docker-whisper
Servidor de voz a texto Whisper autohospedado con diarización de hablantes.
Ejecuta APIs privadas de voz a texto y traducción con compatibilidad con OpenAI.
Esta herramienta ejecuta un servidor local de voz a texto Whisper dentro de Docker, exponiendo APIs de transcripción compatibles con OpenAI. Es ideal para profesionales de la salud mental que necesitan un procesamiento de audio completamente privado sin enviar sesiones sensibles de clientes a nubes de terceros.
Qué es
Impulsado por faster-whisper, procesa varios formatos de audio, genera salidas en JSON, SRT o VTT, y admite diarización de hablantes opcional utilizando sherpa-onnx. Puedes implementarlo en hardware de CPU estándar o acelerar la inferencia usando una GPU NVIDIA mediante etiquetas de imagen dedicadas.
Para quién
Es adecuado para profesionales y clínicas que requieren una estricta privacidad de datos para sesiones grabadas y que pueden gestionar implementaciones en contenedores. No es adecuado para usuarios no técnicos que requieren una aplicación de escritorio lista para usar sin configuración de línea de comandos o Docker.
Funciones clave
APIs Compatibles con OpenAI
Endpoints de reemplazo directo para aplicaciones existentes que usan POST /v1/audio/transcriptions.
Diarización de Hablantes
Identifica quién está hablando en cada segmento usando extensiones locales opcionales de sherpa-onnx.
Streaming SSE
Recibe los segmentos transcritos progresivamente a medida que se decodifican en lugar de esperar al archivo completo.
Modo Aislado (Air-Gapped)
Funciona completamente sin conexión a internet usando modelos previamente en caché y WHISPER_LOCAL_ONLY.
Listo en 3 pasos
Nuestro veredicto honesto
Lo mejor
- El audio permanece completamente en tu servidor local con cero transmisión de datos a terceros
- Compatible con todos los modelos Whisper, incluidos large-v3 y large-v3-turbo
- Proporciona aceleración CUDA con GPU NVIDIA para una inferencia más rápida
- Ofrece múltiples formatos de subtítulos y respuestas, incluidos SRT, VTT y JSON detallado
Sus límites
- Requiere familiaridad técnica con Docker, variables de entorno e interfaces de línea de comandos
- Consume al menos 700 MB de RAM para el modelo base y significativamente más para modelos más grandes o entornos de ejecución de GPU
- Exige hardware host compatible, controladores NVIDIA y el NVIDIA Container Toolkit para la aceleración por GPU
Precios y licencia
Gratuito bajo su licencia, sin opciones alojadas de pago proporcionadas por este proyecto. El único coste es ejecutar y mantener tu propio hardware de servidor.
Empleos para hispanohablantes
879 puestos remotos abiertos de entrenamiento de IA, actualizados el 15 de noviembre de 2026; la mayoría paga $20–$175 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
Alternativas
Úsalo, o deja que lo configuremos
FAQ
¿Puedo ejecutar esto sin conexión a internet?
Sí, puedes operar en modo sin conexión o aislado (air-gapped) pre-cachéando modelos y configurando WHISPER_LOCAL_ONLY=true.
¿Qué hardware necesito?
Necesitas un servidor Linux con Docker, al menos 700 MB de RAM libre para el modelo base y, opcionalmente, una GPU NVIDIA con el Container Toolkit.
¿Admite entrada de micrófono en tiempo real?
Esta herramienta está diseñada para archivos de audio completos; para streaming en vivo o captura de micrófono, el autor proporciona una herramienta separada docker-whisper-live.
