Transcripción en local o en la nube: adónde va tu voz

La transcripción en local convierte tu voz en texto en tu propio ordenador: el modelo se descarga una vez y tu audio nunca sale del equipo. La transcripción en la nube sube tu audio a un servidor, que te devuelve el texto. La diferencia que importa es qué pasa con tu voz después de subirla, y eso depende por completo de las condiciones del proveedor.

A continuación: cómo funcionan las dos, qué dicen tres grandes proveedores en la nube que hacen con tu audio y qué ganas o pierdes con cada una.

Por qué importa en los vídeos para clientes

Los subtítulos hacen que un vídeo se siga mejor sin sonido y se pueda recorrer más rápido. Para generarlos, algo tiene que escuchar cada palabra que dijiste: el nombre del cliente, el presupuesto que explicaste, el error de su checkout.

Con un servicio en la nube, ese audio va a la app que usas y a menudo a un proveedor de transcripción que hay detrás. Con la transcripción en local, se queda en tu Mac. En un tutorial público quizá no importe. En un vídeo sobre el proyecto de un cliente, con un acuerdo de confidencialidad de por medio o bajo el RGPD, puede importar.

Cómo funciona la transcripción en la nube

Los pasos son los mismos en todas partes:

1. Tu app sube el audio (o el vídeo entero) a un servidor.
2. Un modelo de reconocimiento de voz en ese servidor lo convierte en texto.
3. El texto vuelve y la app lo añade a tu vídeo.

Lo que pasa con el audio después del paso 3 es donde los proveedores se diferencian. Esto es lo que dicen tres grandes proveedores en su propia documentación:

Proveedor	¿Se usa para entrenar modelos?	¿Se conserva después?
API de OpenAI, transcripciones de audio	✗ No, salvo que aceptes compartir datos	✗ Sin conservación para vigilar abusos ni del estado de la aplicación en este endpoint
Google Cloud Speech-to-Text	✗ Solo si te apuntas a su programa de registro de datos	✗ Por defecto no registra el audio ni las transcripciones de los clientes
Amazon Transcribe (AWS)	~ Los servicios de IA de AWS pueden usar el contenido para mejorar el servicio, incluido el entrenamiento de modelos, salvo que te excluyas	~ Puede almacenarse, quizá en otra región de AWS, salvo que te excluyas

Según la documentación de cada proveedor, consultada en noviembre de 2026. Los ajustes y las condiciones pueden cambiar.

De aquí salen dos conclusiones. Primero, «la nube» no es una sola cosa: el mismo audio puede tratarse de formas muy distintas según quién lo procese. Segundo, normalmente no tratas directamente con estos proveedores. La app de grabación que usas elige uno, y sus condiciones y su lista de subencargados te dicen cuál. Loom, por ejemplo, dice que su transcripción usa los modelos GPT de OpenAI y Gemini de Google, un Whisper alojado por ellos mismos y el proveedor de transcripción Speechmatics, que su lista de subencargados sitúa en EE. UU. Entramos en detalle en Loom y el RGPD.

Cómo funciona la transcripción en local

La transcripción en local ejecuta el mismo tipo de modelo, pero en tu ordenador:

1. La app descarga una vez un modelo de reconocimiento de voz.
2. Cuando grabas, el modelo funciona en el procesador de tu Mac y convierte el audio en texto.
3. No se sube nada para transcribir. Funciona sin conexión.

En el Mac son habituales dos familias de modelos locales.

Whisper

Whisper es un modelo de reconocimiento de voz de uso general publicado por OpenAI, con el código y los pesos del modelo bajo licencia MIT. OpenAI explica cómo se entrenó en un artículo de investigación publicado junto al modelo. Como los pesos son públicos, las apps pueden incluirlo y ejecutarlo en local. Si quieres verlo en la práctica, lee cómo usar Whisper en el Mac.

Hay varios tamaños, y elegir es un equilibrio entre velocidad y precisión. El repositorio oficial indica:

Modelo	Parámetros	Memoria necesaria (aprox.)	Velocidad relativa
tiny	39 M	1 GB	unas 10 veces
base	74 M	1 GB	unas 7 veces
small	244 M	2 GB	unas 4 veces
medium	769 M	5 GB	unas 2 veces
large	1550 M	10 GB	1 vez
turbo	809 M	6 GB	unas 8 veces

Según el repositorio oficial openai/whisper, consultado en noviembre de 2026. Velocidad relativa respecto a large.

El repositorio señala que turbo es una versión más rápida de large-v3 con una pérdida de precisión pequeña, y que las versiones solo en inglés de los modelos más pequeños suelen funcionar mejor en inglés.

El framework Speech de Apple

El framework Speech de Apple ofrece reconocimiento en el dispositivo desde hace años. En la API antigua SFSpeechRecognizer, una app puede activar requiresOnDeviceRecognition para impedir que una petición envíe audio por la red, con la advertencia, según la propia Apple, de que las peticiones en el dispositivo no serán tan precisas. Si no se activa esa opción, algunos idiomas pueden necesitar conexión a internet.

Con macOS 26, Apple añadió SpeechAnalyzer y SpeechTranscriber. Sus modelos se descargan una vez de los servidores de Apple, los gestiona el sistema y se comparten entre apps, así que una segunda app que necesite el mismo idioma no vuelve a descargarlo.

Qué ganas y qué pierdes

	En local	En la nube
Tu voz se queda en tu ordenador	✓	✗ Se sube a la app, y a menudo también a un proveedor
Sin depender de las condiciones de otro	✓	✗ Se aplican sus condiciones, y pueden cambiar
Funciona sin conexión	✓ Tras la primera descarga	✗
Lista desde el primer uso	✗ Descarga única del modelo; cuanto más grande el modelo, más pesa la descarga	✓ Nada que descargar
Velocidad	Depende de tu Mac y del tamaño del modelo	Depende del tiempo de subida y de la carga del servidor
Precisión	~ Buena con voz clara; los modelos pequeños se equivocan más	Los modelos grandes pueden ir mejor con ruido, acentos y jerga
Batería y calor	~ Usa tu procesador mientras funciona	✓ Ligera para tu equipo, pero necesita una subida

En la mayoría de los vídeos para clientes (una sola voz, un micrófono decente, una habitación silenciosa) la diferencia de precisión es pequeña. Donde los modelos en la nube aún tienen ventaja es en el audio difícil: varias personas hablando a la vez, ruido de fondo, mucha jerga. Uses lo que uses, un micrófono mejor ayuda a cualquier modelo. Nuestra guía para poner subtítulos a una grabación de pantalla en Mac cubre la parte práctica.

Qué supone con el RGPD

Una grabación de tu voz, y la transcripción de lo que dijiste, son datos personales siempre que se refieran a una persona identificable. Subirlas a un proveedor de transcripción convierte a ese proveedor en encargado del tratamiento, lo que supone un contrato, un lugar en tu registro y, si está fuera de la UE, un mecanismo de transferencia. La transcripción en local no elimina tus demás obligaciones, pero quita un encargado de la cadena. Repasamos las figuras en RGPD y vídeos de clientes, y la página de nuestro grabador de pantalla conforme al RGPD muestra cómo resuelve JustRec cada paso.

Cuál elegir

Elige la transcripción en local cuando el audio trata de clientes, contratos o algo sujeto a confidencialidad, cuando tus clientes están en la UE y preguntan adónde van sus datos, o cuando trabajas a menudo sin conexión.

Elige la de la nube cuando el contenido es público de todas formas (un tutorial para tu web), cuando el audio es difícil y la precisión es lo primero, o cuando necesitas funciones que trabajan sobre la transcripción en la nube, como los resúmenes con IA.

Mucha gente acabará usando las dos. Lo importante es saber cuál usa cada app antes de grabar en ella el presupuesto del cliente.

Los subtítulos también son lo que consigue que un vídeo se vea en el móvil en una oficina en silencio: lo contamos en con subtítulos, tus vídeos se ven también sin sonido.