whisper_streaming
Transcripción y traducción en streaming en tiempo real para modelos Whisper.
Convierte OpenAI Whisper en un sistema de traducción y conversión de voz a texto de baja latencia.
Whisper-streaming ofrece transcripción y traducción de voz en tiempo real mediante la implementación de una política de acuerdo local y latencia autoadaptativa sobre los modelos de Whisper. Es ideal para desarrolladores y tecnólogos que crean canales de procesamiento de audio en directo para eventos multilingües.
Qué es
La herramienta procesa voz de larga duración no segmentada utilizando múltiples backends como faster-whisper, whisper-timestamped, OpenAI API o Whisper MLX. Implementa detección de actividad de voz, políticas de fragmentación y estrategias opcionales de recorte de búfer para mantener la latencia en torno a 3.3 segundos.
Para quién
Es adecuado para desarrolladores que integran transcripción en tiempo real en aplicaciones o transmisiones de conferencias en directo. No es adecuado para usuarios finales que buscan una aplicación de escritorio lista para usar sin configuración por línea de comandos.
Funciones clave
Múltiples Backends
Compatible con los backends faster-whisper, whisper-timestamped, OpenAI API y Apple Silicon MLX.
Detección de Actividad de Voz
Integra VAD opcional y controladores de actividad de voz utilizando PyTorch.
Recorte de Búfer
Ofrece opciones de recorte de búfer a nivel de segmento o frase para gestionar la latencia y la calidad.
Simulación en Tiempo Real
Incluye scripts para simular streaming en directo directamente desde archivos WAV mono locales de 16kHz.
Listo en 3 pasos
Nuestro veredicto honesto
Lo mejor
- Consigue una baja latencia en torno a 3.3 segundos en voz de larga duración no segmentada.
- Elección de backend flexible, incluyendo opciones aceleradas por GPU y Apple Silicon local.
- Los controladores y detectores de actividad de voz opcionales reducen la carga de procesamiento.
- Soporte integrado para tareas de traducción en directo además de la transcripción.
Sus límites
- Ten en cuenta que el proyecto ha sido sucedido por SimulStreaming en 2025.
- Requiere configuración técnica de entornos Python, bibliotecas de audio y controladores de GPU opcionales.
- El uso del backend de OpenAI API genera costes de API continuos por petición que aumentan con el tamaño del fragmento.
Precios y licencia
Gratis bajo la licencia MIT. Si decides utilizar el backend de OpenAI API, deberás pagar a OpenAI los costes de acceso a la API según tu consumo.
Empleos para hispanohablantes
874 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
¿Qué backends son compatibles?
Es compatible con faster-whisper, whisper-timestamped, OpenAI API y Whisper MLX para Apple Silicon.
¿Se requiere una GPU?
Se recomienda una GPU con soporte CUDA para faster-whisper, pero también puedes usar Apple Silicon MLX o el backend de OpenAI API.
¿Cómo gestiona la latencia?
Utiliza una política de acuerdo local con latencia autoadaptativa y un tamaño mínimo de fragmento para procesar audio en tiempo real.
