RealtimeSTT
Biblioteca de conversión de voz a texto de baja latencia con detección de actividad de voz y palabras de activación.
Crea asistentes de voz, herramientas de dictado y servidores de streaming con un código mínimo.
RealtimeSTT es una biblioteca de Python que ofrece detección de actividad de voz, transcripción rápida y activación por palabra clave. Es ideal para desarrolladores que crean aplicaciones de voz interactivas o servidores de streaming personalizados.
Qué es
La biblioteca captura flujos de audio, detecta voz mediante WebRTC o Silero VAD y transcribe audio a través de motores como faster-whisper o sherpa-onnx. Admite la detección opcional de palabras de activación mediante Porcupine u OpenWakeWord e incluye un servidor FastAPI de producción empaquetado.
Para quién
Está dirigida a desarrolladores de Python que crean interfaces de voz locales, software de dictado o backends de streaming para navegadores. No es adecuada para equipos que buscan pilas que no sean de Python o configuraciones sin dependencias, ya que requiere controladores de audio y modelos pesados de machine learning.
Funciones clave
Detección de actividad de voz
Detecta voz automáticamente usando WebRTC VAD y Silero VAD.
Activación por palabra clave
Admite activación opcional por palabra clave mediante Porcupine u OpenWakeWord.
Compatibilidad con múltiples motores
Funciona con faster-whisper, sherpa-onnx, Moonshine y otros backends seleccionables.
Servidor FastAPI de producción
Incluye un servidor remoto opcional con endpoints HTTP y WebSocket versionados.
Listo en 3 pasos
Nuestro veredicto honesto
Lo mejor
- Proporciona entrada de micrófono directa o bloques de audio externo proporcionados por la aplicación.
- Incluye un servidor FastAPI de producción empaquetado con aislamiento de sesiones y autenticación.
- Compatible con pipelines de streaming optimizados para CPU utilizando modelos sherpa-onnx.
- Ofrece retrollamadas de eventos para grabación, VAD, texto en tiempo real y estados de palabras de activación.
Sus límites
- Requiere dependencias de sistema específicas de la plataforma, como las cabeceras de PortAudio en Linux y macOS.
- Los modelos pesados de machine learning exigen importantes recursos de computación local o hardware de GPU.
- Python 3.13 y versiones posteriores aún no son objetivos de lanzamiento compatibles.
Precios y licencia
Gratis bajo su licencia MIT. No se mencionan opciones de pago alojadas en el repositorio, por lo que el único coste es ejecutar el hardware y los modelos por cuenta propia.
Empleos para hispanohablantes
876 puestos remotos abiertos de entrenamiento de IA, actualizados el 15 de noviembre de 2026; la mayoría paga $20–$170 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
¿Cómo introduzco audio desde un archivo externo o streaming en lugar de un micrófono?
Inicializa la grabadora con `use_microphone=False` e introduce bloques PCM mono de 16 bits usando `feed_audio()`.
¿Puedo ejecutar RealtimeSTT en un servidor de producción solo con CPU?
Sí, el README recomienda combinar sherpa-onnx-nemotron para hipótesis en directo con sherpa-onnx-nemo-parakeet para transcripciones finales en la CPU.
