Datos y ML
Whisper en catalán, balear y valenciano
«Whisper en catalán, balear y valenciano» es un curso gratuito en español de nivel intermedio con 17 lecciones.
Transcribe audio en catalán en tu propio ordenador, sin enviarlo a la nube, con los modelos Whisper del Barcelona Supercomputing Center para el catalán general, el balear y el valenciano. Curso práctico en Linux con GPU NVIDIA o solo con el procesador: qué modelo elegir para cada variedad, cómo instalar faster-whisper en un entorno limpio, descargar los modelos y trabajar sin conexión, convertir tus grabaciones con FFmpeg, elegir entre float16, int8_float16 e int8 con su memoria y su velocidad medidas, sacar subtítulos SRT y WebVTT, tratar la falta de puntuación y los nombres propios, procesar carpetas enteras y medir la tasa de error con audios de prueba generados con Matxa-TTS y con habla real de dos parlamentos. Con las licencias de cada pieza explicadas.
- Categoría
- Datos y ML
- Nivel
- Intermedio
- Duración
- 5–6 horas
- Lecciones
- 17
- Precio
- Gratis
- Idioma
- Español
- Formato
- En línea, a tu ritmo
Qué aprenderás
- Distinguir los cuatro modelos Whisper del BSC y elegir el adecuado para el catalán general, el balear o el valenciano
- Instalar faster-whisper con soporte de GPU en un entorno limpio y trabajar sin conexión
- Transcribir grabaciones propias en cualquier formato, convirtiéndolas con FFmpeg cuando haga falta
- Elegir el tipo de cómputo según la memoria de tu GPU o tu procesador, con tiempos medidos
- Generar subtítulos SRT y WebVTT con marcas de tiempo por palabra
- Medir la tasa de error de palabras con audios sintéticos de Matxa-TTS y con habla real
- Procesar carpetas enteras y saber qué permite la licencia de cada pieza
Para quién es
Curso de nivel intermedio, con una duración estimada de 5–6 horas.
Para quien necesita pasar a texto entrevistas, plenos, clases o reuniones en catalán, mallorquín o valenciano sin subir las grabaciones a un servicio externo: periodistas, administraciones, docentes, investigadores y equipos técnicos. Hace falta manejarse con la terminal de Linux y un ordenador con 16 GB de RAM y 15 GB de disco libres; una GPU NVIDIA con 4 GB de memoria o más lo hace unas diez veces más rápido.
Antes de empezar, revisa los requisitos de hardware y software de esta página.
Requisitos
Hardware: configuración mínima, recomendable y óptima
| Componente | Mínima: funciona, pero en el procesador | Recomendable: uso diario cómodo | Óptima: archivos grandes y lotes |
|---|---|---|---|
| Tarjeta gráfica | No hace falta | NVIDIA con 4 GB de VRAM y controlador 525 o posterior; int8_float16 usó 2,4 GB* | NVIDIA con 8 GB de VRAM o más, para float16 y transcripción por lotes |
| Memoria RAM | 8 GB; el proceso usó 4,2 GB con int8 * | 8 GB; el proceso usó 3,1 GB* | 16 GB, para trabajar con otros programas abiertos |
| Disco libre | 5 GB: un modelo (3,1 GB) y el entorno sin las bibliotecas de NVIDIA | 7 GB: un modelo y el entorno completo (2,6 GB) | 15 GB: los cuatro modelos, el entorno y los audios de prueba |
| Una hora de audio | Unos 25 minutos (int8)* | Unos 3 minutos y medio* | Unos 3 minutos por lotes (19,8x a 21,1x, paso 15)* |
* Cifras medidas en el portátil del curso (Intel Core i9-13900H, RTX 4060 Laptop de 8 GB, 32 GB de RAM) con el modelo general. Los mínimos de memoria salen de lo que usó el proceso, con margen para el sistema.
Fuentes: requisitos de faster-whisper en su repositorio oficial; compatibilidad de controladores en la documentación de CUDA de NVIDIA.
Detalle completo en el paso 4: «¿Qué ordenador necesitas? Tarjeta gráfica, memoria y procesador, medidos».
Software y servicios
Modelos y descarga oficial
Temario del curso
- 1Transcribir catalán, balear y valenciano en tu ordenador
- 2Whisper y los cuatro modelos del BSC para el catalán
- 3Matxa-TTS: una voz catalana para fabricar audios de prueba
- 4¿Qué ordenador necesitas? Tarjeta gráfica, memoria y procesador, medidos
- 5Prepara un entorno limpio de Python con faster-whisper
- 6Descarga los modelos y trabaja sin conexión
- 7Tu primera transcripción, con la GPU y con el procesador
- 8Tu propio audio: formatos y conversión con FFmpeg
- 9Fabrica audios de prueba con Matxa en tres acentos
- 10Mide los errores: la WER del bucle texto, voz y texto
- 11Elige el modelo según la variedad: mídelo con habla real
- 12float16, int8_float16 o int8: memoria y velocidad medidas
- 13Marcas de tiempo y subtítulos SRT y WebVTT
- 14Puntuación, mayúsculas y nombres propios: tres remedios medidos
- 15Procesa una carpeta entera por lotes
- 16Licencias: Apache-2.0, GPL-3.0 y uso no comercial
- 17Errores reales y cómo salir de ellos
Preguntas frecuentes
¿Qué aprenderé en el curso «Whisper en catalán, balear y valenciano»?
Al terminar podrás: distinguir los cuatro modelos Whisper del BSC y elegir el adecuado para el catalán general, el balear o el valenciano; instalar faster-whisper con soporte de GPU en un entorno limpio y trabajar sin conexión; transcribir grabaciones propias en cualquier formato, convirtiéndolas con FFmpeg cuando haga falta; elegir el tipo de cómputo según la memoria de tu GPU o tu procesador, con tiempos medidos; generar subtítulos SRT y WebVTT con marcas de tiempo por palabra; medir la tasa de error de palabras con audios sintéticos de Matxa-TTS y con habla real; procesar carpetas enteras y saber qué permite la licencia de cada pieza.
¿Para quién es, qué nivel tiene y cuánto dura?
Es un curso de nivel intermedio. Para quien necesita pasar a texto entrevistas, plenos, clases o reuniones en catalán, mallorquín o valenciano sin subir las grabaciones a un servicio externo: periodistas, administraciones, docentes, investigadores y equipos técnicos. Hace falta manejarse con la terminal de Linux y un ordenador con 16 GB de RAM y 15 GB de disco libres; una GPU NVIDIA con 4 GB de memoria o más lo hace unas diez veces más rápido. Duración estimada: 5–6 horas, en 17 lecciones.
¿Qué ordenador necesito? ¿Cuál es la configuración mínima, recomendable y óptima?
El paso 4, «¿Qué ordenador necesitas? Tarjeta gráfica, memoria y procesador, medidos», compara tres configuraciones. Mínima: funciona, pero en el procesador — Tarjeta gráfica: No hace falta; Memoria RAM: 8 GB; el proceso usó 4,2 GB con int8 *; Disco libre: 5 GB: un modelo (3,1 GB) y el entorno sin las bibliotecas de NVIDIA; Una hora de audio: Unos 25 minutos (int8)*. Recomendable: uso diario cómodo — Tarjeta gráfica: NVIDIA con 4 GB de VRAM y controlador 525 o posterior; int8_float16 usó 2,4 GB*; Memoria RAM: 8 GB; el proceso usó 3,1 GB*; Disco libre: 7 GB: un modelo y el entorno completo (2,6 GB); Una hora de audio: Unos 3 minutos y medio*. Óptima: archivos grandes y lotes — Tarjeta gráfica: NVIDIA con 8 GB de VRAM o más, para float16 y transcripción por lotes; Memoria RAM: 16 GB, para trabajar con otros programas abiertos; Disco libre: 15 GB: los cuatro modelos, el entorno y los audios de prueba; Una hora de audio: Unos 3 minutos por lotes (19,8x a 21,1x, paso 15)*.
¿Dónde se descargan los modelos?
De sus páginas oficiales de descarga: faster-whisper-bsc-large-v3-cat (https://huggingface.co/BSC-LT/faster-whisper-bsc-large-v3-cat); faster-whisper-3cat-balearic (https://huggingface.co/BSC-LT/faster-whisper-3cat-balearic); faster-whisper-3cat-cv21-valencian (https://huggingface.co/BSC-LT/faster-whisper-3cat-cv21-valencian); faster-whisper-large-v3-ca-punctuated-3370h (https://huggingface.co/BSC-LT/faster-whisper-large-v3-ca-punctuated-3370h); matxa-tts-v2-ca-central-graphemes (https://huggingface.co/BSC-LT/matxa-tts-v2-ca-central-graphemes); matxa-tts-v2-ca-multiaccent-graphemes (https://huggingface.co/BSC-LT/matxa-tts-v2-ca-multiaccent-graphemes).
¿Qué programas o servicios se usan?
Terminal de Linux, uv, Python 3.12, faster-whisper, FFmpeg y Hugging Face (hf).
¿El curso es gratis?
Sí. El curso es gratuito. Puedes crear una cuenta gratuita en Taku para guardar tu progreso.