Whisper vs subtítulos de YouTube: cuándo pagar por la transcripción

Whisper vs subtítulos de YouTube es una decisión que la mayoría de la gente plantea mal. Se trata como un duelo de calidad — qué transcriptor es "mejor" — cuando en realidad la pregunta es si la transcripción ya existe. Para la gran mayoría de los videos de YouTube, existe: YouTube genera subtítulos automáticamente, y obtenerlos es una llamada HTTP. Ejecutar Whisper sobre esos videos significa descargar el audio, pagar por cómputo y esperar, para recrear un texto que estuvo ahí todo el tiempo.

Pero Whisper tampoco es puro humo. Hay situaciones concretas en las que es claramente la opción correcta, y si estás construyendo un pipeline tarde o temprano te las encontrarás. Aquí está el reparto justo, con números.

Qué te da realmente cada uno

Subtítulos de YouTube — disponibles al instante para la mayoría de los videos públicos. Las pistas subidas por humanos son excelentes; las generadas automáticamente son decentes y mejoran cada año, con las debilidades clásicas: puntuación escasa, nombres propios y jerga destrozados, algún intercambio ocasional de homófonos. Costo de obtención: prácticamente cero.

Whisper (o faster-whisper) — transcribe el audio en sí. Puntuación y mayúsculas reales, mejor manejo del vocabulario técnico (especialmente con un prompt inicial), marcas de tiempo sólidas a nivel de palabra, y funciona con videos que no tienen subtítulos en absoluto. Costo: la API de OpenAI cuesta unos $0.006 por minuto de audio; alojarlo tú mismo requiere una GPU o mucha paciencia de CPU. Y primero debes obtener el audio — normalmente vía yt-dlp — lo que arrastra sus propios problemas en servidores (bloqueo de IPs de centros de datos, mantenimiento del binario).

Las cuentas para un backlog de 100 videos

Supón que procesas el catálogo antiguo de un canal: 100 videos, de 15 minutos de media.

Ruta Whisper: 100 × 15 min × $0.006 = unos $9 en cargos de API. Suena barato — y lo es — pero esa no es la factura completa. También necesitas descargar unos 100 archivos de audio con yt-dlp (desde una IP de nube, espera fallos de "Sign in to confirm you're not a bot" y costos de proxy), almacenarlos, encolar los trabajos y esperar. Siendo realistas, esto es una tarde de trabajo de pipeline más una hora larga de procesamiento de reloj.

Ruta de subtítulos: 100 peticiones GET. Listo en un par de minutos, sin que ningún audio toque tu disco:

curl -s "https://youtube2text.org/api/transcribe?url=VIDEO_ID" \
  -H "x-api-key: yt_YOUR_KEY"

Con los precios de youtube2text.org, 100 videos caben en el plan de $9.99 al mes (500 videos). Una cifra en dólares similar al cargo de API de Whisper — pero con cero infraestructura, y los resultados llegan de inmediato como JSON limpio. Cuando alimento transcripciones a un LLM para resumir o para RAG a escala de canal, esta es mi ruta siempre; a los modelos de lenguaje les dan igual los pequeños errores de transcripción de los subtítulos automáticos.

Dónde gana Whisper de verdad

Quiero ser objetivo aquí, porque hay trabajos donde los subtítulos pierden sin discusión:

• No existen subtítulos. Algunos videos — subidas no listadas, cierto contenido musical, algunos videos en idiomas distintos del inglés — devuelven TRANSCRIPT_UNAVAILABLE. Whisper es la única opción.
• La precisión es el producto. Publicar citas, revisión legal o médica, subtitular tu propio contenido — la tasa de error de los subtítulos automáticos es inaceptable y la salida de Whisper es notablemente más limpia.
• Necesitas marcas de tiempo fiables por palabra para recortes, resaltado estilo karaoke o trabajo de alineación. La sincronización de los subtítulos es a nivel de segmento y aproximada.
• Audio difícil. Acentos marcados, gente hablando a la vez, grabaciones pobres — los modelos grandes de Whisper suelen superar al ASR de YouTube.

Sin embargo, para apuntes de clases y resúmenes de pódcast, los subtítulos son casi siempre suficientes: el LLM que viene después disimula el ruido.

La lista de decisión

• ¿Alimentas un LLM (resúmenes, RAG, investigación)? → Subtítulos. Los errores se diluyen.
• ¿Publicas la transcripción literal? → Whisper, y luego revisión humana.
• ¿Necesitas marcas de tiempo por palabra? → Whisper.
• ¿Backlog masivo con presupuesto y fecha límite? → Subtítulos primero.
• ¿El video devuelve TRANSCRIPT_UNAVAILABLE (404)? → Recurre a Whisper. Este es el patrón que uso de verdad: intenta la llamada de subtítulos y envía solo los fallos a una cola de Whisper. En la práctica el fallback se activa en una pequeña minoría de videos, así que obtienes cobertura de nivel Whisper a costo de nivel subtítulos.

Si tu obtención de subtítulos falla una y otra vez desde un servidor en la nube en lugar de devolver resultados, ese es otro problema — un bloqueo de IP, no falta de subtítulos — cubierto en por qué youtube-transcript-api acaba bloqueada.

Para montar la mitad de subtítulos primero: una clave gratuita está a un inicio de sesión de Google en youtube2text.org/app/keys (5 videos al mes gratis, sin tarjeta), y la referencia completa de la API está en youtube2text.org/api.md.