OpenWhispr: dictado por voz con IA local y privacidad total

Qué es OpenWhispr

OpenWhispr es una aplicación de escritorio de código abierto que convierte voz en texto de forma nativa, sin depender de servicios cloud. Con más de 6.300 estrellas en GitHub y licencia MIT, se posiciona como la alternativa open source a herramientas propietarias como WisprFlow y Granola.

La propuesta es directa: pulsas un atajo de teclado, hablas, y el texto aparece donde tengas el cursor. Sin copiar y pegar, sin cambiar de ventana, sin enviar tu audio a ningún servidor. El motor de transcripción (whisper.cpp o sherpa-onnx con NVIDIA Parakeet) corre directamente en tu equipo, acelerado por GPU cuando está disponible.

Pero OpenWhispr va bastante más allá del dictado simple. Incluye transcripción de reuniones con diarización en tiempo real, un agente IA multi-proveedor, notas con búsqueda semántica, voice fingerprinting para reconocer hablantes entre sesiones, importación de audio (archivos locales y URLs de YouTube), un servidor MCP y una API pública. Es, en esencia, un hub de productividad basado en voz con la privacidad como principio de diseño.

El stack técnico es moderno: React 19, TypeScript, Tailwind CSS v4, Electron 41, better-sqlite3, shadcn/ui. Todo empaquetado como aplicación de escritorio multiplataforma que funciona en macOS, Windows y Linux.

El problema que resuelve

Hay tres fricciones reales que OpenWhispr ataca de forma directa.

Context switching constante

La forma habitual de usar dictado por voz implica abrir una aplicación separada, dictar, copiar el resultado, volver a la aplicación donde estabas trabajando y pegar. Cada cambio de ventana rompe la concentración. OpenWhispr elimina ese ciclo: pulsas un hotkey global (funciona desde cualquier aplicación), hablas, y el texto se inserta directamente donde tenías el cursor. Sin intermediarios.

Privacidad del audio

Los servicios de transcripción cloud (incluido el propio Whisper API de OpenAI, Google Cloud Speech, Azure Cognitive Services) requieren enviar tu audio a servidores externos. Para muchos profesionales y organizaciones esto es un problema real: conversaciones con clientes, reuniones internas confidenciales, datos regulados por RGPD o normativas sectoriales. Con OpenWhispr en modo local, el audio nunca sale de tu dispositivo. Ni siquiera necesitas conexión a internet para transcribir.

Coste acumulativo del STT cloud

El API de Whisper de OpenAI cuesta 0,006 USD por minuto. Parece poco hasta que empiezas a transcribir reuniones completas: una hora de reunión diaria supone 1,08 USD al día, 23,76 USD al mes solo en transcripción. Si eres un equipo de 10 personas, son 237 USD mensuales en STT. Con OpenWhispr local, el coste marginal después de la instalación es cero. Usas tu propia GPU y no pagas por minuto transcrito.

Arquitectura: local vs cloud

OpenWhispr sigue un patrón de arquitectura dual donde el usuario decide, por cada funcionalidad, si el procesamiento ocurre en local o en la nube. No es una decisión global: puedes usar Whisper local para dictado y Groq para el agente IA, por ejemplo.

El punto clave del diagrama: la línea divisoria entre local y cloud es una decisión del usuario en cada capa. Puedes tener STT local y agente cloud, o ambos locales, o ambos cloud. OpenWhispr no fuerza ninguna configuración.

Dictado por voz: cómo funciona

El flujo de dictado es el caso de uso principal y el más inmediato de entender.

1. Hotkey global. Configuras un atajo de teclado (por ejemplo, Ctrl+Shift+Space o Cmd+Shift+Space) que funciona desde cualquier aplicación. No importa si estás en VS Code, un navegador, Slack o un email: el hotkey activa la grabación.

2. Grabación. OpenWhispr captura audio del micrófono. Un indicador visual (generalmente en la barra de menú o system tray) confirma que está grabando. Cuando terminas de hablar, pulsas el hotkey de nuevo o esperas al silence detection.

3. STT (Speech-to-Text). El audio grabado se procesa con el motor que hayas configurado. En modo local, whisper.cpp o sherpa-onnx procesan el audio directamente en tu equipo. Con aceleración GPU (Metal en Mac, CUDA en NVIDIA, Vulkan en AMD/Intel), la transcripción del modelo base ocurre en menos de un segundo para frases cortas.

4. Post-procesamiento (opcional). Si tienes un agente IA configurado, el texto transcrito puede pasar por un paso adicional: corrección gramatical, reformulación, traducción o cualquier instrucción personalizada que hayas definido.

5. Pasting. El texto final se inserta automáticamente donde tenías el cursor. OpenWhispr usa el portapapeles del sistema y simula un Ctrl+V / Cmd+V. El contenido previo del portapapeles se restaura después de pegar.

Todo este ciclo ocurre sin cambiar de ventana. Es la diferencia fundamental respecto a abrir un editor de voz separado: no hay context switching.

Motores de transcripción: Whisper vs Parakeet

OpenWhispr soporta dos familias de motores de transcripción local, cada una con características distintas.

whisper.cpp

Es el port en C/C++ del modelo Whisper de OpenAI, desarrollado por Georgi Gerganov (el mismo creador de llama.cpp). Ofrece varios tamaños de modelo (tiny, base, small, medium, large) con un tradeoff directo entre precisión y velocidad. El modelo large-v3 ofrece la mejor precisión pero necesita más VRAM y tiempo de inferencia. El modelo base es un buen compromiso para dictado rápido donde la latencia importa más que la perfección.

Soporta aceleración GPU nativa: Metal (Apple Silicon y AMD en Mac), CUDA (NVIDIA) y Vulkan (AMD e Intel en Windows/Linux). En un MacBook Pro M3, el modelo base transcribe audio en tiempo real con margen de sobra.

sherpa-onnx con NVIDIA Parakeet

Parakeet es la familia de modelos ASR (Automatic Speech Recognition) de NVIDIA, optimizados para inferencia rápida. sherpa-onnx es el runtime que los ejecuta en formato ONNX, permitiendo aceleración en múltiples plataformas sin depender del SDK propietario de NVIDIA.

La ventaja principal de Parakeet sobre Whisper es la velocidad en modelos de tamaño equivalente, especialmente para transcripción en streaming (resultados parciales mientras hablas). La desventaja: el ecosistema de modelos es más pequeño y la comunidad menos activa que la de Whisper.

OpenWhispr también permite usar proveedores cloud como fallback o alternativa: OpenAI Whisper API y Groq Whisper son las opciones principales. La configuración es BYOK (Bring Your Own Key): introduces tu API key y la aplicación la usa directamente. No hay intermediarios ni cargos adicionales más allá de lo que cobra el proveedor.

Agente IA integrado

Más allá de la transcripción, OpenWhispr incluye un agente IA que puede procesar el texto transcrito o responder preguntas de forma conversacional. La integración es multi-proveedor:

El patrón de uso típico del agente es post-dictado: dictas un borrador hablando naturalmente (con muletillas, repeticiones, ideas desordenadas) y el agente lo reformula en texto limpio, estructurado y con el tono que necesitas. Puedes definir prompts personalizados para cada contexto: uno para emails profesionales, otro para documentación técnica, otro para notas rápidas.

Lo interesante es que el agente también puede trabajar sobre transcripciones de reuniones: generar resúmenes ejecutivos, extraer action ítems, identificar decisiones tomadas. Todo procesable sin salir de la aplicación.

Transcripción de reuniones con diarización

Esta es probablemente la funcionalidad que más diferencia a OpenWhispr de un simple dictador de voz.

OpenWhispr puede capturar el audio del sistema (no solo del micrófono) para transcribir cualquier reunión en tiempo real, independientemente de la plataforma: Zoom, Google Meet, Microsoft Teams, Discord o cualquier aplicación que emita audio. La transcripción incluye diarización: identificación automática de quién está hablando en cada momento.

La diarización funciona localmente. No hay un servicio cloud procesando tu audio de reunión para distinguir hablantes. El sistema analiza las características acústicas de cada voz y asigna segmentos del audio a diferentes speakers. En la primera reunión con un grupo nuevo, los hablantes se etiquetan como "Speaker 1", "Speaker 2", etc. Puedes renombrarlos manualmente y, a partir de ahí, el voice fingerprinting se encarga de reconocerlos en futuras reuniones.

El resultado es un transcript con formato de conversación:

Todo esto se almacena localmente en la base de datos SQLite de OpenWhispr, con timestamps, identificadores de hablante y el texto completo. Las notas de reunión se pueden buscar después con búsqueda semántica.

Voice fingerprinting

El voice fingerprinting es la capa de inteligencia sobre la diarización. Cuando OpenWhispr identifica un hablante nuevo, genera una huella vocal (voice fingerprint) basada en las características acústicas de su voz: frecuencia fundamental, patrones de entonación, timbre. Esta huella se almacena localmente en tu base de datos SQLite.

En reuniones posteriores, OpenWhispr compara las voces que detecta con las huellas almacenadas. Si una voz coincide con una huella existente, el hablante se identifica automáticamente con el nombre que le asignaste. No necesitas re-etiquetar a las mismas personas una y otra vez.

El valor práctico es considerable para profesionales que mantienen reuniones regulares con los mismos equipos o clientes. Imagina transcripciones de 30 reuniones al mes donde los mismos 5 participantes aparecen identificados correctamente de forma automática, sin intervención manual.

Las huellas vocales son datos sensibles (datos biométricos bajo RGPD). OpenWhispr las almacena exclusivamente en tu dispositivo, en la base de datos SQLite local. No se sincronizan con ningún servicio cloud, no se comparten con otros usuarios y no salen de tu equipo. Este es el tipo de diseño privacy-first que debería ser estándar pero que raramente lo es.

Notas con búsqueda semántica

Cada transcripción (tanto de dictado como de reuniones) se guarda como una nota en la base de datos local. OpenWhispr indexa estas notas para búsqueda semántica, lo que significa que puedes buscar por significado, no solo por palabras exactas.

Si buscas "decisión sobre la base de datos", encontrarás la transcripción donde Ana y Carlos discutieron sobre la migración, aunque la palabra "decisión" no aparezca literalmente. La búsqueda entiende el contexto semántico y devuelve resultados relevantes ordenados por similitud.

Para equipos que generan mucho contenido verbal (consultoría, ventas, product management, investigación), esta funcionalidad convierte OpenWhispr en algo más que un transcriptor: es un sistema de gestión de conocimiento basado en voz. Todo lo que dices queda indexado y es recuperable por contexto.

MCP y API pública

OpenWhispr incluye un servidor MCP (Model Context Protocol) que expone tus transcripciones y notas a asistentes IA compatibles. En la práctica, esto significa que Claude (u otros modelos con soporte MCP) puede acceder a tu historial de transcripciones para responder preguntas contextuales.

Ejemplo concreto: estás trabajando en un documento y le preguntas a Claude "¿Qué decidimos en la reunión del martes sobre el timeline del proyecto?". Si OpenWhispr está configurado como servidor MCP, Claude puede buscar en tus transcripciones de reuniones, encontrar la conversación relevante y darte la respuesta con el contexto exacto. Sin que tú tengas que buscar manualmente la transcripción, copiar el fragmento y pegarlo en el chat.

La API REST pública abre la puerta a integraciones más amplias: conectar OpenWhispr con n8n, Make, Zapier o cualquier herramienta de automatización. Puedes construir workflows donde cada reunión transcrita dispara automáticamente un resumen por email, crea tasks en tu gestor de proyectos o actualiza un CRM.

Stack técnico

OpenWhispr está construido con un stack moderno y bien documentado:

React 19 TypeScript Tailwind CSS v4 Electron 41 better-sqlite3 whisper.cpp sherpa-onnx llama.cpp shadcn/ui

Algunas decisiones de arquitectura que merece la pena destacar:

Electron 41. La elección de Electron para una app de productividad de escritorio es pragmática: multiplataforma real con un solo codebase. Electron 41 incorpora mejoras significativas de rendimiento y seguridad respecto a versiones anteriores, incluyendo mejor aislamiento de procesos y menor consumo de memoria base.

better-sqlite3. SQLite como base de datos local es la opción correcta para este caso de uso. Es serverless, el archivo de la base de datos es portable, los backups son triviales (copiar un archivo) y el rendimiento para las operaciones típicas de OpenWhispr (escritura de transcripciones, búsqueda de notas, gestión de huellas vocales) es más que suficiente. better-sqlite3 es la binding nativa de SQLite para Node.js más eficiente, con operaciones síncronas que simplifican el código.

whisper.cpp y llama.cpp. Ambos son proyectos del mismo autor (Georgi Gerganov) y comparten filosofía: implementaciones en C/C++ puro de modelos que originalmente requerían Python y frameworks pesados. Esto permite integración directa con Electron sin necesidad de un servidor Python separado, reduce el overhead de memoria y permite aceleración GPU nativa.

React 19 + shadcn/ui. La combinación de React 19 (con Server Components y concurrent features) y shadcn/ui (componentes accesibles, bien diseñados, basados en Radix UI) produce una interfaz responsive y profesional. shadcn/ui no es una librería: es un conjunto de componentes que copias en tu proyecto, lo que da control total sobre customización.

Tailwind CSS v4. La versión 4 de Tailwind introduce un motor CSS nativo (sin PostCSS), lightning CSS como base y soporte mejorado para dark mode y container queries. Es coherente con el enfoque de rendimiento del resto del stack.

Privacidad: cuándo los datos salen de tu equipo

Este es el punto más importante para muchos usuarios potenciales, así que conviene ser explícito sobre qué datos se quedan locales y cuáles pueden salir del dispositivo.

Siempre local (nunca sale del equipo)

• Base de datos SQLite: transcripciones, notas, configuración, huellas vocales.
• Modelos de Whisper y Parakeet descargados.
• Modelos LLM locales (GGUF via llama.cpp).
• Índice de búsqueda semántica.

Sale del equipo solo si tú lo configuras

• Audio para STT cloud: si usas OpenAI Whisper API o Groq, el audio se envía a sus servidores con tu API key. Puedes evitarlo usando motores locales.
• Texto para agente IA cloud: si usas GPT-5, Claude, Gemini o Groq como agente, el texto transcrito se envía a sus APIs. Puedes evitarlo usando llama.cpp con modelos locales.
• Team spaces: si usas espacios compartidos con otros usuarios, los datos se sincronizan. La sincronización depende de la infraestructura del equipo.

Nunca se envía a OpenWhispr (el proyecto)

• No hay telemetría obligatoria.
• No hay phone-home con transcripciones.
• Las huellas vocales no se comparten.
• La aplicación funciona completamente offline si usas motores locales.

La regla general: si usas exclusivamente motores locales (whisper.cpp + llama.cpp), la aplicación es 100 % offline y tus datos nunca salen del equipo. Cada servicio cloud que activas es una elección consciente que implica enviar datos a un tercero, siempre con tu propia API key.

Enterprise: SSO, SCIM, Bedrock y Azure

Para organizaciones que necesitan controles empresariales, OpenWhispr ofrece funcionalidades específicas:

SSO (Single Sign-On). Integración con proveedores de identidad corporativos para autenticación centralizada. Los usuarios inician sesión con sus credenciales organizacionales, sin necesidad de crear cuentas separadas.

SCIM (System for Cross-domain Identity Management). Provisionamiento y de-provisionamiento automático de usuarios. Cuando alguien entra o sale de la organización en el directorio corporativo (Azure AD, Okta, etc.), su acceso a OpenWhispr se gestiona automáticamente.

Amazon Bedrock y Azure OpenAI gestionados. En vez de que cada usuario configure su propia API key de OpenAI o Anthropic, la organización configura endpoints centralizados a través de Amazon Bedrock o Azure OpenAI. Esto centraliza la facturación, permite aplicar políticas de uso, habilita logging de auditoría y evita que API keys individuales se filtren.

Para empresas sujetas a normativas como ENS, ISO 27001 o SOC 2, estos controles son requisitos, no nice-to-haves. La combinación de transcripción local (los datos del audio no salen del equipo del empleado) con gestión centralizada de identidad y acceso a LLMs es un punto intermedio pragmático entre privacidad total y funcionalidad empresarial.

Comparativa: OpenWhispr vs WisprFlow vs Granola

La comparativa deja claro que OpenWhispr cubre un espectro significativamente más amplio que WisprFlow (que se centra exclusivamente en dictado) y compite directamente con Granola en transcripción de reuniones, pero añadiendo la capa de privacidad local que Granola no tiene. El hecho de ser open source y multiplataforma es un diferencial estructural.

¿Para quién es OpenWhispr?

No todas las herramientas son para todos. OpenWhispr encaja especialmente bien en estos perfiles:

Profesionales que escriben mucho. Desarrolladores, escritores, consultores, analistas. Si pasas horas tecleando, el dictado por voz con inserción directa puede duplicar tu velocidad de producción de texto. Especialmente para primeros borradores, emails largos y documentación.

Equipos con reuniones frecuentes. Product managers, consultores, agencias. Si tienes 5+ reuniones al día y necesitas transcripciones precisas con identificación de quién dijo qué, la diarización con voice fingerprinting ahorra horas de post-procesamiento manual.

Organizaciones con requisitos de privacidad. Empresas sujetas a RGPD, normativas sectoriales (sanidad, legal, finanzas) o simplemente con políticas internas estrictas sobre datos. La transcripción 100 % local elimina el riesgo de que audio sensible termine en servidores de terceros.

Desarrolladores y power users. Si quieres integrar transcripción de voz en tus workflows (via MCP o API), personalizar el comportamiento del agente IA, o contribuir al proyecto, el código open source y la documentación del API te dan el control completo.

Usuarios de Linux. Mientras WisprFlow es exclusivo de macOS y Granola no soporta Linux, OpenWhispr funciona en las tres plataformas principales. Para el porcentaje de profesionales que trabajan en Linux, no hay muchas alternativas de este nivel.

Preguntas frecuentes

¿OpenWhispr es completamente gratuito?

El código es open source bajo licencia MIT y puedes compilarlo tú mismo sin coste. La aplicación empaquetada incluye un tier gratuito con funcionalidades básicas de dictado y transcripción local. Las funciones avanzadas como team spaces, SSO empresarial y soporte prioritario requieren planes de pago.

¿Qué hardware necesito para usar Whisper local?

Para el modelo Whisper tiny o base, cualquier equipo moderno con 4 GB de RAM es suficiente. Para modelos medium o large con aceleración GPU, necesitas una GPU con al menos 4 GB de VRAM (NVIDIA con CUDA, AMD/Intel con Vulkan, o Apple Silicon con Metal). Sin GPU dedicada, los modelos grandes funcionan en CPU pero con mayor latencia.

¿Mis grabaciones de audio salen de mi equipo?

Solo si tú lo decides. Cuando usas los motores locales (whisper.cpp o sherpa-onnx con Parakeet), todo el procesamiento ocurre en tu máquina. El audio nunca sale del dispositivo. Si eliges un proveedor cloud como OpenAI Whisper API o Groq, el audio se envía a sus servidores, pero con tu propia API key (BYOK). La elección es tuya en cada momento.

¿Puedo usar OpenWhispr para transcribir reuniones de Zoom o Google Meet?

Si. OpenWhispr captura el audio del sistema (system audio capture), por lo que puede transcribir cualquier reunión independientemente de la plataforma: Zoom, Google Meet, Microsoft Teams, Discord o cualquier otra. Además incluye diarización en tiempo real para identificar quién habla en cada momento.

¿En qué se diferencia de WisprFlow?

OpenWhispr es open source (MIT), multiplataforma (macOS, Windows, Linux) y permite transcripción completamente local. WisprFlow es propietario y solo funciona en macOS. OpenWhispr además incluye transcripción de reuniones con diarización, voice fingerprinting, notas con búsqueda semántica, servidor MCP y API pública, funcionalidades que WisprFlow no ofrece.

¿Qué es el voice fingerprinting?

Es un sistema que genera una huella vocal única para cada hablante. Cuando participas en múltiples reuniones con la misma persona, OpenWhispr la reconoce automáticamente sin necesidad de identificarla de nuevo. Las huellas se almacenan localmente en tu base de datos SQLite y nunca se comparten con servicios externos.

¿Puedo integrar OpenWhispr con mis herramientas de trabajo?

Si, de dos formas. Primero, OpenWhispr incluye un servidor MCP (Model Context Protocol) que permite a asistentes IA como Claude acceder a tus transcripciones y notas. Segundo, ofrece una API REST pública para integración directa con cualquier aplicación o workflow de automatización.

¿OpenWhispr funciona en español?

Si. Whisper soporta más de 99 idiomas, incluyendo español con excelente precisión. El modelo Parakeet de NVIDIA también soporta múltiples idiomas. La interfaz de la aplicación está en inglés, pero la transcripción y el dictado funcionan en cualquier idioma soportado por el motor de STT que elijas.

Conclusiones

OpenWhispr representa una tendencia que en IAcademy consideramos fundamental: el desplazamiento de herramientas de IA desde modelos cloud-first dependientes hacia soluciones sovereignty-first donde el usuario mantiene el control real sobre sus datos.

Es un sistema de productividad, y no solo un transcriptor de voz, basado en audio que integra dictado, transcripción de reuniones, agente IA, gestión de conocimiento y APIs de extensibilidad. Y lo hace permitiendo que todo el procesamiento sensible ocurra localmente, sin que tu audio toque servidores externos.

Los puntos fuertes son claros: privacidad real (no solo marketing), soporte multiplataforma que incluye Linux, un stack técnico moderno y bien mantenido, voice fingerprinting único en el mercado, y la extensibilidad via MCP y API que lo conecta con el ecosistema de agentes IA.

Los puntos a vigilar: como proyecto open source en crecimiento, la estabilidad entre versiones puede variar, la documentación puede ir por detrás de las funcionalidades, y las features enterprise (SSO, SCIM) requieren el plan de pago. La calidad de la transcripción local depende del hardware del usuario, algo que los servicios cloud no tienen como variable.

Para profesionales y organizaciones que generan valor a través de la comunicación verbal (y eso incluye a casi todos), OpenWhispr merece una prueba. Especialmente si la privacidad de tus conversaciones no es negociable.

Enlace al proyecto: github.com/OpenWhispr/openwhispr