Subtítulos automáticos gratis con Claude Code y Whisper

Qué es Whisper y por qué con Claude Code

Whisper es un modelo de reconocimiento de voz que OpenAI publicó como código abierto, con licencia MIT. faster-whisper es una versión más rápida del mismo modelo, también libre. Los dos corren en tu ordenador: no pagas por minuto ni subes tus vídeos a ningún sitio.

El problema es que montarlo a mano tiene su miga: Python, ffmpeg, elegir el modelo, las librerías de la tarjeta gráfica… Ahí entra Claude Code. Revisa tu equipo, instala lo que falta (con tu permiso), escribe la herramienta de transcribir y, lo más valioso, corrige lo que Whisper entiende mal comparándolo con tu guion.

Qué modelo usar según tu ordenador

Whisper depende sobre todo de la tarjeta gráfica. Esta es la tabla que usamos:

Paso a paso con Claude Code

1. Prepara el equipo. Pídele a Claude Code que compruebe si tienes Python y ffmpeg, que cree un entorno para Whisper y que elija el modelo según la tabla de arriba.
2. Transcribe palabra a palabra. Que guarde cada palabra con su inicio y su final, no solo frases: es lo que permite resaltar la palabra que suena.
3. Revisa contra el guion, si lo tienes. Donde la transcripción no casa, que vuelva a transcribir solo ese trozo.
4. Exporta. Un .srt para cualquier editor, o los subtítulos animados dentro del vídeo, con tu estilo.
5. Míralo sin sonido. Así es como lo ve la mayoría en el móvil.

Un .srt es un archivo de texto sencillo: número, tiempos y texto. Así se ve:

1
00:00:00,120 --> 00:00:01,340
Esto lo ha editado

2
00:00:01,340 --> 00:00:02,610
Claude, no yo.

Lo que falla en Whisper (y cómo se arregla)

Whisper es muy bueno, pero tiene manías. Estas son las que más nos han costado, con su arreglo. Díselas a tu Claude y te ahorras días:

Inventa frases en los silencios

Sobre silencio o música, Whisper a veces escribe cosas que nadie ha dicho, como «Subtítulos realizados por…» o «Gracias por ver». Arreglo: activa el filtro de voz (VAD) y descarta lo que no cae sobre voz de verdad.

Junta tomas y se salta repeticiones

Si le das el audio entero de una grabación con varias tomas, las mezcla en una y se salta lo repetido. Arreglo: mide primero los silencios en el audio, corta la grabación en trozos de voz y transcribe cada trozo por separado.

Confunde marcas y jerga

Sin ayuda, «ChatGPT» puede salir como «chat ye pe té». Arreglo: dale como pista una lista con los nombres propios y las palabras raras del vídeo.

Se come palabras sin dejar hueco

A veces estira la palabra de al lado para tapar la que falta, o la cambia por otra que suena parecido. En una de nuestras pruebas pasó dos veces en 30 segundos. Arreglo: compara con el guion y vuelve a transcribir solo ese tramo, con medio segundo de margen.

Pega palabras y escribe cifras

«Al irte» sale como «alirte», y «cuarenta y nueve» como «49». Arreglo: busca palabras que no existen y pártelas, y pasa las cifras a la misma forma que el guion antes de comparar.

Los tiempos por palabra bailan

Pueden fallar hasta medio segundo, sobre todo en palabras cortas. Para subtítulos basta; para cortar la toma, no. Arreglo: corta donde el audio está en silencio de verdad, medido por su energía.

Subtítulos que se leen en un reel

Transcribir es la mitad. La otra es que se lean en un móvil, a la primera y sin sonido:

• Tamaño: entre 64 y 90 px en un vídeo de 1080 de ancho.
• De 2 a 4 palabras por grupo, sin partir ninguna.
• La palabra que suena, resaltada.
• Contraste con lo que hay detrás, con contorno o sombra: al menos 4,5 a 1.
• Dentro de la zona segura: entre y = 250 e y = 1480, lejos de los botones de la derecha.
• Sin tapar la cara: por debajo de la barbilla o por encima de la cabeza, según el plano.
• Color y altura según el plano que se ve, no según el que había al empezar la frase: si no, llega texto negro sobre una camiseta negra.

¿Y los subtítulos automáticos de CapCut?

Son cómodos y para un vídeo suelto valen. La diferencia con Whisper en tu equipo es el control:

• Corriges contra tu guion y tus palabras raras, y la corrección se guarda para el siguiente vídeo.
• Tienes los tiempos de cada palabra para animarlas como quieras, en CapCut o con código.
• No subes nada: todo se queda en tu ordenador.

Si vas a seguir en CapCut, el .srt se importa en su versión de escritorio; lo contamos en editar reels con Claude Code y CapCut. Si quieres ver todo lo que puede hacer Claude con un vídeo, empieza por editar vídeos con Claude.

Preguntas frecuentes