Esta página ya empieza preparada para español: con el modelo "Base", que es multilingüe, y con el idioma hablado ("Spoken language") en "Spanish (Español)". Whisper no detecta el idioma por sí solo aquí, así que si tu audio está en otro idioma, elígelo en esa lista. "Tiny, English only" solo entiende inglés. "Tiny, multilingual" es más rápido pero menos preciso que Base, y "Large v3 turbo" es el más preciso, a cambio de una descarga de más de 1 GB (no se ofrece en teléfonos).

No. Whisper se ejecuta dentro de la pestaña de tu navegador. Los pesos del modelo se descargan a tu dispositivo la primera vez, lo cual es una descarga y no una subida: tu grabación nunca sale del dispositivo.

Como la transcripción se hace en local, el modelo tiene que estar en tu equipo. Después queda en caché, así que la segunda transcripción empieza enseguida. Tiny ocupa unas decenas de megabytes; Large v3 turbo pasa de 1 GB, por eso no se ofrece en teléfonos.

Sí. Whisper devuelve marcas de tiempo, así que puedes descargar el resultado como archivo de subtítulos SRT o WebVTT, además de texto sin formato o apuntes en Markdown (.md) con un encabezado con la hora cada pocos minutos.

Sí, si se lo pides. Marca "Label speakers" (etiquetar a quién habla) antes de transcribir, o pulsa "Label speakers" debajo de una transcripción terminada, y una segunda pasada averigua quién habla en cada momento. Cada intervención empieza entonces con "Speaker 1:", "Speaker 2:", etc. en el texto, en los apuntes en Markdown y en los subtítulos (en WebVTT como etiqueta de voz, <v Speaker 1>). Puedes cambiar el nombre de cada persona, por ejemplo "Speaker 1" por "Dra. López", y todas las descargas usan ese nombre. Se ejecuta en tu navegador, igual que la transcripción, con dos modelos abiertos pequeños (pyannote segmentation 3.0 y un modelo de voz de WeSpeaker, unos 12 MB que se descargan una vez). Las etiquetas pueden fallar: cuando dos personas hablan a la vez solo se etiqueta a una, y dos voces parecidas pueden acabar como una sola. Si "Auto" encuentra un número de personas equivocado, elige el número en "Number of speakers" y las etiquetas se reagrupan al momento. Revísalas con la grabación antes de fiarte de ellas.

No hay un límite fijo. En los navegadores actuales la grabación se lee por partes y se le pasa a Whisper uno o dos minutos cada vez, así que una nota de voz de dos horas necesita más o menos la misma memoria que una de cinco minutos. En un teléfono, las grabaciones de más de 30 minutos se ofrecen en partes de 30 minutos: puedes descargar la transcripción de cada parte cuando termina, y la siguiente continúa donde se quedó. Antes de empezar se estima cuánto tardará, y una vez en marcha se mide en tu dispositivo.

El navegador lee directamente MP3, WAV, M4A, AAC, OGG, Opus y FLAC, igual que el sonido de un video MP4, MOV o WebM. Para formatos más antiguos o poco comunes que el navegador no puede leer, como WMA, AMR, AIFF (en Chrome), AVI, WMV, FLV, 3GP o audio AC-3 y ALAC, la página ofrece un conversor extra: FFmpeg compilado para navegadores, de unos 10 MB, que se descarga una sola vez cuando lo pides. También funciona en tu navegador, así que la grabación sigue sin subirse. Necesita tener toda la grabación en memoria, así que admite hasta 4 horas en una computadora y 90 minutos en un teléfono.

Sí, el ruido le resta precisión. Pasarla antes por el quitador de ruido de fondo y luego transcribir el resultado suele funcionar mejor que transcribir el archivo original.