Cómo transcribo reels y vídeos en local con yt-dlp y faster-whisper
Me mandan reels y vídeos que no tengo tiempo de ver. Los descargo con yt-dlp, saco el audio con ffmpeg y los transcribo con Whisper en mi PC, sin subir nada.
Me pasan reels de Instagram, TikToks y vídeos de YouTube con “mira esto, que te interesa”. La mitad duran tres minutos para contar algo que se lee en veinte segundos. Así que me monté una receta para pasarlos a texto en mi propio PC: descargo el vídeo con yt-dlp, saco el audio con ffmpeg y lo transcribo con faster-whisper. Nada sale a ningún servicio de la nube y, una vez descargado el modelo, funciona sin internet.
Además tiene un efecto secundario muy útil: con el texto y unos fotogramas, le paso el reel a Claude Code y lo “ve” sin que yo tenga que abrirlo. Te cuento cómo lo tengo, con los tiempos reales en mi PC y los fallos que me encontré.
1. Las tres piezas
| Herramienta | Qué hace | Cómo la instalé |
|---|---|---|
| yt-dlp | Descarga vídeos de YouTube, Instagram, TikTok y cientos de webs más | pip install yt-dlp |
| ffmpeg | Saca el audio y los fotogramas | winget install Gyan.FFmpeg |
| faster-whisper | Whisper (el modelo de voz a texto de OpenAI) reescrito para ir más rápido y gastar menos memoria | pip install faster-whisper |
En mi caso: Windows 11, Python 3.12, yt-dlp 2026.08.19, ffmpeg 9.0 y faster-whisper 1.2.1. En Linux es lo mismo cambiando winget por el gestor de paquetes de tu distribución.
pip install -U yt-dlp faster-whisper
python -m yt_dlp --version
ffmpeg -version
Uso
python -m yt_dlpen vez deyt-dlpa secas porque en Windows la carpeta de scripts de pip no siempre está en el PATH. Así funciona siempre.
2. Descargar el vídeo (y su descripción)
python -m yt_dlp --write-info-json -o "video.%(ext)s" "https://www.instagram.com/reel/XXXXXXXX/"
Con un reel público de Instagram me funcionó a la primera y sin cookies. El --write-info-json guarda al lado un video.info.json con el título, el autor y, lo más importante, la descripción, que en los reels muchas veces tiene la mitad de la información (los enlaces, la lista de herramientas…). Para leerla:
python -c "import json; print(json.load(open('video.info.json', encoding='utf-8'))['description'])"
yt-dlp cambia a menudo porque las webs cambian a menudo. Si un día falla una descarga que antes iba, lo primero es
pip install -U yt-dlp.
Un aviso: descarga solo lo que puedas ver y para tu uso. Que la herramienta pueda bajar algo no quiere decir que puedas volver a publicarlo.
3. Sacar el audio con ffmpeg
Whisper trabaja con audio en mono a 16 kHz. Si se lo das ya así, se ahorra la conversión y no hay sorpresas:
ffmpeg -i video.mp4 -ar 16000 -ac 1 audio.wav
4. Transcribir con faster-whisper
Lo mínimo:
from faster_whisper import WhisperModel
m = WhisperModel("small", device="cpu", compute_type="int8")
segmentos, info = m.transcribe("audio.wav", language="es", vad_filter=True)
with open("transcripcion.txt", "w", encoding="utf-8") as f:
for s in segmentos:
f.write(f"[{s.start:6.1f} -> {s.end:6.1f}] {s.text.strip()}\n")
Tres decisiones que importan:
compute_type="int8": el modelo trabaja con números de menos precisión. En la CPU va bastante más rápido y casi no se nota en la calidad.language="es": si no se lo dices, lo adivina con los primeros segundos. Con un reel que empieza con música o con una palabra en inglés, a veces se equivoca y te lo transcribe traducido.vad_filter=True: se salta los tramos sin voz. Va más rápido y evita las frases fantasma que Whisper a veces escribe en silencios o con música de fondo (“Gracias por ver el vídeo” cuando no lo ha dicho nadie).
La primera vez que lo ejecutas se descarga el modelo de Hugging Face (small son unos 500 MB) y se queda en la caché. Las siguientes, carga en unos 3 segundos.
5. Lo que tarda de verdad
Lo medí en mi PC (Ryzen 9 3900X, 32 GB de RAM, solo CPU) con un audio de prueba de 82 segundos en español:
| Modelo | Tiempo | Resultado |
|---|---|---|
base |
10 s | Bien en general, pero “RaspberiPi” y alguna frase rara |
small |
27 s | Mejor puntuación y nombres; el que uso por defecto |
Con small va unas tres veces más rápido que el propio audio. Para un reel de un minuto no merece la pena complicarse más. Para una charla de una hora ya es otro cantar, y ahí sí querría la GPU (ver más abajo).
6. El problema de los nombres técnicos
El audio de la prueba hablaba de la Raspberry Pi, del router, de Docker Compose y del NAS. Whisper me escribió “Rautar” y “DAACarCampoUs”. Es lo típico: palabras en inglés dentro de una frase en español.
El primer arreglo es pasarle el vocabulario en initial_prompt:
segmentos, info = m.transcribe(
"audio.wav", language="es", vad_filter=True,
initial_prompt="Raspberry Pi, router, Docker Compose, NAS, script."
)
Con eso, “router” y “NAS” salieron bien. “Docker Compose” siguió mal. Para ser justo, el audio de la prueba lo leía una voz sintética de Windows, que pronuncia el inglés fatal. Con gente de verdad hablando lo hace bastante mejor, pero si en el vídeo hay muchos nombres técnicos repasa el texto antes de fiarte de él.
7. Todo junto en un script
Este es el que uso. Le pasas una URL o un fichero y te deja la transcripción con marcas de tiempo:
import subprocess, sys
from pathlib import Path
from faster_whisper import WhisperModel
origen = sys.argv[1] # URL del vídeo o ruta a un fichero
modelo = sys.argv[2] if len(sys.argv) > 2 else "small"
carpeta = Path("transcripciones"); carpeta.mkdir(exist_ok=True)
# 1. Si es una URL, la descargo con yt-dlp (y guardo la descripción en un .info.json)
if origen.startswith("http"):
subprocess.run([sys.executable, "-m", "yt_dlp", "--write-info-json",
"-o", str(carpeta / "video.%(ext)s"), origen], check=True)
video = next(p for p in carpeta.glob("video.*") if not p.name.endswith(".json"))
else:
video = Path(origen)
# 2. Saco el audio en mono a 16 kHz, que es lo que usa Whisper
audio = carpeta / "audio.wav"
subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", str(video),
"-ar", "16000", "-ac", "1", str(audio)], check=True)
# 3. Transcribo en la CPU
m = WhisperModel(modelo, device="cpu", compute_type="int8")
segmentos, info = m.transcribe(str(audio), language="es", vad_filter=True,
initial_prompt="Raspberry Pi, Docker, NAS, Proxmox.")
# 4. Guardo el texto con marcas de tiempo, siempre en UTF-8
salida = carpeta / f"{video.stem}.txt"
with open(salida, "w", encoding="utf-8") as f:
for s in segmentos:
f.write(f"[{s.start:6.1f} -> {s.end:6.1f}] {s.text.strip()}\n")
print(f"Listo: {salida} ({info.duration:.0f} s de audio)")
python transcribir.py "https://www.youtube.com/watch?v=XXXXXXXX"
python transcribir.py charla.mp4 base
¿Por qué guardo en un fichero y no lo imprimo por pantalla? Porque la primera vez lo saqué por la consola y lo filtré con grep, y me contestó “Binary file matches” en vez del texto: entre las tildes y la codificación de la consola de Windows, grep creía que era un binario. Con un .txt en UTF-8 no vuelve a pasar.
8. Extra: ver el vídeo sin verlo
Muchos reels no se entienden solo con el audio: “mirad esto” mientras enseñan una pantalla. Para eso saco un fotograma cada 3 segundos y los junto en mosaicos de 4x2:
ffmpeg -i video.mp4 -vf "fps=1/3,scale=480:-1,tile=4x2" mosaico%02d.jpg
Un vídeo de 30 segundos se queda en dos imágenes. Con la transcripción, la descripción del info.json y los mosaicos, cualquier modelo que lea imágenes entiende el vídeo entero. Yo lo uso así con Claude Code: le pego el enlace y él lanza la receta, se lee el texto, mira los mosaicos y me resume si merece la pena. Es lo mismo que hago con la IA en la Raspberry Pi: que trabaje con datos que he sacado yo en local.
9. ¿Y la GPU?
Tengo una RTX 2070 Super, así que probé device="cuda", compute_type="float16". Resultado:
RuntimeError: Library cublas64_12.dll is not found or cannot be loaded
El driver de NVIDIA no basta: faster-whisper necesita las librerías de CUDA 12 (cuBLAS y cuDNN 9) instaladas aparte. Se pueden poner con pip (nvidia-cublas-cu12, nvidia-cudnn-cu12) o con el instalador de CUDA de NVIDIA. Yo no las he puesto: para reels de uno o dos minutos, 27 segundos en la CPU me sobran. Si algún día transcribo charlas largas, será lo primero que haga.
Lo que no hay que hacer
- No fijar el idioma. Si el vídeo empieza con música o con una frase en inglés, puede detectar mal el idioma y devolverte otra cosa.
- Fiarse de los nombres técnicos. Revisa marcas, comandos y siglas antes de copiar nada de la transcripción.
- Usar
large“por si acaso” en la CPU. Es mucho más lento y, para audio limpio en español,smallya va bien. Sube de modelo solo si ves que falla. - Volver a publicar lo que descargas. Es para tu uso: leerlo, buscar en él, resumirlo.
Resumen
yt-dlppara descargar (con--write-info-jsonpara tener la descripción).ffmpegpara dejar el audio en mono a 16 kHz.faster-whisperconsmall,int8, el idioma fijado yvad_filter=True.initial_promptcon el vocabulario técnico, y repasar el resultado.- Mosaicos de fotogramas si el vídeo enseña cosas en pantalla.
Lo que más me gusta es que funciona sin internet y sin cuentas. Una vez descargado el modelo, el audio no sale de mi PC.
¿Te has quedado con la idea?
Tres preguntas rápidas. Cada acierto suma 10 XP.