Ir al contenido principal
Español— Elegir un idioma
Menú

Transcribir un archivo de audio: gpt-transcribe y Whisper

Lección 6 de 18 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Transcribir una grabación
  2. Qué modelo elegir en noviembre de 2026
  3. Primera transcripción
  4. Dar contexto al modelo
  5. Seguir la transcripción en tiempo real
  6. Marcas de tiempo y subtítulos: whisper-1, hasta el 26 de febrero de 2027
  7. Archivos largos
  8. Puntos clave

Lección reescrita el 3 de noviembre de 2026. Esta guía cubría anteriormente whisper-1, un modelo obsoleto que dejará de estar disponible el 26 de febrero de 2027. La guía de Transcripción de archivos de OpenAI recomienda ahora gpt-transcribe. Sin embargo, gpt-transcribe no ofrece marcas de tiempo, subtítulos en formato SRT o VTT, ni respuestas verbose_json. Para estas necesidades concretas, whisper-1 sigue siendo la única opción hasta su retirada. El código anterior accedía a los segmentos como diccionarios (segment["start"]), lo que provoca un TypeError con el SDK de Python; ahora son objetos (segment.start). Todas las llamadas se han verificado con la versión 3.42.1 del SDK openai. Fuentes: Transcripción de archivos · Crear transcripción · GPT-Transcribe · Obsolescencias.

Transcribir una grabación

La transcripción de archivos cubre el caso de uso más habitual: dispones de una grabación finalizada (una reunión, un pódcast, un mensaje de voz) y necesitas obtener el texto. Envías el archivo al punto de conexión /v1/audio/transcriptions y recibes la transcripción. Para audio que llega en tiempo real, como el procedente de un micrófono o una llamada, el enfoque correcto es la transcripción en directo mediante la API en tiempo real, que se tratará más adelante en este curso.

El archivo debe tener un tamaño máximo de 25 MB y estar en uno de los siguientes formatos: mp3, mp4, mpeg, mpga, m4a, wav o webm.

Qué modelo elegir en noviembre de 2026

ModeloEstadoPuntos clave
gpt-transcribeRecomendadoContexto (prompt), palabras clave (keywords), idiomas esperados (languages), transcripción en flujo continuo; 0,0045 $ por minuto
whisper-1Obsoleto, retirada el 26 de febrero de 2027Único modelo que ofrece marcas de tiempo, verbose_json, SRT y VTT, y traducción al inglés
gpt-4o-transcribe, gpt-4o-mini-transcribeObsoleto, retirada el 26 de febrero de 2027Sustituidos por gpt-transcribe
gpt-4o-transcribe-diarizeObsoleto, retirada el 26 de febrero de 2027Identificación de hablantes (diarized_json)

Primera transcripción

from openai import OpenAI

client = OpenAI()

with open("recording.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
    )

print(transcription.text)

Por defecto, la respuesta es un objeto JSON: transcription.text contiene el texto y transcription.languages lista los idiomas que el modelo ha reconocido con suficiente confianza (una lista vacía si no ha podido identificar ninguno).

Dar contexto al modelo

Una grabación de una reunión está llena de nombres propios, siglas y términos internos que el modelo no tiene por qué conocer. gpt-transcribe acepta tres indicios que puedes combinar:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        prompt="Reunión de dirección sobre el proyecto Corsen AI y el contrato AC-42.",
        keywords=["Corsen AI", "AC-42", "GDPR"],
        languages=["fr", "en"],
    )

print(transcription.text)
  • prompt describe el contexto en una única frase, en el idioma de la grabación. No es una instrucción de sistema; es una pista que guía el reconocimiento.
  • keywords enumera los términos que deben reconocerse. Introduce una palabra clave por elemento, sin <, > ni saltos de línea: la API rechazará toda la solicitud si encuentra alguno.
  • languages especifica los idiomas esperados mediante códigos ISO 639-1 (fr, en, es…). Sustituye al parámetro language de modelos anteriores: no envíes nunca ambos.

Seguir la transcripción en tiempo real

Para archivos largos, no es necesario esperar al final para mostrar el principio. Con stream=True, la API devuelve eventos a medida que se produce el procesamiento, sin necesidad de una sesión en tiempo real:

with open("meeting.mp3", "rb") as audio_file:
    stream = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        stream=True,
    )
    for event in stream:
        if event.type == "transcript.text.delta":
            print(event.delta, end="", flush=True)
        elif event.type == "transcript.text.done":
            print()  # transcripción completa en event.text

Marcas de tiempo y subtítulos: whisper-1, hasta el 26 de febrero de 2027

La guía de OpenAI indica explícitamente que sus ejemplos de marcas de tiempo a nivel de palabra, subtítulos e identificación de hablantes dependen de modelos obsoletos. Si necesitas estas funciones, whisper-1 seguirá disponible hasta el 26 de febrero de 2027 y es el único modelo que acepta verbose_json y timestamp_granularities:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="whisper-1",
        file=audio_file,
        response_format="verbose_json",
        timestamp_granularities=["segment"],
    )

for segment in transcription.segments or []:
    print(f"[{segment.start:.1f}s - {segment.end:.1f}s] {segment.text.strip()}")

Los segmentos son objetos del SDK: lee segment.start, no segment["start"]. Con timestamp_granularities=["word"], las marcas de tiempo a nivel de palabra aparecen en transcription.words, a costa de una latencia ligeramente mayor. El mismo modelo también genera subtítulos listos para usar: con response_format="srt" o "vtt", el SDK devuelve directamente el texto del archivo de subtítulos.

La guía aún no designa un sustituto para estas funciones. Si tu producto depende de marcas de tiempo o subtítulos, planifica una solución antes del 26 de febrero de 2027.

Archivos largos

Para archivos superiores a 25 MB, comprime el audio o divídelo. La documentación recomienda evitar cortes en mitad de una frase, ya que se pierde contexto, y sugiere la biblioteca pydub para la división (OpenAI no garantiza este software de terceros). Pasar el final del fragmento anterior en prompt ayuda al modelo a mantener la continuidad, un uso del parámetro citado en la guía:

from pydub import AudioSegment


def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
    """Transcribe una grabación larga en fragmentos de 10 minutos."""
    audio = AudioSegment.from_file(path)
    texts: list[str] = []

    for i, start in enumerate(range(0, len(audio), duration_ms)):
        chunk = f"chunk_{i}.mp3"
        audio[start:start + duration_ms].export(chunk, format="mp3")
        options = {"prompt": texts[-1][-500:]} if texts else {}  # continuidad
        with open(chunk, "rb") as f:
            result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
        texts.append(result.text)

    return " ".join(texts)

La división por duración fija a veces corta una frase por la mitad: para un resultado pulido, divide mejor en los silencios.

Puntos clave

  • gpt-transcribe es el modelo recomendado para la transcripción de archivos; whisper-1 y gpt-4o-*-transcribe dejarán de estar disponibles el 26 de febrero de 2027
  • prompt, keywords y languages (ya no language) guían el reconocimiento de términos e idiomas
  • stream=True devuelve la transcripción sobre la marcha (transcript.text.delta), sin necesidad de una sesión en tiempo real
  • Las marcas de tiempo, verbose_json, SRT y VTT solo existen con whisper-1 hasta su retirada; lee los segmentos como objetos (segment.start)
  • Máximo 25 MB por archivo: comprime o divide, preferiblemente en los silencios