Transcripción en el dispositivo vs. en la nube: el verdadero compromiso

El compromiso en una tabla

La transcripción en el dispositivo y en la nube han intercambiado posiciones en varias dimensiones durante los últimos dos años. Esta es su situación real hoy:

La respuesta corta para la mayoría: la nube sigue siendo la opción predeterminada por comodidad y precisión, pero la transcripción en el dispositivo ya es una opción real y no un plan B para cualquiera con requisitos genuinos de privacidad o necesidades sin conexión.

Qué significa realmente «en el dispositivo» en 2026

No todas las herramientas «en el dispositivo» se comportan igual. La etiqueta cubre todo un espectro.

Whisper.cpp y MacWhisper ejecutan los modelos Whisper de OpenAI íntegramente en tu hardware local mediante una adaptación a C++. El audio nunca se transmite a ningún sitio. MacWhisper es el punto de entrada más sencillo para usuarios de Mac: el plan gratuito es totalmente funcional para uso ocasional, y el plan Pro (59 € de licencia vitalicia vía Gumroad, o 99,99 $ de licencia vitalicia vía App Store a mediados de 2026) añade Large-v3, Turbo, procesamiento por lotes y diarización.

El framework Speech en el dispositivo de Apple es más complicado. En dispositivos con Apple Silicon, la mayoría de las solicitudes de dictado se procesan localmente sin salir del dispositivo. Pero algunas combinaciones de idioma/región, ciertas entradas de campos de búsqueda y el ajuste «Mejorar Siri y Dictado» pueden enviar audio a los servidores de Apple. Apple no documenta exactamente qué solicitudes van a dónde, lo que lo convierte en una garantía poco fiable para requisitos estrictos de privacidad. Si tu caso de uso exige certeza, un modelo local de Whisper es una elección más limpia.

Google Gemini Nano en Pixel 9 y dispositivos más recientes gestiona el resumen y la transcripción en el dispositivo para la app Grabadora. Google ha invertido en mejoras de calidad, incluido el ajuste fino con LoRA y soporte para grabaciones de más de 30 minutos. Pero el alcance es limitado: impulsa las propias apps de Google, no una API de propósito general sobre la que puedas construir.

NVIDIA Riva es la opción empresarial on-premise, que funciona sobre infraestructura local de GPU. No es software de consumo. Su precio se consulta directamente con ventas; es apropiada para organizaciones que necesitan soberanía total de sus datos y cuentan con el hardware necesario.

Para uso práctico individual o de equipos pequeños, la historia del dispositivo en 2026 se reduce esencialmente a Whisper.cpp o MacWhisper en un Mac moderno.

Cómo es la transcripción en la nube en 2026

El lado de la nube también ha evolucionado. Los precios han bajado y la calidad de los modelos ha mejorado.

Deepgram Nova-3 es el referente de velocidad para trabajo por lotes y streaming con API. Precios actuales de pago por uso (verificados en julio de 2026): 0,0077 $/min para audio pregrabado y 0,0048 $/min para streaming. El modelo multilingüe tiene un precio ligeramente superior. Un nivel «Growth» con descuento por volumen requiere un compromiso anual.

La transcripción de OpenAI ahora viene en dos modelos: gpt-4o-transcribe a 0,006 $/min y gpt-4o-mini-transcribe a 0,003 $/min (ambos verificados en la página de precios de OpenAI, julio de 2026). El endpoint antiguo whisper-1 ya no aparece listado por separado.

AWS Transcribe, Google Cloud Speech-to-Text y Azure Cognitive Services siguen precios medidos por minuto con niveles por volumen. Consulta el desglose de precios de AWS Transcribe y los precios de Google Cloud STT para conocer las tarifas actuales.

Para una comparación más amplia de tarifas de API entre proveedores, la guía de precios de API de voz a texto cubre todo el panorama.

Privacidad: el argumento a favor del dispositivo es más fuerte que nunca

La privacidad es donde el dispositivo tiene la ventaja más clara y menos ambigua. Ninguna promesa contractual, política de retención ni compromiso de cifrado de un proveedor de nube equivale a «nunca recibimos tu audio».

Algunos escenarios concretos donde esa distinción importa:

Trabajo legal. Varios colegios de abogados y asesores de ética de despachos han señalado que enrutar conversaciones privilegiadas entre abogado y cliente a través de un servicio de nube de terceros puede constituir una divulgación a un tercero, lo que podría arriesgar una renuncia involuntaria al privilegio. La transcripción en el dispositivo elimina esa exposición por diseño. Esto no es asesoría legal; confirma con la autoridad de ética de tu jurisdicción antes de implementar cualquier herramienta de transcripción en asuntos privilegiados.

Dictado médico. El estándar de mínimo necesario de HIPAA empuja hacia la minimización de datos. Incluso con un Acuerdo de Asociado Comercial (BAA) vigente, la transcripción en el dispositivo elimina por completo la superficie de exposición a brechas. Un BAA con un proveedor de nube no equivale a no exponer jamás la PHI a ese proveedor en primer lugar.

Sesiones de estrategia corporativa. La sensibilidad competitiva no necesita un marco regulatorio para ser real. Si estás dictando planes de fusiones y adquisiciones o detalles de productos aún no lanzados, la ganancia marginal de precisión de la nube no justifica claramente esa exposición.

Grabaciones personales. A algunos usuarios simplemente no les apetece tener que pensarlo. La transcripción en el dispositivo zanja la cuestión.

Para profundizar en lo que los proveedores de transcripción con IA hacen realmente con tu audio, la entrada ¿es privada la transcripción con IA? cubre la retención de datos, las cláusulas de entrenamiento de modelos y qué buscar en la política de privacidad de un proveedor.

Para contenido no sensible, la nube está perfecta. Si solo necesitas transcribir una entrevista de pódcast o notas de una reunión y la confidencialidad no es una restricción, la transcripción en la nube con un proveedor que tenga plazos de retención cortos y, idealmente, una política de borrado documentada, es una opción razonable.

Si quieres transcripción en la nube sin montar una integración de API, la herramienta de audio a texto de ConvertAudioToText procesa tu archivo mediante un pipeline en la nube, borra el archivo original después del procesamiento y devuelve una transcripción estructurada y limpia. Es un término medio pragmático para usos puntuales.

Precisión: la nube lidera, pero la brecha se ha reducido

Con audio limpio en inglés de un solo hablante, la precisión en el dispositivo con Whisper Large-v3 está lo bastante cerca de la de la nube como para que la mayoría de la gente no perciba la diferencia en el resultado práctico. En benchmarks estándar, Whisper Large-v3-Turbo (la variante podada más rápida) se queda a unos 0,4 puntos porcentuales de WER del modelo completo Large-v3.

Las brechas que quedan son reales pero específicas:

Las grabaciones con varios hablantes siguen siendo el problema más difícil. La diarización en la nube de Deepgram o AssemblyAI es notablemente más fiable que la que producen hoy los modelos locales de Whisper, especialmente con habla solapada. Consulta la entrada diarización de hablantes explicada para saber qué esperar de cada enfoque.

El audio con ruido (llamadas de conferencia con ruido de fondo, grabaciones de teléfono) sigue favoreciendo a los modelos de nube ajustados a gran escala con audio degradado.

Los idiomas con pocos recursos muestran la mayor variabilidad. Whisper cubre 100 idiomas, pero la calidad cae considerablemente fuera de sus idiomas mejor soportados. Los proveedores de nube con inversión dedicada en entrenamiento para idiomas concretos pueden superar a Whisper en ellos.

Donde el dispositivo más ha cerrado la brecha: audio limpio de estudio o de reuniones en inglés con uno o dos hablantes. Si ese es tu caso de uso, el argumento de precisión a favor de la nube es realmente endeble.

Latencia: hardware frente a red

La latencia es la dimensión más dependiente del contexto.

En un MacBook M2 ejecutando whisper.cpp con aceleración de GPU Metal, Whisper Large-v3 procesa a aproximadamente 0,45x del tiempo real. Eso significa que una grabación de 60 minutos tarda unos 27 minutos. Large-v3-Turbo, que usa un decodificador podado con calidad de salida casi idéntica, corre unas 2,3 veces más rápido, así que ese archivo de 60 minutos termina en unos 12 minutos.

El procesamiento por lotes en la nube (Deepgram Nova-3) va aproximadamente 25 veces más rápido que el tiempo real para audio pregrabado. Tu archivo de 60 minutos vuelve en 2-3 minutos una vez subido. Esa ventaja de velocidad es real, y el tiempo de subida es la variable limitante para archivos largos en conexiones lentas.

Para streaming de audio en vivo, la comparación se invierte. El dispositivo puede funcionar en tiempo real sin ninguna dependencia de red. El streaming en la nube añade 1-3 segundos de latencia y requiere una conexión estable. Si estás creando una herramienta de subtítulos en vivo, una app para zonas con conectividad poco fiable o un caso de uso en tiempo real crítico para la privacidad, el dispositivo gana en latencia.

Coste: el punto de equilibrio depende de tu situación

El precio por minuto de la nube es bajo. Deepgram Nova-3 a 0,0077 $/min equivale a unos 0,46 $ por hora de audio. El gpt-4o-transcribe de OpenAI cuesta 0,36 $ por hora. Para una comparación detallada de todo el panorama de precios de API, la comparativa de precios de transcripción cubre las tarifas actuales lado a lado.

El dispositivo no tiene coste por minuto, pero sí costes fijos reales: el hardware para ejecutarlo (cualquier Mac moderno de serie M sirve para volúmenes bajos a medios), el tiempo de configurar y mantener un pipeline local, y el sobrecoste operativo de mantener los modelos actualizados.

Para individuos y equipos pequeños:

• Uso ocasional (algunas grabaciones al mes): la nube gana claramente. El coste fijo del dispositivo no vale la pena.
• Uso regular (cientos de minutos al mes): comparable. La economía depende más de tus requisitos de privacidad y latencia que del coste bruto.
• Alto volumen con infraestructura existente: el dispositivo puede rebajar significativamente el coste unitario frente a la nube, pero requiere inversión en ingeniería para sostenerlo.

Para usuarios no técnicos, un servicio gestionado en la nube con tarifa mensual fija evita por completo el cálculo al absorber el coste por minuto del lado del proveedor. La entrada precios de transcripción ilimitada vs medida cubre cuándo tiene sentido financiero.

Cuándo elegir cada una

Mi opinión: el planteamiento de «cuál es mejor» pierde el punto. Los dos enfoques sirven a restricciones distintas.

Elige el dispositivo cuando:

• El audio contiene material que no puedes dejar que un tercero procese. Trabajo legal, dictado médico, estrategia competitiva.
• Estás construyendo un producto donde «tu audio nunca sale de tu dispositivo» es una característica que puedes comercializar.
• Necesitas funcionamiento sin conexión y sin dependencia de internet.
• Tienes suficiente volumen e infraestructura existente como para que los costes por minuto de la nube sumen algo significativo.

Elige la nube cuando:

• Necesitas la mayor precisión posible en audio con ruido, con varios hablantes o en idiomas con pocos recursos.
• Necesitas diarización de hablantes fiable o resúmenes con IA.
• Quieres una experiencia gestionada sin hacerte cargo del despliegue del modelo ni de su sobrecoste operativo.
• Tu volumen es bajo o moderado y el coste de ingeniería de la configuración en el dispositivo no se justifica.

Considera un híbrido cuando: Algunos equipos están convergiendo en un patrón híbrido: en el dispositivo para una primera pasada sobre contenido sensible que capture la sustancia con total privacidad, y luego una pasada selectiva en la nube (tras eliminar nombres y detalles identificativos) para diarización y resumen. Más complejo de operar, pero es un camino realista para equipos con requisitos tanto de precisión como de privacidad.

Para la mayoría de periodistas, estudiantes, creadores de contenido y equipos de pequeñas empresas, la transcripción en la nube sigue siendo la opción práctica predeterminada en 2026. El dispositivo ya no es un compromiso, pero todavía requiere más configuración. El cambio significativo es que ahora la pregunta vale genuinamente la pena para cualquier caso de uso con sensibilidad de privacidad.

Preguntas frecuentes

¿Es la transcripción en el dispositivo tan precisa como la transcripción en la nube?

Para audio limpio en inglés, la diferencia es insignificante. Whisper Large-v3 y Large-v3-Turbo están a unos 0,4 puntos porcentuales de WER entre sí en los benchmarks estándar, y ambos son competitivos frente a las API de la nube en grabaciones de calidad de estudio. La nube sigue liderando en audio con ruido, diarización de varios hablantes e idiomas con pocos recursos donde los proveedores han invertido en datos de entrenamiento adicionales.

¿De verdad la transcripción en el dispositivo mantiene mi audio privado?

Depende de la herramienta. El procesamiento verdaderamente en el dispositivo, como whisper.cpp o MacWhisper ejecutando modelos locales de Whisper, nunca envía audio a un servidor remoto. El dictado de Apple es más matizado: procesa muchas solicitudes en el dispositivo en Apple Silicon, pero ciertas combinaciones de idioma/región y algunas entradas de campos de búsqueda todavía pueden llegar a los servidores de Apple. Verifica siempre la arquitectura específica de la herramienta si la privacidad es el factor decisivo.

¿Qué tan rápida es la transcripción en el dispositivo comparada con la nube?

En un MacBook M2 ejecutando whisper.cpp con GPU Metal, Large-v3 procesa audio a aproximadamente 0,45x del tiempo real, así que un archivo de 60 minutos tarda unos 27 minutos. El modelo más rápido Large-v3-Turbo corre unas 2,3 veces más veloz con una precisión casi idéntica. Deepgram Nova-3 en modo por lotes es aproximadamente 25 veces más rápido que el tiempo real una vez completada la subida. Para streaming de audio en vivo, la comparación es distinta: en el dispositivo puede funcionar en tiempo real sin dependencia de red, algo que la nube no puede igualar cuando la conectividad es deficiente.

¿A partir de qué volumen la transcripción en el dispositivo se vuelve más barata que la nube?

La transcripción en el dispositivo no tiene coste por minuto, pero sí costes fijos reales: hardware, ingeniería de integración y sobrecoste operativo. Con volúmenes bajos, la nube gana económicamente porque dominan los costes fijos del dispositivo. El punto de cruce depende de tu hardware y de tu situación de ingeniería, pero como regla general aproximada, la nube es claramente más barata por debajo de unos pocos miles de minutos al mes para un usuario individual o un equipo pequeño sin infraestructura existente.

¿Deberían los abogados usar transcripción en la nube para conversaciones con clientes?

Esa es una pregunta para el colegio de abogados de tu jurisdicción, no para este blog. La preocupación general planteada por los comentarios legales es que enrutar comunicaciones privilegiadas a través de un servicio de nube de terceros podría constituir una divulgación a un tercero, lo que podría arriesgar una renuncia involuntaria al privilegio abogado-cliente. La transcripción en el dispositivo elimina esa exposición a terceros por diseño. Consulta al asesor de ética de tu despacho antes de usar cualquier herramienta de transcripción en asuntos privilegiados.

Fuentes

• Precios de Deepgram, tarifas de Nova-3 verificadas en julio de 2026
• Precios de la API de OpenAI, tarifas de gpt-4o-transcribe