Voz a texto
sin nube

La premisa es sencilla: si el audio se transcribe en el propio teléfono, no hay subida, no hay cuenta atrás dependiente de la red y no hay una API que pagar. El precio es que los modelos pequeños reconocen peor que el cloud. La pregunta útil no es «¿se puede?» —se puede, y ya hay apps que lo hacen— sino cuántos megas y cuánta calidad estás dispuesto a cambiar.

01La camada nueva: modelos nacidos para el borde

Hasta hace poco, «modelo pequeño» significaba Whisper tiny recortado. Desde 2025-2026 hay modelos entrenados desde cero para CPU de móvil, con arquitecturas que Whisper no usa (atención de ventana deslizante, pesos comprimidos de fábrica).

Whistle (Cactus Compute, 2 de octubre de 2026) es el caso extremo: un único fichero de 16,9 MB, sin dependencias, que transcribe hasta 30 s en inglés, alemán, francés, español, italiano, neerlandés y polaco. Detecta el idioma, devuelve timestamps por palabra y —lo más interesante para un producto de dictado— acepta sesgo de palabras clave (un autómata Aho-Corasick que sube la probabilidad de nombres propios o tecnicismos durante la búsqueda). Primer token en 11 ms, 1.319 tokens/s de decodificación. Su gráfico lo enfrenta a Whisper base (145,3 MB) y Moonshine tiny v2 (41,9 MB): Whistle gana en LibriSpeech, SPGISpeech, Earnings-22 y la media de FLEURS; pierde en TED-LIUM, AMI y la media de MLS. En una prueba propia con 240 clips de MINDS14 (acentos de varios países): WER 33,3 % frente al 32,2 % de Whisper base —empate técnico— con un RTF de 0,03 en un móvil de gama media. Traducido: 10 s de audio se transcriben en ~0,3 s de CPU.

Moonshine v2 Streaming (Useful Sensors) ataca otro frente: el streaming real. Encoder con atención de ventana deslizante y 80 ms de lookahead, de modo que el texto sale mientras hablas. Tiny = 34 M de parámetros (~42 MB), small = 123 M, medium = 245 M. Lo notable son sus números por idioma: español tiny 6,2 % WER y small 4,9 %; inglés tiny 12,0 % / small 7,84 % (media de 8 datasets del Open ASR Leaderboard); alemán 12,0 / 7,5. Licencia MIT. La letra pequeña: son modelos separados por idioma (inglés, español, alemán, árabe, japonés, mandarín, tagalo y vietnamita) y no hay francés, italiano, portugués ni neerlandés. Sin mezcla de idiomas dentro de una frase.

02El clásico: Whisper cuantizado

Whisper sigue siendo el único modelo multilingüe de verdad en este rango de peso: 99 idiomas en un solo fichero, con detección de idioma y cierta tolerancia a cambiar de idioma a mitad de frase. Con whisper.cpp (C/C++, ejemplo oficial de Android, bindings Java/React Native, VAD incluido) y cuantización q5, los tamaños son:

Los tamaños de tiny/base/small en fp16 son los del repositorio ggml; las variantes q5 cuantizan pesos y activaciones a 5 bits. Como referencia de velocidad en móvil: la versión int8 de Whisper tiny exportada por Arm a ExecuTorch (XNNPACK + KleidiAI) corre a 6× tiempo real en un vivo X300, con 116 MB de peso y WER 7,57 % en LibriSpeech test-clean — misma calidad del tiny original.

03Lo demás del panorama

• Audio8-ASR-0.1B (AutoArk) — «el modelo ASR utilizable más pequeño de la era LLM»: 0,32 B de parámetros, 7 idiomas (ZH/EN/FR/DE/JA/KO/YUE), WER medio 7,03 en el Open ASR Leaderboard, con hotwords por logit. Pero pesa cientos de MB (1,1 GB de pico en ONNX Runtime) → material para el futuro, no para 50 MB.
• LiteASR / lite-whisper — comprime el decoder de Whisper con aproximación de bajo rango: lite-whisper-small es más exacto que whisper-small (WER 14,96 vs 15,89) con el encoder un 20 % más pequeño. Útil si el presupuesto sube de 50 a ~200 MB.
• Vosk — el veterano: modelos de 36–49 MB por idioma, streaming y vocabulario dinámico, Apache-2.0, pero con WER del 23–38 % fuera del inglés y tecnología Kaldi clásica. Solo como fallback de emergencia.
• SenseVoice-Small (448 MB, ZH/YUE/EN/JA/KO) y MMS (Meta, 1.000+ idiomas pero >1 GB): multilingües pero muy por encima del peso admitido.
• El propio Android — Android 16 introduce OnDeviceAsrEngine: un modelo de ~50 MB en la partición del sistema, 8 idiomas, cero descarga, llamable con createOnDeviceSpeechRecognizer. En Android 15 y anteriores esa llamada devuelve ERROR_NETWORK sin conexión. Es gratis y no ocupa, pero la calidad depende del fabricante y no controlas nada más.
• Comercial — Picovoice Cheetah/Leopard (streaming on-device, licencia enterprise por dispositivo) y similares: sólidos, pero imponen un coste por usuario que anula el argumento de «sin API que pagar».

04Cómo elegirlo

1. Idiomas y mezcla de idiomas. Si tu producto soporta 12 idiomas y los usuarios cambian de lengua a mitad de frase, solo Whisper cubre eso con un fichero. Whistle cubre 7 idiomas con autodetección; Moonshine exige un modelo por idioma y no mezcla.
2. Tamaño vs calidad. 16,9 MB (Whistle) ≈ calidad «Whisper base»; 31 MB (whisper tiny q5) ≈ Whisper tiny; 42 MB (Moonshine tiny streaming) es el mejor por mega en ES/EN/DE según sus propias evaluaciones. Los WER de papers distintos no son comparables entre sí: cada uno usa su dataset.
3. UX. El streaming (Moonshine) hace que el texto aparezca mientras hablas; los modelos por clip (Whistle, whisper) responden igual de rápido al soltar el botón. Para un dictado corto de 5–15 s la diferencia es mínima.
4. Palabras del usuario. El sesgo de palabras clave (Whistle, Audio8, Vosk) es la forma barata de acertar nombres propios, marcas y tecnicismos sin reentrenar. Es, además, exactamente lo que un diccionario de «palabras tuyas» necesita.
5. Licencias. MIT (Moonshine v2 streaming, todos los tamaños e idiomas), Apache-2.0 (whisper.cpp, Vosk). La licencia de Whistle no está declarada en su model card: hay que confirmarla antes de meterlo en un producto comercial.
6. Mide sobre tus propios dictados. El WER promedio no predice cuántas frases quedan «listas para enviar»: lo que importa son las correcciones («no, olvida eso»), los cortes a mitad de palabra y el código cambiante. El criterio de decisión debería ser el porcentaje de transcripciones usables sin tocar, medido con un juez LLM sobre un set de dictados reales duros.