Skip to main content
PromptQuorumBuilt for humans. Structured for AI.
Inicio/LLM locales avanzados
Voice, Speech & Multimodal

Reseña de TranscriptionSuite: voz a texto local y gratuito con etiquetas de hablante

·9 min de lecturaPor Hans Kuepper · Fundador de PromptQuorum · Motor de descubrimiento de IA de pesos abiertos y código abierto

TranscriptionSuite es una app gratuita de voz a texto con licencia GPL-3.0 que ejecuta modelos de voz en tu propio equipo y añade transcripción en vivo, etiquetas de hablante, un cuaderno de audio con calendario y una API compatible con OpenAI. Según su README, el audio y las transcripciones nunca salen de tu máquina. Esta reseña cubre la versión 1.3.10 y se basa en el sitio web público, el README y las versiones de GitHub, no en una prueba práctica.

Conclusiones clave

  • Versión revisada: 1.3.10, publicada el 24 de septiembre de 2026; el repositorio se actualizó por última vez el 4 de octubre de 2026, así que no se aplica la advertencia de proyecto parado.
  • Licencia y precio: GPL-3.0 o posterior según el README; gratis, sin cuenta.
  • Plataformas: Windows 11 y Linux (x64) y macOS; el servidor se ejecuta en Docker salvo en los Mac con Apple silicon.
  • Funciones destacadas: modo en vivo, etiquetas de hablante, cuaderno de audio, API compatible con OpenAI, webhooks.
  • Madurez: unas 775 estrellas en GitHub y un único mantenedor que califica el proyecto de «vibe-codeado».

📍 En una frase

TranscriptionSuite es una app de escritorio de código abierto que transcribe audio con modelos de voz que se ejecutan en tu propio equipo y etiqueta quién ha dicho qué.

💬 En términos simples

Piensa en un estudio de transcripción privado: grabas una clase, dictas en cualquier app o importas un archivo de audio y obtienes una transcripción con etiquetas de hablante sin enviar la grabación a un servicio en la nube.

Leer en:
🇺🇸en🇩🇪de🇫🇷fr🇯🇵ja🇨🇳zh🇪🇸es🇧🇷pt🇸🇦ar🇰🇷ko

TranscriptionSuite es una app de escritorio gratuita y de código abierto que convierte la voz en texto en tu propio equipo, con transcripción en vivo, etiquetas de hablante, un cuaderno de audio con búsqueda y modelos de voz a elegir. Esta reseña recoge lo que documentan su sitio web, su README y sus versiones de GitHub, lo que omiten y cómo se compara con otras herramientas de transcripción del directorio.

Reseña de TranscriptionSuite: voz a texto local y gratuito con etiquetas de hablante

Conseguir TranscriptionSuite

TranscriptionSuite tiene dos partes: un panel que instalas y un servidor que la app descarga y gestiona por ti. Los archivos están adjuntos a la última versión de GitHub; las filas siguientes van de lo más fácil a lo más complejo.

Plataforma
Descarga
macOS, Apple silicon (servidor incluido)TranscriptionSuite-1.3.10-arm64-mac-metal.dmg (unos 3-5 GB, sin Docker)
macOS, Apple silicon (solo el panel)TranscriptionSuite-1.3.10-arm64-mac.dmg (unos 200 MB; el servidor se ejecuta en otro sitio)
Windows (x64)TranscriptionSuite.Setup.1.3.10.exe más Docker Desktop con WSL 2
Linux (x64)TranscriptionSuite-1.3.10.AppImage más Docker o Podman
Sitio webtranscriptionsuite.app
Política de privacidadNo se encontró una página de política de privacidad independiente; el README describe el procesamiento local
Código fuentegithub.com/homelab-00/TranscriptionSuite

Solo la versión de Mac con el servidor integrado se instala descargando y abriendo. En Windows y Linux hay que configurar antes Docker o Podman a nivel de terminal. La app de macOS no está firmada, así que macOS la bloquea hasta que quites el indicador de cuarentena o elijas «Abrir de todos modos»; además hay que instalar FFmpeg. El README menciona una versión para Mac con Intel, pero la versión 1.3.10 solo muestra imágenes de disco para Apple silicon.

TranscriptionSuite de un vistazo

Atributo
TranscriptionSuite
PlataformaWindows, macOS, Linux
PrecioGratis
LicenciaGPL-3.0 o posterior
EjecuciónEn local; los modelos se descargan la primera vez
IdiomasMás de 90 con Whisper; menos con otros modelos
Transcripción en tiempo realSí (modo en vivo, solo modelos Whisper)
Etiquetas de hablanteSí, en grabaciones e importaciones; no en el modo en vivo
Utilizable solo con CPUSí; los modelos NeMo no están disponibles
Servidor de API localSí, punto de transcripción compatible con OpenAI

Los atributos siguen la comparación de voz a texto del directorio de software de LLM locales. Que falte una indicación en el sitio significa «desconocido», no «no compatible».

Qué es TranscriptionSuite

TranscriptionSuite es una app de transcripción, no un bot de reuniones ni un servicio en la nube. El README describe un panel Electron con un backend en Python que admite modelos Whisper, NVIDIA NeMo, VibeVoice-ASR, SenseVoice, whisper.cpp y MLX, acelerados con CUDA, Apple Metal o Vulkan, o simplemente con la CPU.

El autor lo describe como una herramienta personal que se convirtió en un proyecto de afición, creada por un ingeniero mecánico que no es ingeniero de software; en palabras del README, «this whole thing is vibecoded», aunque no a ciegas. El autor dice que la usa él mismo y que no piensa abandonarla.

Esta reseña se basa en el sitio web, el README y las versiones de GitHub. No incluyó ninguna prueba práctica, así que aquí no se valoran la precisión, la velocidad ni la estabilidad.

Primeros pasos

La puesta en marcha consiste en instalar el panel y luego iniciar el servidor desde la propia app. Los pasos siguen el README.

  1. 1
    Prepara tu plataforma
    Why it matters: En Windows y Linux instala Docker (Docker Desktop con WSL 2, o Docker o Podman en Linux); en Apple silicon instala FFmpeg con Homebrew.
  2. 2
    Instala el panel
    Why it matters: Descarga el archivo para tu sistema desde la [página de versiones](https://github.com/homelab-00/TranscriptionSuite/releases/latest); en Mac, quita una vez el indicador de cuarentena porque la app no está firmada.
  3. 3
    Inicia el servidor desde la pestaña Server
    Why it matters: Elige un entorno (CUDA, Metal, Vulkan o CPU) e inícialo; el primer arranque descarga el modelo elegido, que puede ocupar varios gigabytes.
  4. 4
    Graba, dicta o importa un archivo
    Why it matters: Usa la pestaña Session para grabar o importar audio y activa Speaker Diarization cuando necesites etiquetas de hablante.

Funciones

La lista de funciones es amplia para un proyecto de una sola persona. Todo lo siguiente procede del README y del sitio web.

  • Grabación larga. Graba desde un micrófono o el audio del sistema y obtén la transcripción completa al parar, con una vista previa continua de los últimos 20 segundos.
  • Modo en vivo. Transcripción en tiempo real, frase a frase, para dictar; limitada a modelos de la familia Whisper y sin etiquetas de hablante.
  • Diarización de hablantes. Etiquetas de «quién dijo qué» para modelos Whisper, NeMo, SenseVoice y VibeVoice.
  • Importación de archivos. Suelta audio o vídeo y guarda texto plano o subtítulos .srt / .ass.
  • Cuaderno de audio. Las grabaciones van a una vista de calendario con búsqueda de texto completo y un asistente de IA que habla con cualquier proveedor compatible con OpenAI.
  • Atajos de dictado. Atajos globales de inicio y parada y pegado en la posición del cursor.
  • Integraciones. Un punto /v1/audio/transcriptions compatible con OpenAI para herramientas como Open WebUI y LM Studio, webhooks salientes y acceso remoto mediante Tailscale o una red local.

Modelos y hardware

Tú eliges el modelo de voz; la app detecta tu hardware y atenúa las opciones incompatibles. En las plataformas con Docker las opciones son WhisperX (modelos faster-whisper), NVIDIA Parakeet v3 y Canary v2, VibeVoice-ASR, SenseVoice y whisper.cpp; en Apple silicon son las versiones MLX de Whisper, Parakeet, Canary y VibeVoice-ASR.

La cobertura de idiomas depende del modelo: Whisper maneja más de 90 idiomas y puede traducir al inglés, Parakeet y Canary cubren 25 idiomas europeos, VibeVoice 51 y SenseVoice cinco. Los modelos NeMo no funcionan en el entorno de CPU, y VibeVoice-ASR es un modelo de 9 000 millones de parámetros de unos 16 GB.

El desarrollador afirma que media hora de audio se transcribe en menos de un minuto con Whisper en una RTX 3060; esta reseña no reprodujo esa cifra. El README no publica ningún requisito mínimo de RAM ni de VRAM.

Privacidad, licencia y coste

El README dice que todo se ejecuta en tu equipo y que el audio y las transcripciones nunca salen de él. Solo hace falta internet para descargar la app y los pesos de los modelos la primera vez; después funciona sin conexión. Las etiquetas de hablante con Whisper o NeMo usan modelos PyAnnote, que exigen un token gratuito de Hugging Face.

El asistente de IA del cuaderno puede hablar con cualquier proveedor compatible con OpenAI, incluidos servicios en la nube como Groq, OpenAI y OpenRouter; lo que envíes allí queda fuera de la afirmación de «solo local». El README añade que la app busca versiones nuevas cada semana.

El código es GPL-3.0 o posterior y la app es gratuita. No se encontró una página de política de privacidad específica. Esta reseña no inspeccionó el tráfico de red, así que estas afirmaciones son del propio desarrollador.

Ventajas y limitaciones

Transcripción local

Qué significa en el uso real:
El audio se queda en tu máquina.
Limitación / salvedad:
Las descargas de modelos la primera vez son grandes; no se publican cifras de precisión.

Etiquetas de hablante

Qué significa en el uso real:
Saber quién habla en las reuniones.
Limitación / salvedad:
No disponibles en el modo en vivo; Sortformer solo maneja cuatro hablantes.

Muchas familias de modelos

Qué significa en el uso real:
Elegir entre velocidad, idioma o precisión.
Limitación / salvedad:
Cuál encaja con tu hardware lo decides tú.

API compatible con OpenAI

Qué significa en el uso real:
Otras herramientas pueden usarla como backend.
Limitación / salvedad:
El campo «model» se acepta pero se ignora.

Código abierto y gratis

Qué significa en el uso real:
Código GPL que puedes inspeccionar.
Limitación / salvedad:
Un solo mantenedor, que se define como «vibe-codeador»; hace falta Docker en Windows y Linux.

TranscriptionSuite frente a las alternativas

Estas son las herramientas de voz a texto más cercanas del directorio: otro transcriptor de reuniones, una app de dictado para Mac y dos motores sobre los que construir.

TranscriptionSuite

Plataformas:
Windows, macOS, Linux
Precio y licencia:
Gratis, GPL-3.0
Función:
App de transcripción con servidor
Diferencia clave:
Modo en vivo, etiquetas de hablante, cuaderno y API en uno

Meetily

Plataformas:
macOS, Windows
Precio y licencia:
Gratis (MIT) y Pro de pago
Función:
Transcriptor de reuniones
Diferencia clave:
Pensado para reuniones; solo macOS y Windows
Artículos sobre Meetily (1)

También mencionado en:

MacWhisper

Plataformas:
macOS
Precio y licencia:
Freemium, propietario
Función:
App de transcripción para Mac
Diferencia clave:
Solo para Mac y de código cerrado
Artículos sobre MacWhisper (2)

También mencionado en:

faster-whisper

Plataformas:
Windows, macOS, Linux
Precio y licencia:
Gratis, MIT
Función:
Biblioteca de voz en Python
Diferencia clave:
Un motor para desarrolladores, sin interfaz
Artículos sobre faster-whisper (5)

También mencionado en:

+6 más no mostrados

Izwi

Plataformas:
Windows, macOS, Linux
Precio y licencia:
Gratis, MIT
Función:
Entorno de voz local
Diferencia clave:
Añade salida de voz y clonación de voz tras una sola API
Artículos sobre Izwi (2)

Las plataformas, los precios y las funciones de las apps de terceros cambian con frecuencia. Comprueba los datos actuales en la página de cada proyecto antes de decidir.

Comparar en el directorio

Para quién es TranscriptionSuite

  • Quienes transcriben entrevistas, clases o reuniones. Las etiquetas de hablante y la exportación de subtítulos apuntan justo a eso.
  • Usuarios de Mac con Apple silicon. La versión integrada es el camino más sencillo y no necesita Docker.
  • Quienes dictan en otras apps. El modo en vivo y el pegado en el cursor lo cubren.
  • Aficionados con un servidor en casa. El acceso remoto y la API permiten que otros dispositivos usen una sola máquina.

Para quién no es TranscriptionSuite

  • Quienes quieren un instalador sin preparación en Windows o Linux. Primero va Docker.
  • Quienes tengan un Mac con Intel. La última versión no incluye ninguna compilación para Intel.
  • Equipos que necesitan soporte del fabricante. Es un proyecto de afición de un solo mantenedor.
  • Quienes necesiten cumplimiento documentado. No se encontró una política de privacidad.

Preguntas frecuentes

¿TranscriptionSuite necesita una GPU?

No. Existe un entorno solo con CPU, pero en él no están disponibles los modelos NeMo y los modelos grandes van lentos; NVIDIA CUDA, Apple Metal y Vulkan de AMD o Intel son aceleradores opcionales.

¿Por qué necesita Docker?

El servidor de transcripción se entrega como contenedor en Windows, Linux y Mac con Intel, y el panel lo descarga y gestiona; los Mac con Apple silicon lo ejecutan de forma nativa.

¿Pueden otras apps usarlo como backend de transcripción?

Sí. Expone un punto de transcripción compatible con OpenAI al que pueden apuntar herramientas como Open WebUI y LM Studio.

¿Necesito una cuenta para las etiquetas de hablante?

Solo por la vía de Whisper y NeMo: PyAnnote exige un token gratuito de Hugging Face. SenseVoice, VibeVoice y Sortformer en Apple silicon no lo necesitan.

¿Puedo ejecutarlo en una máquina y usarlo desde otra?

Sí. El README describe el acceso remoto mediante Tailscale o una red local.

Veredicto

TranscriptionSuite encaja bien con quienes quieren transcripción local y privada con etiquetas de hablante y se manejan con Docker, o con quienes tienen un Mac con Apple silicon, donde la versión integrada elimina ese paso.

Las salvedades son la madurez y la transparencia: un único mantenedor que se define como «vibe-codeador», ninguna política de privacidad, ningún benchmark de precisión salvo la afirmación de velocidad del propio autor y una app de macOS sin firmar. Pruébala primero con grabaciones no sensibles.

Fuentes

← Volver a LLM locales avanzados

MCP