En corto: Vosk es un programa libre que escucha un audio y lo escribe, en tu ordenador y sin internet. Tiene un modelo para el esperanto de solo 42 MB, y también los tiene para el catalán y el castellano. Sirve para hacer subtítulos, pasar a texto una clase o una entrevista, o darle oído a un asistente.
¿Qué es Vosk?
Vosk es un programa de reconocimiento de voz: hace lo contrario que un lector de voz. Le das una grabación —o le hablas por el micrófono— y te devuelve el texto de lo que se dice en ella. Y, además, dice en qué segundo empieza y acaba cada palabra, que es lo que hace falta para hacer subtítulos.
Funciona sin internet: el audio no sale de tu ordenador. Está pensado para aparatos modestos, y por eso cada idioma tiene un modelo pequeño, de unos 50 MB, además de los grandes para servidores.
¿Quién lo hace y cuánto cuesta?
Es gratis y libre, con la licencia Apache 2.0, que permite usarlo también en proyectos comerciales. Lo hace la empresa Alpha Cephei.
¿En qué idiomas funciona?
Su página habla de «más de 20 idiomas y dialectos», y la lista de modelos tiene 34, contando variantes como el inglés de la India. Entre ellos están:
- Esperanto:
vosk-model-small-eo-0.42, de 42 MB. En su prueba se equivoca en 7 de cada 100 palabras, más o menos (un 7,24 % de error, medido con grabaciones de Common Voice). - Catalán:
vosk-model-small-ca-0.4, de 42 MB. - Castellano: uno pequeño de 39 MB y uno grande de 1,4 GB.
¿Para qué sirve?
- Hacer subtítulos de un vídeo, en el formato SRT, que entienden casi todos los programas.
- Pasar a texto una clase, una charla, una entrevista o un programa de radio.
- Darle oído a un asistente de voz, un robot o una casa conectada, sin enviar lo que dices a ninguna empresa.
- Para quien programa: se puede usar desde Python, Java, Node.js, C#, C++, Rust y Go, y funciona en el ordenador, en Android, en iPhone y en una Raspberry Pi.
¿Cómo se prueba?
Vosk no tiene ventana: se usa escribiendo órdenes en la terminal, la ventana de texto del ordenador, y hay que tener Python. Estos tres pasos los hemos probado en Linux el 28 de octubre de 2026:
Paso 1. Instálalo:
pip install vosk
Paso 2. Descarga el modelo de tu idioma de la lista de modelos y descomprímelo. Para el esperanto, vosk-model-small-eo-0.42.
Paso 3. Pasa el audio a texto:
vosk-transcriber -m vosk-model-small-eo-0.42 -i clase.wav -o clase.txt
Con -t srt y -o clase.srt te hace los subtítulos, con el tiempo de cada frase. Con una frase de 5 segundos, tardó menos de un segundo.
Cómo sale, de verdad. Le pasamos una frase leída por una voz artificial, «Bonan tagon! Hodiaŭ ni lernas la numerojn de unu ĝis dek.», y escribió:
bonan tagon hodiaŭ mi lernas la numerojn de unu ĝis de
Falló en dos palabras de once —«mi» por «ni» y «de» por «dek»—, y todo en minúsculas y sin signos de puntuación.
Lo que no hace, dicho claro
- No es perfecto: el modelo de esperanto se equivoca en unas 7 palabras de cada 100, y más si el audio tiene ruido o la gente habla a la vez. El texto hay que repasarlo.
- No pone mayúsculas ni signos de puntuación: tienes que arreglarlo tú, o con otro modelo que solo hace eso y que existe en inglés, ruso y alemán, pero no en esperanto.
- No tiene ventana: si no quieres escribir órdenes, hace falta otro programa que lo lleve dentro.
En resumen
Vosk pasa la voz a texto sin internet y sin pagar nada, y tiene modelo para el esperanto. Para el otro camino, hacer que el ordenador hable, mira Piper y eSpeak NG.
Fuentes
- Vosk, su página y su código en GitHub, consultados el 28 de octubre de 2026.
- La lista de modelos, con el tamaño y el error de cada uno, consultada el mismo día.
Leer en: