TranscribePsy transcribe español sin subir el audio: gratis, con instalación técnica

QVAC TranscribePsy, publicado el 14 de octubre de 2026, convierte grabaciones en texto sin enviarlas a un servidor e incluye español en ordenador y móvil. Tether lo ofrece sin coste bajo licencia Apache 2.0 y lo presenta para investigación y educación.

El acceso requiere conocimientos técnicos. No hay una aplicación lista para usar: se han publicado los modelos y un motor de ejecución; en Linux y macOS hay un procedimiento desde la terminal; en Android e iOS, herramientas para compilarlo e integrarlo en una aplicación.

Qué versión sirve para cada equipo

La familia tiene un modelo de 25 idiomas y otro centrado en ocho: español, inglés, francés, alemán, italiano, portugués, neerlandés y polaco. Este último es la base de las dos distribuciones móviles.

Para aprovechar Core ML hacen falta un dispositivo con Neural Engine y los tres archivos del modelo juntos, conservando sus nombres. La documentación incluye instrucciones específicas para compilar en Android y crear una biblioteca para iOS.

Qué tal transcribe frente a Whisper

Según la evaluación de Tether AI Research, el modelo de 25 idiomas registra 6,58 errores por cada 100 palabras en Multilingual LibriSpeech, como media de sus ocho idiomas de prueba. La tasa de error cuenta palabras sustituidas, omitidas o añadidas: cuanto menor, mejor.

La variante de ocho idiomas, base de las versiones móviles, reduce más los errores en esa prueba. Los resultados individuales de español se publicarán en un informe técnico posterior. En las otras evaluaciones, el modelo de 25 idiomas obtiene un 8,02 % en Open ASR Leaderboard y un 21,56 % en Common Voice.

En velocidad, la versión GGUF tardó 1.021 ms por intervención, frente a 5.854 ms de Whisper-small: una relación de 5,7 veces. Es la media en CPU de seis móviles: iPhone 17 Pro Max, iPhone 15, Galaxy S26 Ultra, S25 Ultra, Pixel 10 y Pixel 9, con 160 intervenciones que sumaban 40 minutos de audio. La carga del modelo promedió 252 ms y la memoria máxima con audio de diez segundos, 534 MiB.

En Apple, con Core ML y el Neural Engine de un iPhone 17 Pro Max, los autores transcribieron una grabación de 10 minutos en 1,65 segundos, con el modelo ya cargado.

Cómo probarlo en Linux o Mac

El repositorio oficial incluye un script que compila el motor y descarga el modelo en el primer uso. Hace falta Git, un entorno de compilación con CMake y la herramienta hf de Hugging Face disponible en la terminal.

1. Descarga el repositorio con git clone https://github.com/tether-ai-research/qvac-transcribePsy.git y entra en la carpeta con cd qvac-transcribePsy.
2. Instala la herramienta de descarga con pipx install huggingface_hub, o usa un entorno virtual de Python como explica el proyecto.
3. Ejecuta scripts/transcribe.sh grabacion.m4a, cambiando el nombre por el de tu archivo.

Con FFmpeg instalado, el script acepta los formatos que esa herramienta pueda leer. Sin él, prepara un WAV mono a 16 kHz. El texto sale por la terminal; se puede guardar en un archivo añadiendo > transcripcion.txt al comando.

Qué cambia al procesarlo en el dispositivo

Tras descargarlo, funciona sin conexión: permite transcribir notas, clases o entrevistas sin subir el audio.

Deriva de Parakeet-TDT-0.6B-v3, de NVIDIA: Tether lo redujo y entrenó para reproducir sus respuestas. Se publican los modelos y las configuraciones de evaluación; los datos y el código de entrenamiento quedan fuera.

Grabaciones largas y transcripción en directo

La versión publicada procesa grabaciones o intervenciones completas. QVAC sitúa la transcripción continua, con palabras apareciendo mientras se habla, entre sus próximos trabajos.

Para audios largos, la herramienta de terminal GGUF utiliza ventanas de 60 segundos con un solapamiento del 25 %. El proyecto recomienda conservar ese ajuste: en sus pruebas con grabaciones de entre 10 y 30 minutos, el consumo máximo de memoria se mantuvo por debajo de 2 GB.

Desactivar la división y procesar todo el archivo de una vez eleva mucho el consumo. Si falta memoria, se pueden usar ventanas de 30 segundos sin solapamiento; los autores advierten de una menor precisión en las uniones.