Whisper en tu navegador: del audio al acta
Graba un clip o usa nuestra muestra, transcríbelo con Whisper sin que el audio salga de tu pestaña y convierte sus segmentos en un acta con acuerdos y tareas.
ASR es lo que devolvió whisper-tiny para una reunión corta: { name, duration, language, segments }, y cada segmento es { start, end, text } en segundos. Es nuestra muestra, o tu propia grabación si la transcribes en «Un modelo en tu navegador». Con eso, escribe un acta en tres funciones:
fmtTime(sec): los segundos enteros (redondea hacia abajo) como mm:ss; desde una hora, h:mm:ss. 65.9 es "01:05" y 3725 es "1:02:05".
sentences(segments): Whisper corta por pausas, no por frases. Une segmentos seguidos hasta que uno acabe en ., ?, ! o …, con un espacio entre ellos; la frase empieza en el start del primero y acaba en el end del último. Salta los segmentos sin texto, deja un solo espacio entre palabras, recorta los extremos y convierte una palabra repetida seguida («el el») en una. Lo que quede al final sin punto también es una frase. No cambies los segmentos de entrada.
acta(segments): { duracion, lineas, acuerdos, tareas }. duracion es fmtTime del end más alto ("00:00" sin segmentos). lineas tiene una línea por frase: "[mm:ss] frase". Una frase va a acuerdos si su texto, en minúsculas y sin tildes, contiene alguna clave de ACUERDO, y a tareas si contiene alguna de TAREA; puede ir a las dos.
Retos 0/4
- Minutos y segundos, y horas a partir de la primera
- Frases: une los trozos de Whisper, salta los vacíos y quita la palabra repetida
- El acta: una línea por frase con su minuto, acuerdos y tareas sin depender de tildes ni mayúsculas
- Con la transcripción del modelo (tu grabación) o la muestra: cada frase en su línea y con su minuto
function fmtTime(sec) {
// segundos enteros como mm:ss, o h:mm:ss a partir de una hora
return '';
}
function sentences(segments) {
// une segmentos seguidos hasta que uno acabe en . ? ! o ...; salta los vacíos; guarda el primer start y el último end
// un solo espacio, sin espacios en los extremos, y una palabra repetida seguida (el el) se queda en una
return [];
}
function acta(segments) {
// { duracion, lineas: ['[mm:ss] frase'], acuerdos, tareas }: una frase entra en una lista si su texto normalizado contiene una clave
return { duracion: '', lineas: [], acuerdos: [], tareas: [] };
}
console.log(acta(ASR.segments));
Tab sangra, Ctrl+Z deshace. Para salir del editor con el teclado: Esc y después Tab.
Por qué importa
Transcribir una reunión con un servicio en la nube es enviar a un tercero las voces y lo que se dijo. Whisper corre en tu equipo y te devuelve segmentos con marcas de tiempo, y el trabajo de verdad empieza ahí: unir segmentos partidos, descartar los vacíos y las repeticiones en bucle que el modelo produce con el silencio, y sacar de ese texto decisiones y tareas. Eso es lo que escribes aquí. El montaje completo fuera del navegador, con modelos más grandes, está en actas de reunión privadas con Whisper en tu hardware.
La idea
Whisper no devuelve frases ni actas: devuelve trozos de texto entre dos marcas de tiempo, cortados donde el hablante hace una pausa. En nuestra muestra, «Acordamos cambiar de proveedor a partir de diciembre» llega partida en dos segmentos, y la última frase en dos más. El primer trabajo es volver a montar las frases sin perder cuándo empezó cada una, porque ese minuto es lo que te deja comprobar el acta contra el audio.
El modelo más pequeño se equivoca, y conviene verlo antes de confiar en él. whisper-tiny oyó «Cordamos» en vez de «Acordamos», «marcas en carga» en vez de «Marta se encarga» y «el el 9» en vez de «el lunes a las nueve». El primer fallo le quita a tu acta su acuerdo principal, porque la clave «acord» ya no aparece. Las palabras clave son una red para no perder nada, no un juez: una persona que estuvo en la reunión lee el acta antes de enviarla. Y si cambias a un modelo mayor, como small o medium en tu máquina, estos fallos bajan mucho.
Lo que medimos el 08-11-2026 en Chromium sin interfaz en el DGX Spark (ONNX Runtime Web, WebAssembly, un hilo): para el clip de 16,8 s, 0,2 s de espectrograma, 0,8 s de codificador y 1 s para decodificar 84 tokens. Detectó el español sin que se lo dijéramos. Un portátil normal tardará más; el modelo procesa como mucho 30 s por pasada, así que la grabación se corta ahí.
Todo pasa en tu pestaña. Al pulsar «Cargar el modelo» se descargan unos 56 MB de este mismo sitio (41 MB de Whisper y los 14 MB del motor ONNX que comparten todos los modelos del playground), y el micrófono solo se abre si pulsas «Grabar». El audio no sale de tu navegador: para actas de reuniones con datos de terceros, es la diferencia entre un servicio externo y ninguno.
Hazlo en tu máquina
Con Python y faster-whisper (MIT), el mismo modelo tiny en 8 bits sobre nuestro clip (CC BY 4.0). Cambia tiny por small o medium y compara los errores:
pip install faster-whisper
curl -O https://vorluxai.com/data/labs/reunion-taller.mp3
python3 -c "
from faster_whisper import WhisperModel
m = WhisperModel('tiny', device='cpu', compute_type='int8')
segments, info = m.transcribe('reunion-taller.mp3')
print('idioma:', info.language)
for s in segments:
print(f'[{int(s.start) // 60:02d}:{int(s.start) % 60:02d}]', s.text.strip())
" Para profundizar: la guía relacionada →
¿Esto en producción, con tus datos? Hablemos 15 minutos →