Whisper Snapper es una aplicación nativa de macOS del desarrollador independiente Evan Harris que convierte audio y vídeo en texto con los modelos locales Parakeet, WhisperKit y Whisper, o mediante API en la nube para las que aportas tus propias claves. Incluye separación de hablantes, resúmenes y traducciones locales con Llama 3.2 y exportación a TXT, SRT, VTT, Markdown, CSV y PDF.
¿Has usado esta herramienta? Valórala
¿Has usado esta herramienta? Valórala
Whisper Snapper es una aplicación nativa de macOS que convierte archivos de audio y vídeo en texto escrito. Se distribuye a través de la Mac App Store con el nombre «Whisper Snapper Transcriptions», y la ficha de la tienda señala a Evan Harris como desarrollador y vendedor. En Product Hunt, su autor se describe como fundador en solitario y desarrollador independiente. Ese dato dice bastante sobre la naturaleza del producto: se trata de una utilidad enfocada creada por una sola persona, no de una plataforma con financiación de riesgo y un equipo comercial detrás.
Ese encuadre pesa más de lo que parece. Un programa de transcripción construido por un individuo y vendido una sola vez por un importe fijo responde a incentivos distintos a los de un servicio por suscripción que necesita tus grabaciones en sus servidores para justificar unos ingresos recurrentes. Toda la arquitectura de Whisper Snapper se apoya en esa diferencia. La aplicación está diseñada de modo que, si así lo deseas, nada de lo que transcribas llegue a tocar jamás una conexión de red.
La página de inicio expone su propuesta sin rodeos: «The Transcription App Mac Users Deserve» (la aplicación de transcripción que los usuarios de Mac merecen). Debajo detalla de qué se ocupa: transcribir vídeos, pódcast, reuniones, notas de voz y más, con resúmenes y traducciones generados por inteligencia artificial en más de veinte idiomas, todo ello funcionando de forma privada en tu Mac.
La palabra «Whisper» en el nombre de esta aplicación remite a Whisper, la familia de modelos de reconocimiento automático del habla publicada como código abierto por OpenAI. Whisper se distribuye bajo una licencia libre permisiva, lo que significa que cualquier desarrollador puede descargar los pesos del modelo, ejecutarlos localmente y construir un producto encima. Eso es exactamente lo que hace Whisper Snapper, junto a modelos de otras procedencias.
Whisper Snapper no es un producto de OpenAI, no está operado por OpenAI y no hay indicio alguno de asociación, respaldo ni vínculo societario entre ambos. Se trata de una aplicación independiente de terceros que ejecuta un modelo con licencia abierta. Usar el nombre de un modelo en el nombre de un producto es jurídicamente habitual y, en este caso, además técnicamente exacto: la aplicación ejecuta Whisper de verdad.
Conviene, no obstante, decirlo con claridad: el sitio no incluye en ninguna parte una advertencia de falta de afiliación ni aviso alguno sobre marcas. La página de inicio menciona repetidamente OpenAI Whisper, GPT-4o, NVIDIA Parakeet, Deepgram Nova-2 y Llama sin una sola línea que precise que no está afiliada a esas empresas ni cuenta con su respaldo. Es una omisión, no un engaño. En el otro platillo de la balanza está el hecho de que la aplicación es del todo transparente sobre qué motor hace qué: la política de privacidad nombra a OpenAI y a Deepgram como encargados del tratamiento externos y enlaza directamente a sus propias políticas. No hay ningún intento de presentar tecnología ajena como invención propia. La lectura honesta es, por tanto, esta: un envoltorio transparente de modelos abiertos y comerciales al que le falta una cláusula estándar, no una empresa pantalla.
La mayoría de los productos de transcripción te obligan a elegir de una vez por todas: o usas un servicio en la nube y aceptas que tus grabaciones salgan de tu máquina, o usas una herramienta local y aceptas un programa más lento y tosco. La postura declarada de Whisper Snapper es que esa disyuntiva debe resolverse archivo por archivo y no a nivel de producto. El sitio lo formula así: privacidad cuando la necesitas, velocidad cuando no. Ejecuta todo localmente en el Mac para las grabaciones delicadas, o recurre a la nube para un procesamiento más rápido, decidiendo de nuevo en cada transcripción.
Ese es el punto más importante que hay que entender de esta aplicación. Una periodista puede transcribir por la mañana, completamente sin conexión, la entrevista de una fuente confidencial y, por la tarde, enviar la grabación de un congreso público a una interfaz en la nube para ganar tiempo, sin cambiar de aplicación.
La transcripción local se ejecuta íntegramente en el chip de tu Mac. Descargas un modelo una vez y, a partir de ahí, la aplicación no necesita conexión a internet para transcribir. La ficha de la App Store enumera un catálogo local considerable: los modelos OpenAI Whisper tiny, base, small, large-v3, large-v3-turbo y distil-large-v3, junto a NVIDIA Parakeet v2 (inglés), v3 (25 idiomas con separación de hablantes) y TDT-CTC-110M, además de Qwen3 ASR de Alibaba y Llama 3.2 para traducción y resumen.
Ofrecer varios tamaños de Whisper es una comodidad real y no un adorno de ficha técnica. Whisper tiny es rápido y ligero, y basta de sobra para una nota de voz limpia con una sola voz cuando solo quieres un texto consultable. Whisper large-v3 rinde mucho mejor con acentos marcados, voces superpuestas y salas ruidosas, pero resulta bastante más pesado de ejecutar. Tener ambos instalados permite ajustar el modelo a la tarea en lugar de pagar siempre el coste de cómputo del peor escenario.
Parakeet, desarrollado por NVIDIA, pertenece a otra estirpe de modelos y suele ser notablemente veloz en los chips de Apple. La variante v3 abarca 25 idiomas y, lo que resulta crucial, admite separación de hablantes en local, algo que no todos los modelos sin conexión logran.
La opción en la nube es donde la estructura comercial de Whisper Snapper se separa de la de la mayoría de sus competidores, y conviene entenderla antes de comprar. El sitio indica que puedes recurrir a las interfaces en la nube de OpenAI Whisper, GPT-4o o Deepgram para ganar velocidad.
El punto decisivo es que la aplicación no te revende acceso a esas interfaces. La descripción de Product Hunt precisa que la transcripción en la nube se realiza «con claves de API personales», y la política de privacidad es inequívoca: para esos servicios debes aportar tus propias claves de API.
Esto tiene consecuencias reales en ambas direcciones. A favor: pagas directamente al proveedor de la interfaz a su tarifa base, sin margen del desarrollador, y este nunca se convierte en un intermediario que custodie tu audio o tu relación de facturación. En contra: activar el modo en la nube exige que te registres por tu cuenta en OpenAI o Deepgram, generes una clave y dotes de saldo esa cuenta. Si esperabas pagar una vez y que la transcripción en la nube simplemente funcionara, el planteamiento no es ese. Los costes de la nube son independientes, continuos, facturados por consumo por el proveedor y quedan por completo fuera del precio único de la aplicación.
La separación de hablantes —indicar quién dijo cada línea— es lo que distingue una transcripción de entrevista aprovechable de un muro de texto indiferenciado. La página de inicio la describe así: saber quién dijo qué, con la separación disponible mediante Deepgram, GPT-4o Transcribe y Parakeet v3.
Fíjate en el matiz «disponible mediante». La separación no es universal en todos los motores de la aplicación, sino que está ligada a esos modelos concretos. Si las etiquetas de hablante resultan imprescindibles en tu trabajo y además necesitas funcionamiento totalmente sin conexión, Parakeet v3 es el modelo local que precisas: las otras dos vías son servicios en la nube.
Las notas de la versión 1.7, de julio de 2026, recogen también un trabajo continuado en este terreno: se corrigieron fallos de filtrado de segmentos de habla que generaban breves segmentos espurios en las líneas temporales de hablantes. Esos segmentos espurios son el fallo clásico de la separación, en el que el sistema atribuye brevemente y por error unas palabras a un hablante adicional que no existe. Que el problema se detectara y corrigiera apunta a un mantenimiento activo y no a una utilidad publicada y luego abandonada.
La versión 1.1 añadió una segunda capa de inteligencia artificial sobre la transcripción en bruto y, de forma poco habitual, esa capa también es local.
Los resúmenes pasan por Llama 3.2 en tu propia máquina. La página de inicio describe la función así: convertir de un clic grabaciones de una hora en resúmenes concisos, gracias a Llama funcionando por completo en tu Mac, de modo que tu contenido nunca abandona el dispositivo.
La traducción sigue el mismo patrón. La página de inicio promete traducir las transcripciones al español, francés, alemán, japonés, chino y más de quince idiomas adicionales, con todo el procesamiento realizado localmente mediante Llama. La ficha de la App Store da una cifra más completa y ligeramente distinta, anunciando «AI TRANSLATION — 30 LANGUAGES» y citando español, francés, alemán, chino, japonés, coreano, portugués, italiano, neerlandés, ruso, árabe, hindi, turco, polaco, vietnamita, tailandés, indonesio, sueco, danés y noruego, con la advertencia de que no se requiere internet.
Esto tiene calado arquitectónico. Bastantes aplicaciones de transcripción ofrecen resúmenes con inteligencia artificial, pero casi todas lo hacen enviando tu transcripción terminada a un modelo de lenguaje en la nube. Eso anula discretamente la ventaja de privacidad de la transcripción local: tus palabras acaban igualmente en el servidor de otro, solo que un paso más tarde. Resumir en el dispositivo con Llama 3.2 cierra esa brecha. Para quien maneja material amparado por el secreto profesional, esa es la diferencia entre una cadena realmente sin conexión y otra que solo lo aparenta.
Ajusta, eso sí, las expectativas de calidad. Llama 3.2 es un modelo pequeño elegido para funcionar con holgura en hardware de consumo. Sus resúmenes serán aceptables y sus traducciones transmitirán el sentido, pero ninguno de los dos igualará a un modelo puntero en la nube en matices, expresiones idiomáticas o terminología especializada. Ese es el canje asumido deliberadamente: cierto techo de calidad a cambio de privacidad y coste marginal nulo.
Esta sección merece una cautela especial, porque la precisión es la promesa que más reclaman los compradores y la que más inflan los proveedores.
En su favor hay que decir que Whisper Snapper se muestra comedido. Su propio artículo sobre cómo elegir motor de transcripción no publica tasas de error por palabra, ni tablas comparativas, ni porcentajes de precisión. Describe los motores cualitativamente —Deepgram como de procesamiento extremadamente rápido, Parakeet v2 como rápido y ligero— e indica la cobertura lingüística: más de 99 idiomas para la interfaz de Whisper, menos idiomas que Whisper para Deepgram (una treintena) y 25 idiomas para Parakeet v3. El titular «Accurate Transcriptions on Your Mac» es lenguaje comercial sin ninguna cifra detrás.
Ese comedimiento vale más que una estadística rotunda. Aquí no hay ninguna cifra de precisión del proveedor que auditar, sencillamente porque el proveedor no ha publicado ninguna.
Lo que sí puede valorarse son los modelos subyacentes, ya que son públicamente conocidos y han sido medidos de forma independiente. Las evaluaciones publicadas de Whisper large-v3 sitúan la tasa de error por palabra en torno al 2,7 % con el audio limpio de LibriSpeech, es decir, habla leída y grabada en condiciones profesionales. Con material más desordenado y cercano al mundo real, las pruebas independientes se acercan más a la horquilla del 8 al 12 %, y una evaluación externa midió large-v3 en un 7,88 %. Los investigadores también han documentado que large-v3 muestra una propensión mayor a la alucinación que versiones anteriores, produciendo a veces bloques largos y continuos de texto inventado en lugar de errores sueltos.
De ahí se derivan tres conclusiones prácticas. Primera: la precisión varía enormemente según las condiciones de grabación; una grabación limpia con una sola voz y una videoconferencia a cuatro captada con el micrófono de un portátil no son ni de lejos la misma tarea. Segunda: la precisión varía según el idioma; las lenguas con muchos recursos, como el inglés, rinden mucho mejor que las de recursos escasos, y «más de 99 idiomas» describe cobertura, no una calidad homogénea. Tercera, y la más grave para el uso profesional: la alucinación propia de la familia Whisper implica que los errores no siempre se presentan como galimatías evidentes. El modelo puede generar frases fluidas, plausibles y rotundas que jamás se pronunciaron. Toda transcripción destinada a ser citada, presentada ante un tribunal o incorporada a un historial médico debe contrastarse con el audio. Las marcas de tiempo pulsables de la aplicación existen precisamente para que esa verificación sea lo bastante ágil como para hacerse de verdad.
Para una herramienta de transcripción esta es la sección decisiva, porque las grabaciones de reuniones, las llamadas con clientes y las entrevistas con fuentes figuran entre los archivos más delicados que la mayoría de la gente llega a crear. La política de privacidad de Whisper Snapper es realmente sólida y llamativamente concreta.
La política afirma que la aplicación no recopila, almacena ni transmite información personal, análisis de uso o estadísticas de la aplicación, informes de fallos o diagnósticos, datos de ubicación, identificadores de dispositivo ni dato alguno con fines publicitarios. Su propio resumen enumera «no se requiere cuenta: no recopilamos información personal» y «sin análisis ni seguimiento: no supervisamos tu uso».
Renunciar a los informes de fallos y a la analítica es un compromiso sustantivo, no una frase de adorno. La mayoría de los desarrolladores independientes conservan la telemetría porque es así como detectan errores. Prescindir de ella supone un coste real asumido en nombre de una postura sobre privacidad.
En transcripción local, la política es categórica: todo el procesamiento ocurre exclusivamente en tu Mac, tus archivos de audio y vídeo no se suben a ninguna parte, no hace falta conexión a internet y el desarrollador no tiene acceso a tus archivos ni a tus transcripciones. La política califica esta vía como la opción más privada disponible.
En transcripción por la nube es igual de directa respecto a la contrapartida: tu audio se envía a proveedores de interfaces externos para su procesamiento. Nombra a OpenAI (interfaz Whisper, GPT-4o Transcribe) y a Deepgram (Nova-2), enlaza sus respectivas políticas de privacidad y añade la advertencia de que, al usar servicios en la nube, tu audio queda sujeto a las políticas de esos proveedores externos, que conviene revisar antes.
Esa es exactamente la forma correcta de informar. No pretende que el modo en la nube sea privado y señala directamente a las partes cuyas condiciones rigen de verdad los datos.
La conservación la determinan tus propias acciones y no una cuenta atrás, porque no hay servidor alguno que guarde nada. La política enumera: las transcripciones se conservan hasta que las borres dentro de la aplicación, las claves de API permanecen en el llavero hasta que las retires y el audio grabado se mantiene hasta que elimines los archivos. Señala además que borrar la aplicación elimina las preferencias, pero que las transcripciones y las entradas del llavero pueden requerir un borrado aparte, una advertencia útil y a menudo omitida.
Sobre las dos preguntas que más inquietan —si el audio se emplea para entrenar modelos de inteligencia artificial y si algún humano llega a escucharlo—, la política no contiene declaración explícita en ningún sentido. Aquí conviene ser preciso antes que generoso. Para el procesamiento local la cuestión carece de objeto: el desarrollador declara no operar servidores que reciban o almacenen tus datos, de modo que no existe mecanismo por el que tus archivos pudieran llegarle para entrenamiento o revisión. Para el procesamiento en la nube, la respuesta no le corresponde a él, sino que la fijan las condiciones de OpenAI o Deepgram aplicables a la cuenta cuya clave hayas aportado. Si la política de entrenamiento y revisión humana te importa, esa comprobación debe hacerse ante el proveedor de la interfaz y respecto al plan concreto que utilices.
El tratamiento de las claves de API está especificado: si usas servicios de transcripción en la nube, tus claves se guardan de forma segura en el llavero de macOS, y el desarrollador no tiene acceso ni a tus claves ni al audio que envías. La aplicación se ejecuta además en un entorno aislado con el tiempo de ejecución reforzado de Apple.
Hay un elemento que no encaja y conviene señalarlo. La política de privacidad está fechada como «Last Updated: December 2024», es decir, diciembre de 2024. Sin embargo, la ficha de la App Store sitúa el lanzamiento original de la aplicación el 17 de diciembre de 2025, un año entero después, mientras que la versión 1.7 se publicó el 23 de julio de 2026.
Así pues, la política lleva una fecha anterior a la salida pública del producto. La explicación más probable es una simple errata —diciembre de 2024 en lugar de diciembre de 2025— y nada en el fondo del documento contradice la descripción de la aplicación en otras fuentes. Pero tomado al pie de la letra, el texto está desfasado frente a un producto que desde entonces ha incorporado resumen local, traducción, transcripción en directo y cinco modelos más. Cuando un documento jurídico y una ficha de producto discrepan, la ficha del producto es la verificable: las fechas de la App Store las genera automáticamente Apple y no pueden alterarse a voluntad, mientras que la fecha de la política se teclea a mano. Considera, por tanto, vigente el contenido de la política y errónea su fecha; ahora bien, si vas a adoptarla para trabajo regulado, pide al desarrollador que lo confirme y vuelva a fecharla.
La sección de públicos de la página de inicio dice a los profesionales del derecho y la medicina que pueden cumplir los requisitos normativos sin compartir datos con terceros. Esa frase debe leerse estrictamente referida al modo local. Ahí es exacta: no se comparte nada porque nada sale de la máquina. No lo es en el modo en la nube, donde el audio va manifiestamente a un tercero. La afirmación tampoco constituye una certificación: no existe atestación HIPAA publicada, ni informe SOC 2, ni oferta de acuerdo de encargo de tratamiento. Para trabajo regulado, el modo local es defendible desde el punto de vista arquitectónico, pero esa frase comercial no sustituye tu propia evaluación de cumplimiento.
El modelo comercial es de una sencillez agradecida, y su mayor virtud es la ausencia de suscripción. La página de inicio ofrece probar gratis para siempre o pasar a Pro con un pago único, sin suscripciones de ningún tipo.
La ficha de la App Store confirma que la descarga es gratuita (campo de precio en 0,00 dólares estadounidenses). Varias fuentes externas, incluida la cobertura de Product Hunt, sitúan la mejora a Pro en una compra única de 9,99 dólares sin cargos recurrentes.
Dos matices honestos sobre esa cifra. Primero, los 9,99 dólares no figuran impresos en la propia página de inicio, que solo menciona «Pro pago único» sin importe; el dato procede de directorios externos y de la compra integrada, así que verifica el precio vigente en la App Store antes de comprar, pues el desarrollador puede modificarlo. Segundo, la consulta a la App Store no devuelve un desglose de compras integradas, de modo que el reparto exacto de funciones entre el nivel gratuito y Pro no está documentado de forma públicamente verificable. Qué queda gratis para siempre y qué exige la mejora se aclara instalando la aplicación, algo que no cuesta nada.
Aun así, la economía del producto merece atención. Los servicios de transcripción por suscripción suelen cobrar por mes o por minuto. Un pago único en torno a diez dólares, sumado a modelos locales cuyo coste por hora de ejecución es nulo, implica que los usuarios intensivos afrontan un coste marginal prácticamente inexistente. Quien transcriba varias horas semanales puede amortizar el precio en cuestión de días frente a un servicio facturado por consumo. El contrapeso, de nuevo, es que las tarifas de interfaz del modo en la nube corren de tu cuenta y la aplicación no las limita.
Esta es la barrera más dura de la aplicación y deja fuera a una parte considerable de los usuarios potenciales.
Whisper Snapper funciona solo en macOS. No hay versión para Windows, ni para Linux, ni aplicación para iPhone o iPad, ni interfaz web, ni interfaz pública para desarrolladores. La ficha de la App Store la clasifica como software para Mac, y la App Store es el único canal de distribución.
El requisito de versión resulta inusualmente exigente. La ficha indica una versión mínima del sistema operativo de 26.0, es decir, una edición muy reciente de macOS. Muchos Mac que funcionan con sistemas más antiguos pero perfectamente útiles no pueden siquiera instalar esta aplicación sin actualizar antes el sistema. Comprueba tu versión de macOS antes de hacer planes con esta herramienta: esa sola línea descarta a más candidatos que cualquier otro factor.
Otros datos verificables de la ficha: la descarga ocupa unos 30,4 MB (30 431 988 bytes), la clasificación por edades es 4+, figura en la categoría Utilidades con Economía y empresa como secundaria, y la versión actual 1.7 se publicó el 23 de julio de 2026, frente a un lanzamiento inicial el 17 de diciembre de 2025.
La lista de idiomas de interfaz de la aplicación contiene únicamente inglés. No lo confundas con la cobertura lingüística de la transcripción: la aplicación transcribe y traduce en muchos idiomas, pero sus menús y botones están solo en inglés.
Los formatos de entrada admitidos son MP4, MOV, M4A, MP3 y WAV. Incluye además una grabadora integrada, de modo que puedes capturar el audio directamente en lugar de importarlo.
Las notas de julio de 2026 describen una actualización sustancial y no un parche de mantenimiento. La encabeza la transcripción en directo: grabar y transcribir en tiempo real, con la posibilidad de pausar y reanudar sesiones de grabación a lo largo de varias tomas reunidas en una misma línea temporal de onda. La transcripción en tiempo real es una capacidad sensiblemente distinta del procesamiento por lotes, y pausar y reanudar entre tomas es un detalle atento para el trabajo con entrevistas.
La misma versión añadió cinco modelos locales: Cohere Transcribe (14 idiomas), Parakeet en japonés, Parakeet v3 INT4, SenseVoice y un modelo Nemotron multilingüe en flujo para 83 idiomas. También reconstruyó el sistema de descarga de modelos para hacerlo más fiable e introdujo mejoras de rendimiento, entre ellas la búsqueda en transcripciones en segundo plano, el enrutado directo de Cohere al motor neuronal de Apple y el procesamiento de audios largos por fragmentos sucesivos en lugar de todo a la vez.
El alcance de este último cambio se subestima con facilidad. El procesamiento por fragmentos es precisamente lo que impide que una grabación larga agote la memoria, y sugiere que el desarrollador está resolviendo problemas reales notificados por usuarios que trabajan con archivos muy extensos.
Una transcripción que no puede salir de la aplicación tiene una utilidad limitada, y aquí la cobertura de exportación es amplia. La página de inicio enumera TXT, SRT, VTT, Markdown, CSV y PDF, lo que permite crear subtítulos para editores de vídeo o documentos con formato.
Cada formato apunta a un destino real. SRT y VTT son formatos de subtítulos que entran directamente en los programas de edición: un montador de pódcast citado en la página de inicio afirma que la exportación SRT encaja tal cual en Final Cut. Markdown encaja con las aplicaciones de notas y las cadenas de publicación. CSV abre la puerta al análisis en hoja de cálculo, algo relevante para investigadores que codifican cualitativamente material de entrevistas. PDF genera un documento con formato listo para compartir, y TXT sigue siendo el recurso universal.
También está prevista la manipulación de la transcripción dentro de la aplicación. La ficha describe marcas de tiempo pulsables para desplazarse por grabaciones largas, búsqueda instantánea dentro de la transcripción, edición y pulido en la propia aplicación y almacenamiento local de todas las transcripciones mediante SwiftData.
Las marcas de tiempo pulsables merecen énfasis a la luz del riesgo de alucinación comentado antes. Poder pulsar una línea y saltar a ese momento del audio es el mecanismo que hace la verificación lo bastante rápida como para llevarla a cabo de verdad. La edición integrada permite después corregir lo que encuentres sin exportar a otro programa ni perder el vínculo con el audio.
La puesta en marcha se ha reducido deliberadamente al mínimo: arrastrar, soltar, listo. Sin cuentas, sin ajustes complicados, sin tutoriales: si sabes arrastrar un archivo, sabes transcribir. Que no se exija cuenta encaja con la arquitectura sin servidores: sencillamente no hay dónde registrarse.
El procesamiento por lotes está contemplado, con la posibilidad de añadir varios archivos a la vez y seguir el progreso de cada uno, algo importante si vas a despachar un atasco de grabaciones en vez de un archivo suelto.
La página de inicio identifica seis públicos, que conviene evaluar con criterio en lugar de aceptarlos sin más.
Periodistas e investigadores son el público mejor servido. La ventaja declarada —transcribir entrevistas sin subir fuentes delicadas a la nube— responde a una obligación profesional auténtica. La protección de las fuentes no es una preferencia para un reportero: es un deber deontológico y, en ocasiones, jurídico. Un procesamiento íntegramente local, sin componente de servidor, es una respuesta sustantiva a ese deber y no un gesto comercial.
Profesionales del derecho y la medicina vienen a continuación, con las salvedades ya expuestas: solo en modo local, y la fórmula de cumplimiento de la publicidad no es una certificación.
Pódcasteres y creadores de contenido se benefician sobre todo de la separación de hablantes unida a la exportación SRT. Transcribir un episodio con varios presentadores, obtener automáticamente las etiquetas de hablante y llevar los subtítulos al montaje es exactamente la forma de esta herramienta.
Estudiantes y docentes obtienen transcripciones de clases y resúmenes locales, aunque este colectivo debe sopesar con cuidado el requisito de macOS 26, ya que el equipamiento estudiantil suele ser más antiguo.
Empresas y equipos en remoto pueden levantar actas de reuniones, pero conviene retener que se trata de una aplicación de escritorio para un solo usuario. No hay espacio de trabajo compartido, ni facturación por equipo, ni edición colaborativa, ni un robot que se una automáticamente a las llamadas. Compartir consiste en exportar un archivo y enviarlo. Los equipos que busquen colaboración integrada deben mirar en otra parte.
Los usos de accesibilidad —producir subtítulos para público con discapacidad auditiva— quedan bien cubiertos por los formatos de exportación, con la salvedad habitual de que los subtítulos automáticos requieren revisión humana antes de publicarse.
A quién no le conviene: a quien no use un Mac reciente, a quien necesite captura desde el móvil, a quien necesite una interfaz para cadenas automatizadas, a quien necesite funciones de equipo y a quien quiera que la transcripción en la nube funcione sin crear sus propias cuentas.
Reunidas en un solo lugar para que ninguna quede sepultada:
Dependencia de plataforma. Solo macOS, sistema mínimo 26.0. Sin Windows, Linux, iOS, Android ni versión web. Es la limitación más grande por sí sola.
Sin interfaz para desarrolladores. Nada de esto puede automatizarse en un flujo del lado del servidor. Es una aplicación de escritorio interactiva.
El modo en la nube exige claves propias. Requiere cuentas separadas en OpenAI o Deepgram, y los costes de uso corren de tu cuenta sin tope impuesto por la aplicación.
La separación de hablantes depende del modelo. Solo la ofrecen Deepgram, GPT-4o Transcribe y Parakeet v3; sin conexión, eso significa exclusivamente Parakeet v3.
El rendimiento de los modelos locales depende de tu hardware. Los modelos Whisper grandes son exigentes. En un Mac antiguo o modesto, large-v3 irá lento. La aplicación no hará más rápida tu máquina; solo te deja elegir un modelo más pequeño.
Coste de almacenamiento. Los modelos locales hay que descargarlos y guardarlos. Los 30,4 MB corresponden al instalador, no a los modelos: una colección local completa ocupa bastante más.
La calidad del resumen y la traducción está limitada por un modelo pequeño. Llama 3.2 en el dispositivo no alcanza a los modelos punteros en la nube.
No hay un corpus de reseñas independientes. La ficha de la App Store muestra cero valoraciones de usuarios y ninguna nota media. No hay presencia en G2, Capterra ni Trustpilot, ni cobertura de la gran prensa tecnológica. Product Hunt aporta 139 votos y un séptimo puesto del día, señal real pero modesta. Los testimonios de la página de inicio, con nombre de pila y ocupación, no son verificables de forma independiente. Es lo normal en una aplicación independiente joven, pero implica que compras sobre todo por lo que compruebes en el nivel gratuito y no por un consenso asentado.
La interfaz está solo en inglés, al margen de la cobertura lingüística de la transcripción.
La precisión es intrínsecamente variable, y la alucinación propia de la familia Whisper hace que los errores parezcan fluidos. Verifica siempre aquello que vayas a citar.
La fecha de la política de privacidad es incoherente con la cronología del producto, según lo documentado más arriba.
Unos cuantos hábitos prácticos mejoran notablemente el resultado.
Empieza por el nivel gratuito antes de pagar nada, y pruébalo con tu peor audio en lugar de con una muestra limpia. La grabación que de verdad se te atraganta es la que determinará si la herramienta te sirve.
Ajusta el modelo al material. Usa un modelo local pequeño para audio limpio con una sola voz cuando prime la velocidad; reserva large-v3 para grabaciones difíciles con acentos, interrupciones o ruido de fondo.
Decide la privacidad archivo por archivo, de forma deliberada. Todo el sentido de esta arquitectura está en que esa elección se toma en cada transcripción. Tómala conscientemente en vez de dejarla al valor por defecto.
Mejora la entrada antes de culpar al modelo. Un micrófono externo, una sala más silenciosa y unos hablantes que eviten pisarse harán más por la precisión que cualquier salto de modelo.
En entrevistas, activa la separación de hablantes desde el principio con un motor compatible. Añadir después las etiquetas a mano es mucho más lento que obtenerlas automáticamente.
Verifica antes de citar. Usa las marcas de tiempo pulsables para comprobar por muestreo cualquier pasaje que pienses publicar, citar o presentar.
Si usas el modo en la nube, fija límites de gasto en el proveedor de la interfaz. La aplicación no limita tu consumo, y transcribir por consumo un archivo acumulado grande puede disparar la factura con rapidez.
No. Es una aplicación independiente de macOS cuya ficha en la App Store señala a Evan Harris como desarrollador y vendedor. La palabra «Whisper» remite al modelo de reconocimiento del habla publicado por OpenAI con licencia abierta, que la aplicación ejecuta junto a modelos de NVIDIA, Deepgram, Cohere, Alibaba y Meta. No hay indicios de asociación ni respaldo. Que el sitio carezca de una advertencia explícita de falta de afiliación es una omisión reseñable, pero por lo demás la aplicación revela con transparencia los motores externos que emplea y enlaza directamente sus políticas.
Solo si eliges un motor en la nube. Con los modelos locales, la política de privacidad afirma sin rodeos que tus archivos de audio y vídeo no se suben a ninguna parte y que no hace falta conexión a internet. Si seleccionas la transcripción en la nube de OpenAI o Deepgram, tu audio se envía a proveedores de interfaces externos para su procesamiento. La elección se realiza en cada transcripción, así que la controlas archivo por archivo.
No existe plazo de conservación en servidor, porque el desarrollador declara no operar servidores que reciban tus datos. Todo permanece en tu propia máquina hasta que lo borres: las transcripciones hasta que las elimines en la aplicación, el audio grabado hasta que borres los archivos y las claves de API en el llavero hasta que las retires. Ten en cuenta que desinstalar la aplicación no elimina automáticamente las transcripciones ni las entradas del llavero.
La política de privacidad no se pronuncia expresamente sobre ninguno de los dos puntos. Para el procesamiento local la cuestión carece de objeto: el desarrollador no opera servidores, así que no hay vía por la que tus archivos puedan llegarle. Para el procesamiento en la nube, la respuesta la fijan las condiciones de OpenAI o Deepgram aplicables a la cuenta cuya clave hayas aportado, no esta aplicación. Si te importa, verifícalo ante el proveedor de la interfaz para tu plan concreto.
La aplicación se descarga gratis de la Mac App Store, y la postura del desarrollador es probar gratis para siempre o pasar a Pro con un pago único, sin suscripciones. Los directorios externos sitúan la mejora a Pro en 9,99 dólares de una sola vez. Esa cifra no aparece impresa en la página de inicio, así que confirma el precio vigente en la App Store. El uso de las interfaces en la nube, si lo activas, lo factura aparte OpenAI o Deepgram y no está incluido.
Solo si es un Mac con macOS 26.0 o posterior, que es la versión mínima que consta en la ficha de la App Store. No hay versión para Windows, Linux, iOS, Android ni web, ni interfaz para desarrolladores. Este requisito descarta un número significativo de máquinas por lo demás capaces, así que comprueba primero tu versión de macOS.
El desarrollador no publica ningún porcentaje de precisión, lo cual es más honesto que inventarse uno. La precisión depende del modelo elegido, de la calidad de tu audio y del idioma. Las mediciones independientes de Whisper large-v3 arrojan en torno al 2,7 % de tasa de error por palabra con habla leída en condiciones de estudio, pero entre el 8 y el 12 % con grabaciones realistas. Los investigadores han documentado además que esta familia puede inventar texto fluido que nunca se pronunció, de modo que todo pasaje que vayas a citar o presentar debe contrastarse con el audio.
Sí, pero solo con determinados motores. La separación de hablantes está disponible mediante Deepgram, GPT-4o Transcribe y Parakeet v3. Si necesitas etiquetas de hablante y a la vez mantenerte completamente sin conexión, has de usar Parakeet v3, ya que las otras dos opciones son servicios en la nube. La versión 1.7 corrigió además los fallos que generaban breves segmentos espurios.
La exportación abarca TXT, SRT, VTT, Markdown, CSV y PDF, lo que cubre subtítulos para vídeo, notas, hojas de cálculo y documentos para compartir. Antes de exportar puedes editar las transcripciones en la aplicación, buscar en ellas al instante y usar las marcas de tiempo pulsables para ir al audio correspondiente, la forma más práctica de verificar lo que te resulte dudoso.
Sí, y esto es poco habitual. Ambos se apoyan en Llama 3.2 ejecutándose en tu dispositivo, y la ficha de la App Store precisa que no se requiere internet para su lista de idiomas de traducción. La mayoría de las aplicaciones rivales envían las transcripciones a un modelo en la nube para resumirlas, lo que socava discretamente la ventaja de privacidad de la transcripción local. La contrapartida es que un modelo pequeño en el dispositivo no igualará a uno puntero en la nube en matices ni en terminología especializada.
