Tu grabación nunca sale del dispositivo
Casi todas las apps que dicen «Whisper» mandan tu audio a un servidor y corren el modelo allá. Whisper Notes lo corre en tu iPhone o en tu Mac: es más difícil de construir y mucho más fácil de explicar.
¿Por qué correr el modelo en el dispositivo?
Toda app de transcripción toma una decisión antes que cualquier otra: dónde se procesa el audio. Mandarlo a un servidor es lo más fácil de construir y permite usar los modelos más grandes, que todavía son un poco más precisos. Correr el modelo en el teléfono o en la laptop cuesta más trabajo, y significa que la grabación no tiene adónde ir.
Elegimos lo segundo, y la razón es más concreta que un eslogan de privacidad. Una grabación de voz es un dato biométrico y, a diferencia de una contraseña, no se puede cambiar después de una filtración. En cuanto el audio está en la infraestructura de alguien más, queda sujeto a su historial de brechas, a su política de retención y a lo que digan sus términos sobre el entrenamiento de modelos: tres cosas que tendrías que vigilar mientras exista el archivo.
Whisper Notes corre Parakeet, Whisper (Large V3 Turbo en la Mac, Small en el iPhone) o SenseVoice en el propio chip de tu dispositivo, así que no hay ningún servidor de transcripción de por medio. Nada se pone en cola en otro lado, nada se sube, y la app funciona igual en modo avión que con wifi. Vale la pena que lo compruebes tú en lugar de creernos.
¿Cuánto cuesta una app de Whisper gratuita?
Una herramienta de transcripción que no cuesta nada casi siempre funciona igual: tu audio va a un servidor, el modelo corre ahí y la grabación se queda el tiempo suficiente para serle útil a quien opera el servicio. Para mucha gente es un trato razonable. Conviene saber que lo estás haciendo.
¿Por qué una grabación de voz no es como una contraseña?
Una contraseña filtrada es una tarde de molestias, porque la puedes cambiar. Una grabación filtrada de tu voz es permanente, porque lo que te identifica es la voz misma, y unos cuantos segundos bastan para reconocerte en un contexto completamente distinto.
Lo que cambió hace poco es la cantidad de audio que necesita un atacante. Clonar una voz de forma convincente ya toma segundos de muestra, no minutos, y en 2025 se usó una voz clonada del ministro de Defensa de Italia en un intento de fraude contra varios empresarios. No decimos que esto te vaya a pasar. Decimos que es el único tipo de dato filtrado que no puedes reemplazar.
Por eso, cuando el audio llega a un servicio de transcripción, lo que se guarda no es un documento. Es un dato biométrico, en una infraestructura cuya política de retención no decides tú.
¿Cómo se filtran en realidad los datos de transcripción?
Casi nunca es un ataque espectacular. Lo que pasa es que el audio y las transcripciones pasan por más sistemas de los que nadie dibujó en el diagrama: el proveedor de transcripción, el proveedor del modelo que hay detrás, una capa de registros, un flujo de analítica, un respaldo. Cada uno es un lugar donde una mala configuración vuelve público lo privado, y entre más haya, menos puede decir alguien con certeza dónde está una grabación en este momento.
El sector salud ha dado los ejemplos más claros: información médica protegida expuesta por integraciones de transcripción y almacenamiento mal configurado, no por algo que alguien llamaría un ataque. Los centros de atención telefónica dieron otro: transcripciones enviadas a un modelo mientras los números de cuenta quedaban sin enmascarar en los registros de depuración.
Nada de esto prueba que la transcripción en la nube sea una imprudencia. Prueba que lo que hay que contar es cuántos sistemas guardan una copia, y que el procesamiento en el dispositivo deja ese número en uno.
¿Hacia dónde va esto?
En marzo de 2025, Amazon quitó de los dispositivos Echo la opción «No enviar grabaciones de voz». Todo lo que se le dice a Alexa va ahora a los servidores de Amazon, y ya no hay forma de desactivarlo.
Que un producto quite una opción no es una tendencia, pero el incentivo detrás sí es duradero: los datos de entrenamiento valen mucho, y una opción que reduce cuántos recolectas está bajo presión comercial permanente. Un ajuste de privacidad es una promesa que se puede cambiar en una nota de versión.
Whisper Notes está hecho para que no haya ningún ajuste equivalente que alguien pueda cambiar. No hay servidor al que mandar el audio, así que «no enviarlo» no es una preferencia que respetamos: es una descripción de lo que la app puede hacer.
¿Cuánto cuestan las herramientas gratuitas en tres años?
Las herramientas web que no cobran suelen reservarse el derecho de usar tu audio para mejorar sus modelos, y eso viene en unos términos que casi nadie lee. Las API que cobran por minuto parecen baratas: de $0.006 a $0.40; con una hora a la semana, eso da unos $20 al año con la más barata y más de $1,200 con la más cara. Las suscripciones son la versión honesta del mismo trato: Otter cobra unos $99 al año y te lo dice.
Whisper Notes cuesta $7.99 en el App Store y $14 la app para Mac de nuestro sitio web, en un solo pago. La tabla de abajo es todo el argumento de precio, y la cuarta fila es la clave: la opción gratuita y la de pago único cuestan casi lo mismo en tres años, y lo que las separa es lo que pasa con la grabación.
Costo por año
| Tipo de servicio | Año 1 | Año 2 | Año 3 | Manejo de datos |
|---|---|---|---|---|
| Whisper Notes | $7.99 | $0 | $0 | Nunca sale del dispositivo |
| Servicio de suscripción | $99 | $99 | $99 | Procesado en la nube |
| API en la nube por minuto | $20–1,250 | $20–1,250 | $20–1,250 | Procesado en la nube |
| Herramientas web "gratuitas" | $0 | $0 | $0 | Puede usarse para entrenar IA |
¿Cuándo te conviene más un servicio en la nube?
Con audio limpio, los modelos grandes de la nube todavía son algo más precisos, porque corren a un tamaño que ningún teléfono ni laptop puede alojar. Es una ventaja real y no vamos a fingir lo contrario.
Si necesitas subtítulos en vivo, si varias personas tienen que editar la misma transcripción mientras la junta sigue en curso, o si esa última fracción de precisión te importa más que dónde queda el audio, un servicio en la nube es la mejor herramienta y preferimos que lo uses.
Con lo que no estamos de acuerdo es con tratar esa diferencia de precisión como el único número de la decisión. En trabajo sujeto a un deber de confidencialidad — expedientes clínicos, material amparado por el secreto profesional, entrevistas con fuentes — «¿adónde va el audio?» es una pregunta que tienes que poder responder, y la respuesta más corta que se sostiene es que no fue a ninguna parte.
¿Herramienta en el navegador, API en la nube o app nativa?
Si buscas una app de Whisper, te salen tres cosas muy distintas con el mismo nombre: páginas que corren el modelo en una pestaña del navegador, API que lo corren en el servidor de alguien más y aplicaciones compiladas para el dispositivo que tienes en la mano. Se comportan tan distinto que la categoría importa más que la lista de funciones.
Herramientas en el navegador
Cuando una herramienta de navegador dice que procesa en local, casi siempre es cierto: el audio se queda en la pestaña. Sus límites no tienen que ver con la honestidad, sino con lo que puede hacer una pestaña. En la mayoría de los navegadores, la memoria de WebAssembly tiene un tope de unos 4 GB, lo que pone un techo al tamaño del modelo, y correr la inferencia a través de JavaScript la hace más lenta que el código nativo.
El problema con el que la gente se topa de verdad es más concreto y más molesto. Una herramienta de navegador no puede seguir trabajando mientras cambias a otra app, aprovecha la aceleración por hardware a medias, si es que la aprovecha, y si cierras la pestaña por error pierdes la transcripción y tienes que empezar de cero. Para probar un modelo está bien; como lugar para guardar tu trabajo, frustra.
| Procesamiento | WebAssembly/TensorFlow.js en el navegador |
| Tamaño del modelo | Limitado por la memoria del navegador (~4 GB) |
| Velocidad | Más lenta por la sobrecarga de JavaScript |
| Privacidad | Mejor que la nube, pero el navegador tiene acceso |
| Confiabilidad | La pestaña puede fallar; no trabaja en segundo plano |
Apps nativas
Whisper Notes está compilado para macOS e iOS y corre sus modelos directamente en Apple Silicon. Por eso son posibles las velocidades de esta página: en una Mac, el modelo Parakeet integrado corre a unas 74× el tiempo real: una hora de audio en menos de un minuto.
El resto de la diferencia es poco vistoso y pesa más en el día a día. En la Mac, la transcripción sigue corriendo cuando cambias de app, la app retoma el trabajo sin problemas después de una interrupción y el aislamiento del sistema la mantiene apartada de los datos de otras apps. La app no tiene forma de subir tu audio ni su transcripción, y lo puedes comprobar en unos treinta segundos: activa el modo avión y transcribe un archivo.
| Procesamiento | Corre directamente en Apple Silicon |
| Tamaño del modelo | Whisper Large V3 Turbo, unos 2 GB |
| Velocidad | Parakeet a unas 74× el tiempo real en una Mac |
| Privacidad | El audio y las transcripciones se quedan en el dispositivo |
| Confiabilidad | Sigue funcionando sin conexión, integración con el sistema |
API en la nube
Los recursos de un servidor son prácticamente ilimitados, así que una API en la nube puede correr los modelos más grandes y ofrecer cosas que piden mucho cómputo, como los subtítulos en vivo. Con audio limpio, será la opción más precisa de esta página.
Lo que sacrificas es saber dónde está la grabación. Viaja por internet, se procesa en un lugar que tú no administras y se conserva bajo una política que no escribiste y que pueden cambiar sin preguntarte.
Para una terapeuta con deber de confidencialidad, un abogado que maneja material protegido por el secreto profesional o una periodista que protege a una fuente, ahí suele terminar la evaluación. No porque la precisión sea peor, sino porque la pregunta «¿me puedes decir dónde está esta grabación?» no tiene una buena respuesta.
| Procesamiento | Servidores remotos (cómputo ilimitado) |
| Tamaño del modelo | Los modelos más grandes disponibles |
| Velocidad | Depende de internet y de la cola del servidor |
| Privacidad | El audio se sube y puede quedar almacenado |
| Confiabilidad | Requiere internet y tiene límites de uso |
¿A qué renunciamos al hacerlo así?
Hacer una app nativa era la única forma de que la privacidad fuera una cuestión de estructura y no de contrato. «Se procesa en local y luego se sincroniza» y «cifrado en tránsito» son afirmaciones verdaderas sobre sistemas que de todos modos acaban guardando una copia de tu audio; nosotros queríamos la versión en la que no existe ninguna copia que guardar.
Eso se paga en funciones. Las grabaciones no se subtitulan palabra por palabra mientras hablas: una transcripción en vivo muestra las palabras en pocos segundos cuando grabas en el iPhone o grabas una junta en Mac, pero solo en los 25 idiomas europeos que cubre Parakeet; en los demás idiomas, el panel de la Mac se actualiza más o menos cada 30 segundos. No podemos correr nada más grande de lo que aguanta tu dispositivo. Y no podemos ofrecer edición compartida ni espacios de trabajo en equipo, porque eso requiere un servidor y no tenemos uno.
Si alguna de esas tres cosas está en tu lista, esta no es la app para ti y uno de los servicios en la nube sí lo es. Preferimos decírtelo aquí a que lo descubras después de comprarla.
¿Qué modelo hace el trabajo?
Los motores, y cómo elegir uno
Especificaciones
| Modelos de IA | Parakeet (por defecto), Whisper Large V3 Turbo (Mac) o Whisper Small (iPhone), SenseVoice, Apple Speech (iOS 26, macOS 26); en la Mac también Qwen3-ASR 1.7B (Beta) |
| Idiomas | 100 idiomas con Whisper, 25 europeos con Parakeet, 6 con SenseVoice |
| Formatos de audio | MP3, WAV, M4A, FLAC, AAC |
| Velocidad de procesamiento | Parakeet a unas 74× el tiempo real en una Mac; la vía Whisper Turbo a unas 2.7× |
| Límites de tiempo y cobros | Hasta 24 horas por archivo, sin cobro por minuto |
| Plataformas | iOS 18+ (iPhone 12+), macOS 14+ (Apple Silicon) |
¿Qué sabe hacer de verdad?
Tres cosas cargan con casi todo el uso diario: meter el audio, sacar el texto y la restricción que mantiene las dos cosas en el dispositivo.
Importar archivos, varios a la vez
Importa audio desde cualquier lugar y transcríbelo sin conexión. La app procesa el archivo completo en lugar de ir transcribiendo sobre la marcha, así el modelo tiene todo el contexto y comete menos errores.
- ✓Importa desde Archivos, Notas de Voz o cualquier app que comparta audio
- ✓Elige o suelta varios archivos a la vez y se transcriben uno tras otro
- ✓Todo queda ordenado por fecha y por origen
Formatos de exportación
Varios formatos de salida para distintas formas de trabajar.
- ✓Texto plano con párrafos
- ✓Subtítulos SRT y VTT para video
- ✓Transcripciones con marcas de tiempo para consultar
- ✓Etiquetas de hablante en grabaciones con varias personas
- ✓Saltos de párrafo configurables
Privacidad por diseño
La app está hecha para que tu audio no pueda salir del dispositivo, no como un ajuste sino como una restricción técnica.
- ✓La app no tiene forma de subir el audio ni las transcripciones
- ✓Ningún servidor en la nube al que conectarse
- ✓Nunca vemos tus grabaciones ni tus transcripciones, y nunca se usan para entrenar IA
- ✓Solo almacenamiento local, cifrado por iOS o macOS
- ✓Ningún encargado externo que requiera un contrato de tratamiento de datos (BAA)
¿Qué tan precisa es y de dónde sale ese número?
Benchmarks publicados, más nuestras propias mediciones en un equipo que especificamos
No hacemos nuestro propio estudio de precisión: un fabricante que califica su propio examen vale poco. Las tasas de error de abajo vienen del Hugging Face Open ASR Leaderboard y del benchmark FLEURS. Los dos son públicos y los llevan personas que no ganan nada con esta app. Las cifras de velocidad sí son nuestras, medidas en un equipo que especificamos.
Tasa de error de palabra por modelo
| Modelo | Fuente | Tasa de error | Nota |
|---|---|---|---|
| Parakeet V3 (base del modelo por defecto) | Open ASR Leaderboard | 6.32% WER (inglés) | 25 idiomas europeos; 12.0% de promedio entre ellos en FLEURS |
| Whisper Large V3 Turbo | Open ASR Leaderboard | 7.83% WER (inglés) | La cobertura más amplia de los tres: 100 idiomas |
| SenseVoice Small | Prueba nuestra, M4 Pro | Pódcast de 27 minutos en 13.83 s | La opción rápida para chino, japonés, coreano y cantonés; medido con una versión anterior de la app, casi igual que los 115–131× de la ficha actual del modelo |
Key Findings
- •En una Mac, Parakeet corre a unas 74× el tiempo real; Whisper Turbo es varias veces más lento con el mismo archivo
- •En inglés, menos de dos puntos de tasa de error separan a los tres modelos
- •La tasa de error se mide sobre habla leída y preparada. Tus propias grabaciones darán peor resultado, y el micrófono o que la gente se encime al hablar mueven la cifra más que elegir un modelo u otro
Los modelos grandes en la nube mantienen una pequeña ventaja con audio limpio, porque corren a un tamaño que no cabe en ningún teléfono ni laptop. Esa diferencia es el precio de que el audio nunca salga de tu dispositivo. Si tu trabajo no necesita ese último punto de precisión, el intercambio suele valer la pena. Si lo necesita, lo honesto es recomendarte un servicio en la nube.
¿Cómo se compara con las alternativas?
Frente a los servicios en la nube, las herramientas que ya trae tu dispositivo y el software empresarial
Casi toda esta tabla se puede comprobar en unos minutos. La fila de la precisión es la que hay que leer con cuidado, porque las cuatro categorías no se miden con el mismo benchmark.
Comparación de funciones
| Función | Whisper Notes | Servicios en la nube | Herramientas integradas | Software empresarial |
|---|---|---|---|---|
| Precisión (WER en inglés) | 6.32-7.83% (Open ASR Leaderboard) | Datos del proveedor, casi nunca en ese leaderboard | No publicada | No publicada |
| Dónde se procesa el audio | En tu dispositivo | Servidores del proveedor | Según el proveedor | Opción on-premise |
| Costo | $7.99 iPhone, $14 Mac, pago único | $0.006-0.40/min | Gratis (limitado) | $500–2,000/licencia |
| Idiomas | 100 idiomas | 50-100 idiomas | 10-30 idiomas | 20-50 idiomas |
| Requiere internet | No | Sí | A veces | Depende de la implementación |
| Límite de duración del archivo | Hasta 24 horas por archivo, sin cobro por minuto | Por lo general 1-2 horas | 5-10 minutos | Varía |
Market Position: Con las tres opciones una al lado de la otra, el intercambio queda claro. Una API en la nube de última generación sigue siendo algo más precisa con audio limpio, y cuesta de $0.006 a $0.40 por minuto con tu grabación en el disco de alguien más. La transcripción empresarial on-premise mantiene el audio dentro de tu red y arranca en unos $500 por licencia. Whisper Notes corre los modelos abiertos en el hardware que ya tienes por $7.99 en el iPhone o $14 en la Mac, y a cambio renuncia a los subtítulos en vivo, a la edición compartida y a la última fracción de precisión. Si alguna de esas tres cosas está en tu lista, una de las otras dos opciones es la mejor compra.
¿Para qué trabajos encaja bien?
Tres tipos de trabajo en los que la grabación no puede viajar
Salud
El personal médico usa Whisper Notes para documentar consultas, tomar notas clínicas y transcribir entrevistas de investigación. Como el audio nunca llega a un servidor nuestro, no hay ningún encargado externo que requiera un contrato de tratamiento de datos (BAA). Que todo el flujo de trabajo cumpla con HIPAA sigue dependiendo de cómo esté protegido el propio dispositivo, y si varios colegas necesitan abrir y comentar la misma nota, un servicio en la nube con ese contrato firmado es la respuesta más práctica.
Use Cases
- •Documentación de consultas con pacientes
- •Notas de procedimientos médicos
- •Transcripción de entrevistas de investigación
- •Registros de sesiones de telemedicina
- •Contenido de capacitación clínica
Benefits
- ✓Ninguna política de datos en la que confiar, porque no se envía nada
- ✓Vocabulario personalizado para términos clínicos y nombres de medicamentos
- ✓Ningún dato de salud sale del dispositivo, porque no existe vía de subida
- ✓Una consulta de 20 minutos se transcribe en bastante menos de un minuto en una Mac con Apple Silicon
Legal
Los abogados usan Whisper Notes para declaraciones, entrevistas con clientes y preparación de casos. La grabación se queda en el dispositivo, así que ningún proveedor guarda una copia. Lo que eso no resuelve son tus propias obligaciones: que un flujo de trabajo concreto cumpla las reglas de confidencialidad de tu jurisdicción sigue dependiendo de cómo se manejen el dispositivo, sus respaldos y sus exportaciones.
Use Cases
- •Documentación de entrevistas con clientes
- •Transcripción de declaraciones
- •Notas de investigación de casos
- •Registros de procedimientos legales
- •Entrevistas de investigación
Benefits
- ✓No guardamos ninguna copia de la grabación ni de la transcripción
- ✓Vocabulario personalizado para nombres de casos y términos jurídicos
- ✓Transcripciones con marcas de tiempo, exportadas como texto, SRT o VTT
- ✓$7.99 en el iPhone o $14 en la Mac, pago único, frente a la transcripción externa que cobra por minuto
Periodismo
Los reporteros usan Whisper Notes para entrevistas con fuentes y grabaciones de campo. No hay servidor que guarde el audio, así que las únicas copias son las de tus propios dispositivos. Con eso, la protección de la fuente deja de depender de nuestra política de retención, que no puedes verificar, y pasa a depender de la seguridad de tu dispositivo, que sí puedes. Si en la redacción varias personas tienen que editar una misma transcripción durante un evento en vivo, eso le toca a una herramienta en la nube.
Use Cases
- •Transcripción de entrevistas con fuentes
- •Documentación de grabaciones de campo
- •Notas de conferencias de prensa
- •Archivo de entrevistas de investigación
- •Producción de pódcast
Benefits
- ✓Ni la grabación ni la transcripción se envían a ninguna parte
- ✓Funciona con el dispositivo sin conexión, que es además como se comprueba lo que decimos
- ✓Sin cuenta, así que no hay historial de inicios de sesión que vincule una entrevista contigo
- ✓Exporta a texto, SRT o VTT para las herramientas que ya usa la redacción
¿Qué tan rápida es y dónde se queda corta?
Los números que medimos y lo que el diseño descarta
Qué medimos y en qué máquina
La velocidad depende de la máquina y del motor que elijas, así que un único multiplicador para «la app» sería engañoso. Estas son nuestras propias pruebas, con tiempo de reloj desde el inicio hasta el texto final, en equipos que especificamos.
Parakeet V3 (base del motor por defecto)
Unas 74× el tiempo real en una Mac: una grabación de una junta de 17.5 minutos tarda unos 15 segundos
25 idiomas europeos; prueba nuestra, una sola máquina
La vía Whisper Turbo
Whisper Large V3 Turbo corre a unas 2.7 veces el tiempo real en la misma Mac, que es el precio de sus 100 idiomas
Pruebas nuestras; Turbo es la vía de cobertura amplia, no la rápida
Dispositivos más viejos o más pequeños
Un iPhone procesa un archivo más despacio que una Mac con Apple Silicon, y la diferencia crece con la edad del chip. Los archivos largos terminan igual; solo tardan proporcionalmente más
iPhone 12 o posterior, o una Mac con Apple Silicon
Almacenamiento
Las transcripciones ocupan muy poco, unos 0.1 MB por hora de audio. Lo que pesa son los modelos: en Mac, Qwen3-ASR 1.7B ocupa unos 2.5 GB y Whisper Large V3 Turbo unos 2 GB; los demás son más pequeños
Parakeet viene integrado en la app; los otros modelos se descargan desde la app
Limitaciones conocidas
Correr los modelos en el dispositivo impone límites duros, y es más fácil comprobarlos antes de comprar que después. Para eso la app para Mac de nuestro sitio web es gratis hasta 5,000 palabras a la semana.
Requisitos del dispositivo
Pensado para iPhone 12 o posterior y Macs con Apple Silicon; a los iPhone más antiguos les falta rendimiento en el Neural Engine para que esto sea práctico. La versión de Mac App Store también se instala en Mac con Intel, sin SenseVoice, Qwen3-ASR ni la transcripción en vivo rápida.
Impact: iPhone 12 o posterior; una Mac con Apple Silicon para todos los modelos
Tiempo de procesamiento
El tiempo de procesamiento crece con la duración de la grabación. No hay forma de esquivar la física del cálculo en el dispositivo.
Impact: A las velocidades de arriba, un archivo de una hora toma minutos en una Mac y más en un iPhone
Depende de la calidad del audio
Un audio malo o mucho ruido de fondo reducen la precisión, y el modelo no puede recuperar información que no está en la señal.
Impact: La posición del micrófono y que la gente hable encima mueven la tasa de error más que la elección del modelo
Sin subtítulos en vivo
Whisper Notes no es un servicio de subtitulado. En el iPhone, la transcripción aparece en pantalla mientras grabas en los 25 idiomas europeos que cubre Parakeet; cuando grabas una junta en la Mac, el panel de transcripción en vivo muestra las palabras en pocos segundos en esos idiomas y más o menos cada 30 segundos en los demás. La transcripción final se hace con el archivo completo, lo que le da al modelo más contexto con el que trabajar.
Impact: Si necesitas subtítulos en pantalla durante el evento, esta no es la herramienta
Un idioma por grabación
Cambiar de idioma rápidamente dentro de una misma grabación reduce la precisión. El modelo funciona mejor con un solo idioma de principio a fin.
Impact: Mejores resultados con un idioma principal por archivo
Entonces, ¿para quién es?
Descarga Whisper Notes
Transcripción que corre en tu iPhone o en tu Mac. La app para Mac de nuestro sitio web es gratis hasta 5,000 palabras a la semana, para que compruebes lo que decimos antes de pagar.
Descargar para iOSDisponible para iOS (iPhone 12+) y macOS (Apple Silicon). $7.99 una vez en el App Store; la app para Mac de nuestro sitio web es gratis hasta 5,000 palabras a la semana y luego cuesta $14 una vez. Sin suscripciones.