completamente sin conexión después de la instalación. Sin registro, sin tarjeta de crédito.
Abre StarWhisper. Arrastra tu archivo .wav desde el Explorador de archivos a la ventana. StarWhisper lee archivos WAV a cualquier frecuencia de muestreo (de 8k a 96k), cualquier profundidad de bits (16, 24 o 32 bits flotante), mono o estéreo. No es necesario renderizar a un formato específico primero; la aplicación maneja lo que tu DAW haya exportado.
StarWhisper procesa el audio localmente en tu CPU o GPU. Velocidad: aproximadamente 10 veces más rápido que el tiempo real en una CPU de portátil moderna y 50 veces más rápido en una GPU NVIDIA con CUDA. Un WAV de una hora se transcribe en unos 6 a 12 minutos en CPU o de 1 a 2 minutos en una GPU de rango medio. El progreso se muestra en tiempo real.
La transcripción aparece en la ventana de StarWhisper cuando termina el procesamiento. Copia el texto completo al portapapeles, guárdalo como archivo .txt o expórtalo como SRT o VTT con marcas de tiempo para flujos de trabajo de subtítulos. Pégalo en tus notas del programa, página del episodio, guion de audiolibro o donde sea que la transcripción necesite ir.
Ventajas específicas para flujos de trabajo de audio profesional.
Los servicios en la nube a menudo recodifican las cargas de WAV grandes a un formato intermedio con pérdida para ahorrar ancho de banda. StarWhisper lee el archivo original de 24 bits sin pérdida directamente del disco.
Muchos servicios de transcripción en la nube rechazan WAV de más de unos pocos cientos de megabytes en los planes gratuitos o cobran extra por encima de un umbral. StarWhisper maneja archivos de hasta el límite de formato de 4 GB del WAV.
96k, 88.2k, 48k, 44.1k, 32k, 24k, 16k, 8k, todos admitidos. El remuestreo interno a 16k es de alta calidad y la precisión de la transcripción es idéntica independientemente de la frecuencia de origen.
El Modo Local predeterminado ejecuta Whisper en tu propia CPU o GPU. El WAV se decodifica localmente, se transcribe localmente y el resultado se escribe en tu disco. Útil para sesiones de estudio bajo NDA. Detalles de privacidad.
Genera archivos listos para subtítulos directamente desde el WAV. Útil para agregar transcripciones accesibles a versiones de video de podcasts o para crear pistas de subtítulos. Guía de subtítulos.
Los propietarios de GPU NVIDIA instalan el paquete CUDA y la velocidad de transcripción aumenta aproximadamente 5 veces. Un WAV de una hora se convierte en un trabajo de dos minutos. Detalles de GPU.
WAV (Waveform Audio File Format) es el contenedor sin comprimir y sin pérdida que los profesionales del audio han utilizado desde principios de la década de 1990. Todos los DAW exportan a WAV. Todos los archivos de estudio guardan los masters en formato WAV. Todas las especificaciones de entrega de locución piden WAV. Cada cadena de producción de podcasts termina en un master WAV antes de ser codificada a MP3 o AAC para su distribución.
La razón es simple: WAV preserva el audio original bit a bit. No hay códec, no hay artefactos de compresión, no hay degradación de calidad. Cuando grabas un episodio de podcast, una sesión de locución o la narración de un audiolibro en tu DAW y exportas un WAV de 48 kHz y 24 bits, ese archivo es la referencia canónica para cada decisión futura. Haces los MP3 para distribución desde el WAV, nunca al revés.
El problema de transcribir WAVs es que las mismas propiedades que los hacen ideales para el audio profesional los hacen difíciles para las herramientas en línea. Los archivos son grandes (un WAV estéreo de 24 bits y 48k de una hora tiene alrededor de 1.0 GB). Los tiempos de carga son largos. Muchos servicios de transcripción en la nube limitan el tamaño del archivo en los niveles gratuitos, cobran extra por archivos grandes o recodifican silenciosamente la carga a un formato intermedio con pérdida. StarWhisper maneja el WAV como un formato de primera clase en tu propia máquina, gratis, sin conexión y sin paso de carga.
Los flujos de trabajo de audio profesional se obsesionan con la frecuencia de muestreo, la profundidad de bits y la disposición de canales por una buena razón: esas decisiones afectan la masterización, la mezcla y la experiencia final del oyente. Para la transcripción específicamente, el panorama es mucho más simple.
Whisper fue entrenado con audio de 16 kHz. StarWhisper reduce internamente la muestra de tu WAV a 16 kHz usando un remuestreador de alta calidad antes de ejecutar el modelo. Un WAV de 96 kHz produce la misma transcripción que una versión de 16 kHz del mismo audio. El habla humana ocupa un rango de frecuencia de aproximadamente 100 Hz a 8 kHz; todo lo que está por encima de 8 kHz son detalles de consonantes y aire ambiental, nada de lo cual Whisper utiliza para el reconocimiento de palabras. Las frecuencias de muestreo más altas se desperdician en la transcripción.
16 bits, 24 bits y 32 bits flotante se transcriben de manera idéntica. La profundidad de bits controla el rango dinámico, lo que importa para la producción musical pero no para el reconocimiento de palabras. Whisper funciona internamente con 32 bits flotante independientemente de la profundidad de bits de origen.
Whisper es un modelo mono. StarWhisper mezcla los WAV estéreo y multicanal a mono antes del procesamiento. Para la mayoría del contenido de podcasts y locución, esto está bien. Para grabaciones de entrevistas en las que cada hablante está en un canal separado, el enfoque más limpio es dividir el WAV en archivos mono por canal usando cualquier editor de audio, y luego transcribir cada uno por separado. Esto te da transcripciones por hablante que puedes etiquetar y combinar en la postproducción.
Escenarios comunes de audio profesional con tiempos realistas:
Exporta un episodio de 60 minutos como un WAV estéreo de 24 bits y 48k (aproximadamente 1 GB en el disco). Suelta el archivo en StarWhisper. Tiempo de procesamiento en CPU: de 6 a 12 minutos. Tiempo de procesamiento en GPU: de 1 a 2 minutos. Resultado: aproximadamente 8.000 palabras de transcripción en texto plano adecuada para notas del programa. Una ligera edición, publicar. Para más detalles sobre el flujo de trabajo específico de podcasts, consulta voz a texto para podcasters o cómo transcribir podcasts.
Capítulo grabado, exportado como WAV mono de 24 bits y 48k, con una duración de 45 minutos (aproximadamente 500 MB). Suelta el archivo en StarWhisper. Resultado: aproximadamente 6.500 palabras de texto del capítulo. Útil para verificar la narración contra el guion original y detectar errores o líneas omitidas.
Entrevista con tres presentadores, cada presentador en un canal WAV separado después de la sesión. Exporta cada canal como un WAV mono. Suelta cada uno en StarWhisper individualmente. Resultado: tres transcripciones por hablante que puedes combinar con códigos de tiempo y etiquetas de hablante en la postproducción. El tiempo total de procesamiento escala linealmente: tres WAV mono de 60 minutos toan aproximadamente de 18 a 36 minutos en CPU o de 3 a 6 minutos en GPU.
Un actor de voz graba 10 tomas de un anuncio comercial de 30 segundos. Cada toma se exporta como un WAV independiente. Suelta la carpeta en StarWhisper. La aplicación pone en cola todas las tomas y produce un archivo de transcripción etiquetado para cada una. Útil para la revisión de la agencia para comparar la redacción de toma a toma.
Mucha gente termina teniendo ambos: un master WAV y una copia de distribución en MP3. Para la transcripción, la respuesta casi siempre es el WAV.
El WAV es lo más cercano a la fuente, por lo que tiene la señal más limpia con la que Whisper puede trabajar. El MP3 ha pasado por un códec con pérdida que enturbia ligeramente los bordes de las consonantes de alta frecuencia y añade artefactos de compresión en secciones transitorias. Whisper maneja ambos bien, pero en audio límite (acentos marcados, habla rápida, vocabulario técnico) el WAV produce una transcripción measuradamente mejor.
La excepción es cuando el WAV es grande e inconveniente y el MP3 es suficientemente bueno. Para un episodio de podcast de estudio limpio donde el micrófono de origen era sólido y la sala estaba tratada, la transcripción del MP3 es funcionalmente idéntica a la transcripción del WAV. Usa el que sea más rápido de obtener. Si quieres la transcripción para fines de archivo o accesibilidad, usa el WAV. Para un flujo de trabajo relacionado que comience desde MP3, consulta cómo convertir MP3 a texto. Si tu fuente es una nota de voz de iPhone o una exportación de QuickTime, consulta cómo convertir M4A a texto.
Los archivos WAV de estudio a menudo contienen contenido que no debería estar en un servidor de terceros:
Los servicios de transcripción en la nube cargan el WAV en su infraestructura independientemente de lo que contenga. Sus políticas de privacidad pueden ser sólidas, pero el archivo aún sale de tu control. Para las categorías anteriores, eso a menudo es inaceptable por motivos contractuales, éticos, reglamentarios o legales.
El Modo Local de StarWhisper mantiene todo en tu dispositivo. El WAV es decodificado por la aplicación, el modelo Whisper se ejecuta en tu CPU o GPU, la transcripción se escribe en tu disco duro. Nada sale de la máquina. Para obtener más detalles, consulta arquitectura de privacidad y sin conexión y cómo transcribir audio sin conexión. Para industrias reguladas específicas, consulta las preguntas frecuentes sobre cumplimiento de HIPAA o voz a texto para abogados.
La capa gratuita de StarWhisper proporciona 500 palabras por día y 3.500 palabras por semana de salida transcrita. Un WAV típico de 60 minutos produce aproximadamente 8.000 palabras. Eso significa que un solo episodio largo excede el límite gratuito diario. Aún puedes procesar el archivo (no hay límite en el tamaño o la duración del archivo en sí), pero solo las primeras ~500 palabras cuentan para la asignación de hoy.
Para trabajo de estudio ocasional (un episodio cada pocas semanas, la rara sesión de locución), el plan gratuito es suficiente. Para trabajo con volumen de producción (episodios de podcast semanales, sesiones diarias de grabación de audiolibros, transcripción regular de entrevistas), el plan Pro elimina el límite. Cuesta 10 dólares por mes u 80 dólares por año. Detalles y precios completos de Pro. El plan gratuito es permanente, por lo que puedes verificar el flujo de trabajo en un WAV largo antes de pagar.
Los planes Gratuito y Pro utilizan el mismo modelo Whisper y producen transcripciones idénticas. Pro simplemente elimina el límite de palabras y añade funciones de flujo de trabajo como vocabulario personalizado (útil para terminología específica de la industria) y respaldo en la nube prioritario (si optas por ello). Para la transcripción pura de WAV, la única diferencia práctica es el límite diario de salida.
El mismo flujo de trabajo para el formato de audio comprimido más común del mundo.
Para Notas de Voz de iPhone, audio de QuickTime y descargas de YouTube.
Usa la exportación a SRT/VTT para generar subtítulos para versiones en video de podcasts.
El flujo de trabajo completo de transcripción de podcasts de estudio, de principio a fin.