¿Qué precisión tiene Whisper AI? Tasa de error, límites y consejos (2026)

Por el equipo editorial de whispertranscribe.ai · Última actualización: noviembre de 2026 · 13 min de lectura · Categoría: Precisión de transcripción

¿Qué precisión tiene Whisper? Con lecturas claras en inglés, el artículo de OpenAI da una tasa de error de palabra (WER) del 2,5 % para Whisper large-v2: unas 97 o 98 palabras acertadas de cada 100. Con audio más difícil, la tasa sube al 13,6 % en llamadas, al 24,9 % en una cena ruidosa y al 39,9 % en una reunión con un solo micrófono lejano.

Whisper es el modelo de código abierto de reconocimiento del habla de OpenAI. Lo usan muchas aplicaciones de transcripción, incluida la nuestra. Esta guía se centra en la precisión: cómo se mide la WER, qué dicen las pruebas por tipo de audio e idioma, dónde falla Whisper y cómo probarlo por tu cuenta. Para conocer el modelo, consulta qué es Whisper AI.

La mayoría de los datos proceden del artículo de investigación de Whisper (Radford y otros, 2022), que evaluó todos los modelos sin ajustarlos a los conjuntos de prueba (zero-shot). La ficha más reciente de large-v3 indica entre un 10 % y un 20 % menos de errores que large-v2 en muchos idiomas, pero no ofrece una tabla completa por conjunto. whispertranscribe.ai publica esta guía. No realizamos una prueba propia para el artículo y ninguna cifra es un resultado nuestro.

La precisión de Whisper de un vistazo

Ningún conjunto de prueba responde por sí solo: el audio es lo que más cambia el resultado. La tabla muestra los resultados de OpenAI para large-v2 con búsqueda en haz y ajuste de temperatura (tabla 9 del apéndice), tras aplicar su normalizador de texto.

Tipo de audio Conjunto de prueba del artículo WER de Whisper large-v2 Palabras acertadas, aprox.
Audiolibro, lectura clara LibriSpeech test-clean 2,5 % 97,5 de cada 100
Noticias leídas en voz alta WSJ 2,6 % 97,4 de cada 100
Charlas TED TED-LIUM 3 3,7 % 96 de cada 100
Audiolibro, voces más difíciles LibriSpeech test-other 4,9 % 95 de cada 100
Voluntarios con micrófonos domésticos Common Voice 5.1 8,2 % 92 de cada 100
Conversaciones telefónicas Switchboard 13,6 % 86 de cada 100
Entrevistas sociolingüísticas largas CORAAL 14,2 % 86 de cada 100
Llamadas con familiares y amistades CallHome 16,4 % 84 de cada 100
Reuniones con un micrófono de diadema por persona AMI IHM 17,4 % 83 de cada 100
Cenas con micrófonos alejados CHiME-6 24,9 % 75 de cada 100
Reuniones con un solo micrófono de mesa lejano AMI SDM1 39,9 % 60 de cada 100

Las «palabras acertadas» se estiman restando la WER a 100. Es una aproximación porque la WER también cuenta las palabras añadidas.

Verás a menudo una cifra del 2,7 %: corresponde al mismo modelo con una descodificación voraz más sencilla (tabla 2 del artículo). Las dos filas de AMI corresponden a las mismas reuniones grabadas de dos formas. Pasar del micrófono de diadema al centro de la mesa más que duplica la tasa de error.

¿Qué es la tasa de error de palabra (WER) y cómo se calcula?

La WER mide los errores de una transcripción respecto a un texto de referencia revisado por una persona. Suma tres tipos de error y divide entre el número de palabras de la referencia:

WER = (sustituciones + omisiones + inserciones) ÷ palabras en la referencia

  • Sustitución: aparece una palabra en lugar de la correcta («lunch» en lugar de «launch»).
  • Omisión: falta una palabra pronunciada.
  • Inserción: aparece una palabra que nadie dijo.

Este ejemplo en inglés lo preparamos para la guía y lo evaluamos con la biblioteca de código abierto jiwer:

Línea Texto
Referencia (22 palabras) we moved the product launch to march ninth because the vendor missed two deadlines and doctor patel wants a new test plan
Transcripción we moved the product lunch to march ninth because vendor missed two deadlines and doctor battle wants a new test plan today
Errores 2 sustituciones (lunch, battle), 1 omisión (the) y 1 inserción (today)
WER 4 ÷ 22 = 18,2 %

Hay tres detalles que conviene tener en cuenta:

  1. Puede superar el 100 %. No hay un máximo de inserciones. Algunos idiomas con pocos datos superan el 100 % en los resultados de Fleurs del artículo.
  2. Normalizar el texto cambia el resultado. «Dr.» y «doctor» cuentan como error salvo que se normalicen ambos textos de la misma forma. OpenAI indica que su normalizador redujo la WER hasta un 50 % en algunos conjuntos, sobre todo al eliminar diferencias de formato.
  3. Algunos idiomas usan la tasa de error de carácter (CER). En chino, japonés, tailandés, lao y birmano, que no separan las palabras con espacios, el artículo evalúa caracteres.

Una cifra de precisión sin un conjunto de prueba y un método de evaluación identificados no es una medición, la publique quien la publique, incluido nuestro equipo.

¿Qué precisión tiene Whisper en inglés?

Whisper obtiene buenos resultados con inglés claro y sigue siendo útil cuando el audio es difícil. En el artículo cometió un 55,2 % menos de errores en otros 12 conjuntos en inglés que un modelo wav2vec 2.0 supervisado que obtuvo un resultado casi idéntico en LibriSpeech.

Grabaciones largas

Whisper lee el audio en ventanas de 30 segundos. El artículo probó los archivos largos por separado (tabla 16 del apéndice, large-v2):

Conjunto de grabaciones largas Qué contiene WER
TED-LIUM 3 11 charlas TED completas 3,5 %
Meanwhile 64 segmentos de televisión nocturna con muchas palabras poco comunes 5,1 %
Kincaid46 46 grabaciones variadas de una comparación de 2018 8,8 %
Earnings-21 Conferencias de resultados empresariales 9,7 %
Rev16 16 episodios de pódcast 11,3 %
Earnings-22 Más conferencias de resultados, con distintos acentos 12,6 %
CORAAL 231 entrevistas completas en inglés afroestadounidense 19,6 %

Whisper frente a los transcriptores humanos

OpenAI encargó 25 grabaciones de Kincaid46 a cuatro servicios humanos y a uno asistido por ordenador. El servicio asistido obtuvo 1,15 puntos porcentuales menos de error que Whisper. Los servicios totalmente humanos solo lo mejoraron en una fracción de punto. El artículo considera que la precisión se acerca mucho a la humana, aunque no es perfecta.

El tamaño del modelo importa

Whisper tiene varios tamaños y las aplicaciones no siempre dicen cuál usan (tabla 9 del apéndice):

Modelo Parámetros LibriSpeech clean Common Voice 5.1 Switchboard CHiME-6
tiny 39 M 6,7 % 26,1 % 18,3 % 48,0 %
base 74 M 4,9 % 19,4 % 15,6 % 40,0 %
small 244 M 3,3 % 12,8 % 13,3 % 30,9 %
medium 769 M 2,7 % 9,7 % 13,2 % 27,6 %
large-v2 1.550 M 2,5 % 8,2 % 13,6 % 24,9 %

La diferencia crece con el audio difícil: unos 4 puntos en audiolibros claros y 23 en la cena. El modelo más reciente turbo, una versión optimizada de large-v3, acepta una pérdida mínima de precisión a cambio de mucha más velocidad, según el README de OpenAI en GitHub.

¿Qué precisión tiene Whisper en otros idiomas?

Fuera del inglés, la precisión depende sobre todo de cuánto audio de entrenamiento tuvo Whisper en cada idioma. El artículo encontró una correlación al cuadrado de 0,83 entre los logaritmos de las horas de entrenamiento y de la WER. Estima que la WER se reduce a la mitad al multiplicar por 16 los datos. La mayoría de los 96 idiomas distintos del inglés tenían menos de 1.000 horas.

Algunos resultados de Fleurs (oraciones leídas, large-v2, tabla 13 del apéndice):

Idioma WER en Fleurs Nota
Español 3,0 % La más baja de esta tabla
Inglés 4,2 %
Portugués 4,3 %
Alemán 4,5 %
Japonés 5,3 % Tasa de error de carácter
Ruso 5,6 %
Francés 8,3 %
Coreano 14,3 % Resultado atípico
Chino 14,7 % Tasa de error de carácter
Árabe 16,0 %
Hindi 21,5 %
Hebreo 27,1 % Resultado atípico
Suajili 39,3 %
Telugu 99,0 % Resultado atípico

El hebreo, el telugu, el chino y el coreano rindieron peor de lo que predecían sus datos de entrenamiento. El artículo apunta a posibles causas: distancia lingüística, un tokenizador poco adecuado para esas escrituras o calidad de los datos. Fleurs usa lecturas, así que en conversaciones cabe esperar más errores. El README incluye un gráfico más reciente de large-v3 y large-v2 con Common Voice 15 y Fleurs.

Los resultados en español son prometedores si necesitas transcribir audio en español a texto. En idiomas con menos recursos, prueba un fragmento antes de procesar un proyecto entero.

¿Qué afecta a la precisión de Whisper?

Las condiciones de grabación son lo que más importa. Esto muestran el artículo y la ficha del modelo:

Factor Qué muestran las pruebas Qué hacer
Ruido de fondo Con ruido de bar y una relación señal/ruido inferior a 10 dB, Whisper superó a los 14 modelos de comparación. Todos empeoraron al aumentar el ruido Graba en un lugar tranquilo, lejos de ventiladores y música
Distancia al micrófono En las mismas reuniones de AMI: 17,4 % con micrófonos de diadema y 39,9 % con un único micrófono de mesa Acerca el micrófono a quien habla
Conversación y voces superpuestas Las llamadas y cenas obtuvieron entre el 13,6 % y el 24,9 %, frente al 2,5 % en lecturas Una persona a la vez y un micrófono por hablante
Acentos y dialectos La ficha indica precisión desigual por acento y dialecto. Las entrevistas largas de CORAAL obtuvieron un 19,6 % Prueba con voces parecidas a las de tus grabaciones
Palabras raras y jerga Rindió bien en Meanwhile, con vocabulario poco habitual (5,1 %), pero los nombres y términos aún fallan Comprueba nombres y términos con una lista
Datos por idioma La WER en Fleurs va del 3,0 % en español al 99,0 % en telugu Elige el idioma y reserva más tiempo de revisión si tiene pocos datos
Tamaño del modelo tiny obtiene un 48,0 % en CHiME-6 y large-v2, un 24,9 % Pregunta qué modelo usa la herramienta o elige el más grande que puedas
Formato y frecuencia de muestreo El código de Whisper remuestrea todo a mono y 16 kHz Un WAV a 48 kHz no mejora un archivo claro de 16 kHz

Convertir un MP3 en un WAV grande no recupera detalle. Un audio claro a una tasa de bits moderada suele dar mejores resultados que uno ruidoso a una tasa alta.

Fallos conocidos de Whisper: alucinaciones, repeticiones y tiempos

OpenAI documenta estos fallos, que pueden importar más de lo que su proporción en la WER sugiere.

Texto inventado

Whisper puede escribir palabras que nadie ha dicho. La ficha del modelo señala que las predicciones pueden incluir texto que no se pronunció en el audio. Una explicación es que también predice las palabras siguientes más probables. El artículo incluso describe alucinaciones completas: texto sin relación con el audio.

En el estudio independiente Careless Whisper (Koenecke y otros, 2024), se procesaron 13.140 fragmentos con la API de Whisper de OpenAI en abril y mayo de 2023. Alrededor del 1 % de las transcripciones (1,4 % de media) contenía frases u oraciones inventadas. Un 38 % de esas alucinaciones incluía contenido perjudicial, como violencia o asociaciones falsas. Ocurrían más con hablantes que hacían pausas largas; en este estudio, personas con afasia. La API ha cambiado, así que es una medición de 2023.

Bucles de repetición y palabras omitidas

La ficha dice que Whisper tiende a repetir texto. La búsqueda en haz y los ajustes de temperatura reducen el problema, pero no lo eliminan. El artículo también indica que puede omitir las primeras o últimas palabras de un fragmento. Los ajustes de descodificación redujeron la WER media en audios largos del 11,0 % al 10,0 %. Es una mejora, no una solución completa.

Silencio, música y muletillas

El texto inventado tiende a aparecer en silencios prolongados y tramos de música. El artículo observó que la señal de ausencia de habla de Whisper no es fiable por sí sola. El código abierto incluye una opción para saltarse silencios prolongados cuando detecta una posible alucinación.

Desfase de tiempos y archivos largos

Whisper avanza por el audio en ventanas de 30 segundos y usa sus marcas de tiempo previstas para situar la siguiente. El artículo señala que un error en una ventana puede pasar a la siguiente. Los tiempos por palabra se marcan como experimentales en el código. Para subtítulos, comprueba los tiempos cerca de las pausas.

Durante el desarrollo, OpenAI también vio que Whisper adivinaba nombres de hablantes y casi siempre se equivocaba. Los modelos publicados se ajustaron para frenarlo, pero conviene revisar cualquier nombre.

10 formas de mejorar la precisión de Whisper

La mayoría de las mejoras se consiguen antes de transcribir. Están ordenadas, aproximadamente, de mayor a menor efecto:

  1. Acerca el micrófono. Solo la distancia más que duplicó la tasa de error en las reuniones de AMI.
  2. Reduce el ruido en su origen. Cierra ventanas, apaga ventiladores y pausa la música.
  3. Evita las voces superpuestas. Hablar por turnos ayuda más que cualquier ajuste.
  4. Recorta silencios largos e introducciones musicales, donde suele aparecer texto inventado. Corta en las pausas, no en mitad de una frase.
  5. Selecciona el idioma manualmente. Whisper lo identificó bien el 80,3 % de las veces en 82 idiomas de Fleurs. La detección automática puede fallar con fragmentos cortos o acentos marcados.
  6. Usa el modelo más grande que tengas disponible, sobre todo en grabaciones ruidosas.
  7. Indica nombres y términos si ejecutas el modelo tú. Whisper de código abierto acepta --initial_prompt con las grafías que esperas.
  8. Sube el archivo original. Volver a grabarlo por altavoces o comprimirlo varias veces pierde detalle.
  9. Revisa los términos. Busca cada nombre, cifra, fecha y sigla y contrástalos con el audio.
  10. Revisa en dos pasadas. Corrige primero los errores a velocidad normal. Luego busca señales de alucinación: frases repetidas o sobre silencios y despedidas como «Gracias por ver el vídeo». Para trabajos jurídicos, médicos o destinados a publicarse, solicita una revisión humana completa.

Cómo medir la precisión de Whisper con tu audio

La mejor estimación sale de una prueba de 30 minutos con tus grabaciones. Estos pasos son para que los hagas tú. No son una prueba de whispertranscribe.ai.

  1. Elige tres fragmentos de 2 minutos parecidos a tu trabajo habitual: uno fácil, uno típico y uno difícil.
  2. Escribe una transcripción de referencia a mano, palabra por palabra. Decide antes si vas a conservar muletillas como «eh» y si las cifras van con dígitos o letras.
  3. Transcribe cada fragmento con la herramienta que evalúas y guárdalo como texto plano.
  4. Normaliza los dos textos de la misma manera. El normalizador de OpenAI viene con openai-whisper.
  5. Calcula la WER con jiwer:
# pip install jiwer openai-whisper
import jiwer
from whisper.normalizers import EnglishTextNormalizer

norm = EnglishTextNormalizer()
ref = norm(open("reference.txt", encoding="utf-8").read())
hyp = norm(open("transcript.txt", encoding="utf-8").read())

out = jiwer.process_words(ref, hyp)
print(f"WER {out.wer:.1%}  S={out.substitutions} D={out.deletions} I={out.insertions}")
  1. Cuenta por separado los errores graves. Cinco muletillas erróneas y cinco nombres de clientes equivocados dan la misma WER, pero no tienen el mismo impacto.
  2. Anota los resultados para comparar herramientas o ajustes:
Fragmento Condiciones Palabras de referencia S D I WER Errores graves
A Sala tranquila, una persona 310
B Videollamada, dos personas 285
C Cafetería, hablante con acento 296

Los recuentos de palabras son ejemplos. Una precaución sobre el paso 4: al probar el normalizador de inglés con una frase inventada, igualó «Dr.» a «doctor» y «two» a «2», pero contó «9th» frente a «ninth» como error. Revisa las diferencias marcadas antes de fiarte del resultado.

¿Qué precisión tiene whispertranscribe.ai?

whispertranscribe.ai es una herramienta web de transcripción basada en Whisper. Admite más de 130 idiomas y archivos de hasta 5 GB y 10 horas. Su precisión llega hasta el 99 % con audio claro. El ruido de fondo, los acentos marcados y las voces superpuestas la reducen, como muestran estas pruebas del propio modelo Whisper. No afirmamos igualar o superar las cifras del artículo ni publicamos una prueba propia. Haz la prueba con tus grabaciones.

Puedes empezar gratis y sin cuenta. Los planes de pago parten de 9,99 USD al mes con facturación anual (ver precios).

Preguntas frecuentes

¿Whisper tiene una precisión del 99 %?

No en general. En la evaluación citada, Whisper obtuvo una tasa de error por palabra del 2,5 % en LibriSpeech test-clean, un conjunto de audiolibros con una dicción clara. Eso equivale a aproximadamente un 97,5 % de palabras correctas. En llamadas telefónicas, reuniones y salas ruidosas, las cifras de OpenAI van de alrededor del 13 % al 40 % de WER. Una afirmación como «99 %» solo dice algo si especifica en qué audio se midió. Valora las herramientas basadas en Whisper, incluida whispertranscribe.ai, con tus propias grabaciones.

¿Qué modelo de Whisper es el más preciso?

Los modelos grandes son los más precisos. En el artículo de OpenAI, large-v2 registró las menores tasas de error en la mayoría de los conjuntos de prueba. La ficha de large-v3 indica que comete entre un 10 % y un 20 % menos de errores que large-v2 en muchos idiomas. Turbo es una versión optimizada de large-v3 que, según OpenAI, sacrifica un poco de precisión a cambio de mucha más velocidad. El modelo más pequeño, tiny, es bastante menos preciso con audio difícil: obtuvo un 48,0 % de WER en una cena ruidosa, frente al 24,9 % de large-v2.

¿Por qué Whisper escribe palabras que nadie dijo?

Whisper puede inventar palabras porque está entrenado tanto para predecir texto probable como para transcribir lo que oye. En la ficha del modelo, OpenAI advierte que puede generar texto ausente del audio. Suele ocurrir en silencios prolongados, con música o con ruido. En las mediciones de 2023 de un estudio independiente, aproximadamente el 1 % de las transcripciones contenía frases inventadas, y las pausas hacían más probable el problema. Recortar los silencios, indicar el idioma y revisar los tramos de poco volumen reduce el riesgo.

¿Qué precisión tiene Whisper con distintos acentos?

Whisper maneja los acentos mejor que muchos sistemas anteriores, aunque el resultado no es uniforme. OpenAI indica en la ficha del modelo que la precisión varía entre acentos y dialectos del mismo idioma. En el artículo, las entrevistas largas en inglés afroamericano de CORAAL tuvieron una WER del 19,6 %, frente al 3,5 % de las charlas TED completas. Las condiciones de grabación también eran distintas. Prueba un fragmento con hablantes que suenen como los de tus grabaciones y reserva más tiempo para revisar cuando los acentos sean marcados.

¿Es Whisper tan preciso como un transcriptor humano?

En inglés, Whisper se acerca a los mejores, aunque no los iguala. OpenAI lo comparó con cinco servicios profesionales en 25 grabaciones. Un servicio asistido por ordenador obtuvo una WER global 1,15 puntos porcentuales menor que Whisper, y los cuatro servicios totalmente humanos tuvieron una ventaja de una fracción de punto. Las personas aún suelen manejar mejor los nombres, las conversaciones con voces superpuestas y el habla poco clara. Si vas a citar, archivar o publicar una transcripción, pide a alguien que la compruebe escuchando la grabación.

¿Qué precisión tiene Whisper en idiomas distintos del inglés?

Varía mucho según el idioma. En la prueba Fleurs, large-v2 obtuvo una WER del 3,0 % en español, del 4,5 % en alemán y del 8,3 % en francés, pero del 27,1 % en hebreo y del 99,0 % en telugu. En chino y japonés se mide la tasa de error por carácter: 14,7 % y 5,3 %, respectivamente. El artículo observó que la precisión guarda relación con la cantidad de audio disponible para entrenar en cada idioma. Si trabajas con un idioma del que hay pocos datos de entrenamiento, prueba primero un fragmento breve y prevé más tiempo para corregirlo.

Comprueba la precisión con tu propia grabación

Las pruebas de referencia describen el audio de otras personas. Sube un fragmento a whispertranscribe.ai en cualquiera de los más de 130 idiomas y evalúa el resultado siguiendo esta guía. Empieza gratis y sin cuenta o compara los planes.

Artículos relacionados: ¿Qué es Whisper AI? · Los mejores programas gratuitos de transcripción · Las mejores alternativas a TurboScribe · Cómo transcribir un vídeo de YouTube · ¿Qué es un archivo SRT? · Subtítulos incrustados y subtítulos seleccionables

Referencias

¿Quieres convertir tus grabaciones en texto?

Transcribe audio y vídeo con whispertranscribe.ai.

Empezar a transcribir ↗