{"id":931,"date":"2026-06-05T15:15:48","date_gmt":"2026-06-05T18:15:48","guid":{"rendered":"https:\/\/www.ukrabot.cl\/blog\/?p=931"},"modified":"2026-07-14T17:57:26","modified_gmt":"2026-07-14T20:57:26","slug":"como-entrenar-un-modelo-de-voz-con-whisper-en-pi","status":"publish","type":"post","link":"https:\/\/www.ukrabot.cl\/blog\/como-entrenar-un-modelo-de-voz-con-whisper-en-pi\/","title":{"rendered":"C\u00f3mo entrenar un modelo de voz con Whisper en Pi"},"content":{"rendered":"

Transcribir voz con Whisper en Raspberry Pi: qu\u00e9 modelo funciona y cu\u00e1l se queda corto<\/h1>\n

\n\u00bfNecesitas transcribir reuniones, notas de voz o comandos de audio en espa\u00f1ol sin enviar nada a servidores externos?\n<\/p>\n

\nEl modelo Whisper<\/strong> de OpenAI permite hacer reconocimiento de voz (ASR<\/strong>) completamente local. Pero hay una confusi\u00f3n com\u00fan: no se entrena en una Raspberry Pi<\/strong>. El entrenamiento de estos modelos requiere GPUs de datacenter y datasets de miles de horas. Lo que s\u00ed puedes hacer en una Pi es inferencia<\/strong>: cargar el modelo pre-entrenado y transcribir audio propio.\n<\/p>\n

\nA continuaci\u00f3n te mostramos qu\u00e9 variantes de Whisper corren en una Raspberry Pi 4, cu\u00e1nta RAM necesitan, cu\u00e1nto tardan en transcribir y c\u00f3mo instalarlas paso a paso.\n<\/p>\n

Entrenar vs inferir: la diferencia que importa<\/h2>\n

\nEntrenamiento (training):<\/strong> ajustar los millones de par\u00e1metros del modelo con datos de audio etiquetados. Requiere GPU NVIDIA A100 o similar, semanas de computaci\u00f3n y datasets masivos. No es viable en Raspberry Pi.\n<\/p>\n

\nInferencia (inference):<\/strong> usar el modelo ya entrenado para transcribir un archivo de audio nuevo. Es solo multiplicaci\u00f3n de matrices. En una Raspberry Pi 4 con whisper.cpp<\/strong> (versi\u00f3n C++ optimizada para CPU ARM) esto es perfectamente viable con los modelos peque\u00f1os.\n<\/p>\n

\n\u26a0\ufe0f Dato que nadie te cuenta:<\/strong> el repositorio oficial de OpenAI en Python (pip install openai-whisper<\/code>) es lent\u00edsimo en Raspberry Pi porque usa PyTorch sin optimizaciones ARM. La versi\u00f3n que funciona es whisper.cpp<\/strong>, una reimplementaci\u00f3n en C++ que usa instrucciones ARM NEON<\/strong> y es 5-10 veces m\u00e1s r\u00e1pida en la misma hardware.\n<\/div>\n

Comparativa de modelos Whisper en Raspberry Pi 4<\/h2>\n\n\n\n\n\n\n\n\n\n
Modelo<\/th>\nPar\u00e1metros<\/th>\nArchivo GGML<\/th>\nRAM usada<\/th>\nTiempo en Pi 4 (100s audio)<\/th>\nVelocidad vs tiempo real<\/th>\nUso recomendado<\/th>\n<\/tr>\n<\/thead>\n
tiny<\/td>\n39 M<\/td>\n75 MB<\/td>\n~273 MB<\/td>\n~35 segundos<\/td>\n2,85\u00d7<\/strong> (m\u00e1s r\u00e1pido)<\/td>\nComandos de voz, notas cortas. Precisi\u00f3n baja.<\/td>\n<\/tr>\n
base<\/td>\n74 M<\/td>\n142 MB<\/td>\n~388 MB<\/td>\n~53 segundos<\/td>\n1,88\u00d7<\/strong> (m\u00e1s r\u00e1pido)<\/td>\nTranscripci\u00f3n en tiempo real. Buen equilibrio.<\/td>\n<\/tr>\n
small<\/td>\n244 M<\/td>\n466 MB<\/td>\n~852 MB<\/td>\n~2 min 16 s<\/td>\n0,73\u00d7<\/strong> (m\u00e1s lento)<\/td>\nBatch nocturno. Precisi\u00f3n notablemente mejor.<\/td>\n<\/tr>\n
medium<\/td>\n769 M<\/td>\n1,5 GB<\/td>\n~2,1 GB<\/td>\n~5 min 52 s<\/td>\n0,28\u00d7<\/strong> (mucho m\u00e1s lento)<\/td>\nRequiere Pi 4 de 4-8 GB. Batch \u00fanicamente.<\/td>\n<\/tr>\n
large-v3<\/td>\n1.550 M<\/td>\n2,9 GB<\/td>\n~3,9 GB<\/td>\n~10 min 51 s<\/td>\n0,15\u00d7<\/strong> (impracticable)<\/td>\nSolo Pi 4 8GB o Pi 5. No usable en tiempo real.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

\nLos tiempos son para whisper.cpp en Raspberry Pi 4 (4 n\u00facleos ARM Cortex-A72 @ 1,5 GHz), sin GUI, usando los 4 threads disponibles. El modelo base<\/strong> es el punto dulce para la mayor\u00eda de proyectos en espa\u00f1ol.\n<\/p>\n

Instalaci\u00f3n paso a paso de whisper.cpp en Raspberry Pi<\/h2>\n

\nEstos comandos funcionan en Raspberry Pi OS (Bookworm o Bullseye) y asumen que ya tienes acceso SSH o terminal.\n<\/p>\n

\nPaso 1: Instalar dependencias.<\/strong>\n<\/p>\n

\nsudo apt update\nsudo apt install -y git build-essential libsdl2-dev\n<\/pre>\n
\nPaso 2: Clonar whisper.cpp y compilar.<\/strong>\n<\/p>\n
\ngit clone https:\/\/github.com\/ggerganov\/whisper.cpp.git\ncd whisper.cpp\nmake -j4\n<\/pre>\n
\nPaso 3: Descargar el modelo base (u otro).<\/strong>\n<\/p>\n
\nbash models\/download-ggml-model.sh base\n<\/pre>\n
\nPaso 4: Convertir tu audio a WAV 16 kHz mono.<\/strong> Whisper solo acepta este formato.\n<\/p>\n
\nffmpeg -i tu_audio.mp3 -ar 16000 -ac 1 -c:a pcm_s16le tu_audio.wav\n<\/pre>\n
\nPaso 5: Transcribir en espa\u00f1ol.<\/strong>\n<\/p>\n
\n.\/main -m models\/ggml-base.bin -f tu_audio.wav -l es -t 4 -otxt\n<\/pre>\n
\nEl par\u00e1metro -l es<\/code> fuerza el idioma espa\u00f1ol. -t 4<\/code> usa los 4 n\u00facleos de la Pi 4. -otxt<\/code> genera un archivo de texto plano con la transcripci\u00f3n.\n<\/p>\n
5 errores costosos al usar Whisper en Raspberry Pi<\/h2>\n
\n1. Instalar el paquete Python openai-whisper<\/code> en la Pi.<\/strong> Ese paquete depende de PyTorch, que ocupa m\u00e1s de 600 MB y no est\u00e1 optimizado para ARM. La inferencia es 5-10 veces m\u00e1s lenta que whisper.cpp. Usa siempre whisper.cpp en Raspberry Pi.\n<\/p>\n
\n2. Intentar cargar medium o large en una Pi 4 de 2 GB.<\/strong> El modelo medium requiere 2,1 GB de RAM. En una Pi 4 de 2 GB el sistema operativo ya consume 800 MB. El modelo no carga y el proceso es killado por el kernel (OOM). Usa tiny o base en Pis de 2-4 GB.\n<\/p>\n
\n3. Pasar audio en formato MP3 o est\u00e9reo directamente.<\/strong> Whisper.cpp no decodifica MP3 ni acepta est\u00e9reo. Si le pasas un MP3 directamente, el resultado es basura o error de segmentaci\u00f3n. Convierte siempre a WAV 16 kHz mono con ffmpeg.\n<\/p>\n
\n4. No especificar el idioma.<\/strong> Si omites -l es<\/code>, Whisper intenta detectar el idioma autom\u00e1ticamente en los primeros 30 segundos. En audio corto o con acentos regionales chilenos, a veces detecta incorrectamente portugu\u00e9s o catal\u00e1n. Fuerza -l es<\/code> para espa\u00f1ol.\n<\/p>\n
\n5. Correr la transcripci\u00f3n con la GUI de Raspberry Pi activa.<\/strong> El escritorio gr\u00e1fico consume 300-500 MB de RAM y ciclos de CPU. Para transcripci\u00f3n batch, ejecuta en modo headless<\/strong> (sin monitor) o desde la terminal (Ctrl+Alt+F1) para liberar recursos.\n<\/p>\n
Raspberry Pi 4 vs Pi 5 vs PC: d\u00f3nde transcribir<\/h2>\n\n\n\n\n\n\n\n\n
Hardware<\/th>\nPrecio aprox. CLP<\/th>\nModelo viable<\/th>\nUso recomendado<\/th>\n<\/tr>\n<\/thead>\n
Raspberry Pi 4 (2 GB)<\/td>\n$90.000 – $120.000<\/td>\ntiny, base<\/td>\nComandos de voz, transcripci\u00f3n batch peque\u00f1a.<\/td>\n<\/tr>\n
Raspberry Pi 4 (4-8 GB)<\/td>\n$108.000 – $240.000<\/td>\ntiny, base, small<\/td>\nTranscripci\u00f3n de reuniones, podcasts, notas de voz.<\/td>\n<\/tr>\n
Raspberry Pi 5 (8 GB)<\/td>\n$150.000 – $280.000<\/td>\ntiny, base, small, medium<\/td>\nProyectos de voz en tiempo real con mejor precisi\u00f3n.<\/td>\n<\/tr>\n
PC con GPU NVIDIA<\/td>\n$400.000+<\/td>\nTodos (large, turbo)<\/td>\nTranscripci\u00f3n masiva, fine-tuning, producci\u00f3n.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
\n\ud83d\udca1 Conclusi\u00f3n pr\u00e1ctica:<\/strong> si tu objetivo es transcribir notas de voz o crear un asistente de comandos en espa\u00f1ol con una Raspberry Pi 4, usa el modelo base<\/strong> con whisper.cpp<\/strong>. Es 1,88 veces m\u00e1s r\u00e1pido que el audio de entrada, ocupa menos de 400 MB de RAM y la precisi\u00f3n es suficiente para la mayor\u00eda de aplicaciones dom\u00e9sticas. Si necesitas transcribir textos t\u00e9cnicos o legales con m\u00ednimo error, salta a una PC con GPU.\n<\/div>\n
\nVer Raspberry Pi 4 en Ukrabot Chile<\/a>\n<\/div>\n
Caso pr\u00e1ctico: transcribir notas de voz de 10 minutos<\/h2>\n
\nImagina que grabaste una reuni\u00f3n de 10 minutos en tu celular en formato AAC. El flujo de trabajo en Raspberry Pi 4 ser\u00eda:\n<\/p>\n
    \n
  1. Transferir el archivo a la Pi v\u00eda SCP o pendrive USB.<\/li>\n
  2. Convertir: ffmpeg -i reunion.m4a -ar 16000 -ac 1 reunion.wav<\/code> (toma 5 segundos).<\/li>\n
  3. Transcribir con base: .\/main -m models\/ggml-base.bin -f reunion.wav -l es -t 4 -otxt<\/code> (toma ~5 minutos).<\/li>\n
  4. Revisar el archivo reunion.wav.txt<\/code> generado autom\u00e1ticamente.<\/li>\n<\/ol>\n
    \nEl resultado es un archivo de texto con la transcripci\u00f3n completa, timestamps incluidos si agregas -osrt<\/code> en lugar de -otxt<\/code>.\n<\/p>\n
    Tambi\u00e9n te puede interesar<\/h2>\n
    \nRaspberry Pi 4 4GB<\/a> |
    \n    Raspberry Pi 5 8GB<\/a> |
    \n    Micro SD 64GB<\/a> |
    \n    C\u00e1mara Raspberry Pi HQ<\/a> |
    \n    Gu\u00edas t\u00e9cnicas Raspberry Pi<\/a>\n<\/p>\n
    Preguntas frecuentes sobre Whisper en Raspberry Pi<\/h2>\n
    \u00bfSe puede entrenar Whisper en una Raspberry Pi?<\/h3>\n
    \nNo. El entrenamiento o fine-tuning de Whisper requiere GPUs potentes (NVIDIA A100 o similar) y datasets de miles de horas. En una Raspberry Pi solo puedes ejecutar inferencia<\/strong>: usar el modelo ya entrenado para transcribir audio.\n<\/p>\n
    \u00bfQu\u00e9 modelo de Raspberry Pi necesito como m\u00ednimo?<\/h3>\n
    \nUna Raspberry Pi 4 de 2 GB<\/strong> es suficiente para los modelos tiny y base. Para small necesitas al menos 4 GB<\/strong>. Para medium, m\u00ednimo 4 GB<\/strong> pero recomendado 8 GB<\/strong>. El modelo large-v3 solo es viable en Pi 4 8GB o Pi 5, aunque muy lento.\n<\/p>\n
    \u00bfWhisper funciona bien con el espa\u00f1ol de Chile?<\/h3>\n
    \nS\u00ed. Whisper fue entrenado con datos multiling\u00fces que incluyen espa\u00f1ol de Latinoam\u00e9rica. El modelo base<\/strong> transcribe correctamente modismos chilenos comunes. Para t\u00e9rminos t\u00e9cnicos muy espec\u00edficos, el modelo small<\/strong> reduce errores. Siempre fuerza el idioma con -l es<\/code>.\n<\/p>\n
    \u00bfPuedo hacer transcripci\u00f3n en tiempo real (streaming)?<\/h3>\n
    \nCon el modelo tiny<\/strong> o base<\/strong> en whisper.cpp usando el flag --stream<\/code>, s\u00ed. La latencia es de 0,5 a 2 segundos respecto al habla. Requiere un micr\u00f3fono USB de buena calidad y una Pi 4 de 4 GB o superior.\n<\/p>\n
    \u00bfCu\u00e1nto consume de electricidad una Pi 4 transcribiendo con Whisper?<\/h3>\n
    \nUna Raspberry Pi 4 en carga completa consume aproximadamente 7,5 W<\/strong> (1,5 A a 5V). Transcribir 10 minutos de audio con el modelo base consume menos de 1 Wh<\/strong> de energ\u00eda. En t\u00e9rminos de costo el\u00e9ctrico en Chile, es insignificante frente a enviar el audio a un servicio en la nube.\n<\/p>\n