Requisitos de audio de Whisper: guía completa de formatos compatibles y especificaciones

---

Formatos de audio compatibles

Formatos de audio

Formato	Extensión	Notas
WAV	.wav	✅ Preferido, sin pérdidas
MP3	.mp3	✅ Muy común, ampliamente usado
FLAC	.flac	✅ Sin pérdidas, buena compresión
M4A	.m4a	✅ Formato Apple, códec AAC
AAC	.aac	✅ Compresión de alta calidad
OGG	.ogg	✅ Formato de código abierto
OPUS	.opus	✅ Baja latencia, ideal para web
WMA	.wma	⚠️ Menos común
AMR	.amr	⚠️ Baja calidad, grabaciones telefónicas

Formatos de vídeo (extracción de audio)

Formato	Extensión	Notas
MP4	.mp4	✅ Formato de vídeo más común
AVI	.avi	✅ Formato antiguo, aún compatible
MKV	.mkv	✅ Formato contenedor
MOV	.mov	✅ Formato QuickTime
WebM	.webm	✅ Formato de vídeo web
FLV	.flv	⚠️ Formato Flash heredado

---

Requisitos de frecuencia de muestreo

Frecuencia óptima: 16 kHz

Frecuencias admitidas

Frecuencia de entrada	Procesamiento en Whisper	Recomendación
8 kHz	Remuestreado a 16 kHz	✅ Llamadas, aceptable
16 kHz	Se usa directamente	✅ Óptimo, sin remuestreo
22,05 kHz	Remuestreado a 16 kHz	✅ Buena calidad
44,1 kHz	Remuestreado a 16 kHz	✅ Calidad CD, bien
48 kHz	Remuestreado a 16 kHz	✅ Audio profesional, bien
96 kHz	Remuestreado a 16 kHz	⚠️ Innecesario, archivos más grandes

Buena práctica

# Convert audio to 16 kHz before processing (optional optimization)
import ffmpeg

def convert_to_16khz(input_file, output_file):
    stream = ffmpeg.input(input_file)
    stream = ffmpeg.output(
        stream,
        output_file,
        acodec='pcm_s16le',
        ac=1,  # Mono
        ar=16000  # 16 kHz
    )
    ffmpeg.run(stream, overwrite_output=True)

---

Requisitos de profundidad de bits

Profundidades admitidas

Profundidad	Estado	Notas
8 bits	✅ Compatible	Baja calidad, no recomendado
16 bits	✅ Recomendado	Estándar, suficiente
24 bits	✅ Compatible	Profesional, archivos más grandes
32 bits float	✅ Compatible	Calidad de estudio, excesivo

---

Configuración de canales: mono vs. estéreo

Mono (recomendado)

• Archivos más pequeños
• Procesamiento más rápido
• No hace falta mezclar canales
• Óptimo para un solo hablante

• Grabaciones de un hablante
• Llamadas telefónicas
• Podcasts con un presentador
• La mayoría de tareas de transcripción

Estéreo (compatible)

• Hablantes en canales distintos (poco frecuente)
• La grabación original es estéreo (la conversión es automática)

import ffmpeg

# Convert stereo to mono
stream = ffmpeg.input('stereo_audio.wav')
stream = ffmpeg.output(
    stream,
    'mono_audio.wav',
    ac=1  # Mono channel
)
ffmpeg.run(stream, overwrite_output=True)

---

Límites de tamaño de archivo

Límites prácticos

Tamaño	Tiempo de procesamiento	Recomendación
< 10 MB	Segundos	✅ Ideal
10–100 MB	Minutos	✅ Bueno
100–500 MB	10–30 minutos	⚠️ Considere fragmentar
> 500 MB	30+ minutos	⚠️ Debe fragmentar

Memoria

• Modelo base: ~1–2 GB VRAM
• Modelo small: ~2–3 GB VRAM
• Modelo medium: ~5–6 GB VRAM
• Modelo large: ~10–12 GB VRAM

---

Límites de duración

Duración recomendada

Duración	Estado	Notas
< 30 minutos	✅ Óptimo	Procesar directamente
30–60 minutos	✅ Bueno	Puede requerir fragmentación
1–2 horas	⚠️ Fragmentar recomendado	Mejor precisión con fragmentos
> 2 horas	⚠️ Debe fragmentar	Necesario para estabilidad

¿Por qué fragmentar audio largo?

1. Límites de memoria: Evita errores por falta de memoria
2. Mejor precisión: Fragmentos pequeños mantienen mejor el contexto
3. Procesamiento más rápido: Posible procesamiento paralelo
4. Recuperación ante errores: Si falla un fragmento, los demás siguen

# Split long audio into 30-60 second chunks with 5-10 second overlap
def chunk_audio(audio_path, chunk_length=60, overlap=5):
    # Implementation: split audio into segments
    # Process each chunk separately
    # Merge results with timestamps
    pass

---

Requisitos de calidad de audio

Estándares mínimos

Factor	Mínimo	Óptimo
Relación señal/ruido	> 10 dB	> 20 dB
Bitrate (MP3)	≥ 64 kbps	≥ 128 kbps
Nivel de volumen	Audible	Normalizado a -3 dB
Ruido de fondo	Mínimo	Ninguno
Eco/reverberación	Mínimos	Ninguno

Lista de comprobación de calidad

• ✅ Voz clara: Los hablantes se oyen y entienden
• ✅ Poco ruido: El fondo no tapa la voz
• ✅ Volumen constante: Sin cambios bruscos
• ✅ Sin clipping: Sin distorsión ni saturación
• ✅ Buen micrófono: Equipo de grabación adecuado

---

Requisitos de códec

Códecs recomendados

Códec	Formato	Calidad	Recomendación
PCM	WAV	Sin pérdidas	✅ Mejor para precisión
FLAC	FLAC	Sin pérdidas	✅ Excelente, comprimido
AAC	M4A, MP4	Alta	✅ Muy bueno
MP3	MP3	Con pérdidas	✅ Bueno a ≥128 kbps
OGG Vorbis	OGG	Con pérdidas	✅ Buena calidad
OPUS	OPUS	Con pérdidas	✅ Buena, baja latencia

Buenas prácticas de códec

• Use PCM (WAV) o FLAC (sin pérdidas)

• AAC o MP3 a ≥128 kbps (resultados excelentes)

• MP3 a bitrate muy bajo (< 64 kbps)
• Formatos muy comprimidos
• Códecs telefónicos (AMR, G.711) salvo necesidad

---

Recomendaciones de preprocesamiento de audio

Antes de transcribir

1. Normalizar volumen

import numpy as np
from scipy.io import wavfile

def normalize_audio(audio_path, output_path, target_dB=-3.0):
    sr, audio = wavfile.read(audio_path)
    audio = audio.astype(np.float32)
    
    # Normalize to target dB
    max_val = np.max(np.abs(audio))
    target_linear = 10 ** (target_dB / 20)
    audio = audio * (target_linear / max_val)
    
    # Clip to prevent overflow
    audio = np.clip(audio, -1.0, 1.0)
    
    wavfile.write(output_path, sr, (audio * 32767).astype(np.int16))

2. Eliminar silencio

# Remove leading/trailing silence
# Helps with processing time and accuracy

3. Reducción de ruido (opcional)

# Use noise reduction libraries
# librosa, noisereduce, or specialized tools
# Only if background noise is significant

4. Remuestrear a 16 kHz (opcional)

import ffmpeg

stream = ffmpeg.input('input.wav')
stream = ffmpeg.output(
    stream,
    'output_16k.wav',
    ar=16000  # Resample to 16 kHz
)
ffmpeg.run(stream, overwrite_output=True)

---

Problemas frecuentes de audio y soluciones

Problema 1: Frecuencia de muestreo muy baja (8 kHz)

• Use el modelo medium o large de Whisper (mejor con bajas frecuencias)
• Sobremuestree a 16 kHz (no recupera calidad pero ayuda al procesamiento)

Problema 2: Estéreo con hablantes distintos

# Extract each channel separately
import torchaudio

audio, sr = torchaudio.load('stereo.wav')
speaker1 = audio[0]  # Left channel
speaker2 = audio[1]  # Right channel

# Transcribe each separately
result1 = model.transcribe(speaker1)
result2 = model.transcribe(speaker2)

Problema 3: MP3 de bitrate variable

• Convierta a bitrate constante (CBR) o WAV
• Whisper suele manejar VBR bien, pero CBR es más predecible

Problema 4: Archivos de audio dañados

# Re-encode the file
import ffmpeg

stream = ffmpeg.input('corrupted.mp3')
stream = ffmpeg.output(
    stream,
    'fixed.wav',
    acodec='pcm_s16le'
)
ffmpeg.run(stream, overwrite_output=True)

Problema 5: Archivos de audio muy largos

• Divida en fragmentos de 30–60 segundos
• Procese en secuencia o en paralelo
• Una resultados con marcas de tiempo

---

Recomendaciones por formato

Para llamadas telefónicas

Parámetro	Valor	Motivo
Frecuencia de muestreo	8–16 kHz	Calidad telefónica
Formato	WAV o MP3	Estándar
Bitrate	≥ 64 kbps	Calidad del códec
Canales	Mono	Estándar en llamadas

Para reuniones (Zoom, Teams)

Parámetro	Valor	Motivo
Frecuencia de muestreo	16–48 kHz	Alta calidad
Formato	MP4 (extraer audio)	Formato de vídeo
Bitrate	≥ 128 kbps	Buena calidad
Canales	Mono o estéreo	Según configuración

Para podcasts

Parámetro	Valor	Motivo
Frecuencia de muestreo	44,1–48 kHz	Calidad profesional
Formato	MP3, WAV o M4A	Formatos habituales
Bitrate	≥ 128 kbps	Buena calidad
Canales	Mono	Estándar en podcasts

Para entrevistas

Parámetro	Valor	Motivo
Frecuencia de muestreo	16–48 kHz	Alta calidad
Formato	WAV o FLAC	Máxima precisión
Bitrate	Sin pérdidas o ≥ 192 kbps	Profesional
Canales	Mono	Estándar

---

Resumen: requisitos de audio de Whisper

Requisitos mínimos

• ✅ Formato: Cualquier formato compatible con FFmpeg
• ✅ Frecuencia de muestreo: Cualquiera (se recomienda mínimo 8 kHz)
• ✅ Profundidad de bits: 8 bits o superior
• ✅ Canales: Mono o estéreo (preferible mono)
• ✅ Tamaño de archivo: Sin límite estricto (fragmentar si > 100 MB)
• ✅ Duración: Sin límite estricto (fragmentar si > 1 hora)

Requisitos óptimos

• ✅ Formato: WAV, FLAC o MP3 (≥128 kbps)
• ✅ Frecuencia de muestreo: 16 kHz (óptimo, sin remuestreo)
• ✅ Profundidad de bits: PCM de 16 bits
• ✅ Canales: Mono
• ✅ Calidad: Voz clara, poco ruido
• ✅ Preprocesamiento: Volumen normalizado, sin clipping

---

Referencia rápida: lista de preparación de audio

• Formato: WAV, MP3, FLAC, M4A u otro compatible
• Frecuencia de muestreo: 16 kHz (óptimo) o cualquier tasa admitida
• Profundidad de bits: 16 bits (recomendado)
• Canales: Mono (preferible) o estéreo
• Tamaño de archivo: < 100 MB (o plan de fragmentación)
• Duración: < 1 hora (o plan de fragmentación)
• Calidad: Voz clara, poco ruido de fondo
• Volumen: Normalizado, sin clipping
• Códec: Sin pérdidas (WAV/FLAC) o con pérdidas de alta calidad (MP3 ≥128 kbps)

---

Probar su audio

Prueba rápida

import whisper

# Load model
model = whisper.load_model("base")

# Test transcription
result = model.transcribe("your_audio.wav")

# Check if successful
if result["text"]:
    print("✅ Audio format is compatible")
    print(f"Detected language: {result['language']}")
else:
    print("⚠️ Transcription failed - check audio format")

Mensajes de error frecuentes

Error	Causa	Solución
"File not found"	Ruta incorrecta	Compruebe la ruta
"Unsupported format"	Formato no compatible	Convierta a WAV/MP3
"Out of memory"	Archivo demasiado grande	Fragmente el audio
"Empty audio"	Archivo dañado	Vuelva a codificar

---

Resumen de buenas prácticas

1. Use 16 kHz cuando sea posible (óptimo para Whisper)
2. Prefiera mono al estéreo (Whisper trabaja en mono internamente)
3. Use formatos sin pérdidas (WAV/FLAC) para máxima precisión
4. Fragmente archivos largos (> 1 hora) para mejor precisión y estabilidad
5. Normalice el audio a niveles de volumen consistentes
6. Minimice el ruido de fondo para mejores resultados
7. Use el tamaño de modelo adecuado (los modelos grandes toleran mejor el audio deficiente)
8. Pruebe primero con el modelo base antes de usar modelos mayores

---

Conclusión

• Formato: WAV, FLAC o MP3 (≥128 kbps)
• Frecuencia de muestreo: 16 kHz (óptimo)
• Profundidad de bits: PCM de 16 bits
• Canales: Mono
• Calidad: Voz clara con poco ruido

---