Antes de instalar una app de dictado local, la mayoría hace la misma pregunta: ¿necesito una tarjeta gráfica de gaming, o mi portátil se encargará de esto? La ansiedad por la GPU es entendible — “IA” y “GPU” se han vuelto sinónimos en las noticias. Pero ejecutar un modelo ya terminado en tu propia máquina para transcribir tu propia voz es una tarea completamente distinta de entrenar modelos en un centro de datos, y los requisitos de hardware son un orden de magnitud menores.
La respuesta directa: el modelo Parakeet TDT de NVIDIA corre a RTF 0,033 en una CPU Intel i7 normal — 30 veces más rápido que el tiempo real, sin GPU. Whisper small con cuantización int8 corre unas 7,8× tiempo real en la misma clase de hardware. Para el dictado del día a día, eso es más que suficientemente rápido. Este es el panorama completo, con números de benchmark reales.
Por qué la gente cree que necesita una GPU
La asociación está mal ubicada pero es entendible. Las GPU que ves en los titulares de IA están haciendo una de dos cosas: entrenar modelos desde cero sobre petabytes de datos en un centro de datos, o servir a miles de usuarios simultáneos a través de una API en la nube. Ambas tareas necesitan de verdad estanterías de tarjetas gráficas.
Ejecutar un modelo terminado y cuantizado en tu propia máquina para transcribir unos pocos segundos de tu propia voz es una carga de trabajo completamente distinta. Estás haciendo inferencia sobre el audio de una sola persona, unos segundos cada vez. El requisito de cómputo es órdenes de magnitud menor.
La otra fuente de confusión son los benchmarks de 2022 del Whisper original de OpenAI en Python en CPU. Esa implementación era genuinamente lenta — un usuario con un Ryzen 5 3600 reportó 11 minutos para procesar 31 segundos de audio con el modelo medium. Ese benchmark se cita constantemente y sigue siendo preciso para Whisper en Python, pero no tiene nada que ver con la implementación de whisper.cpp que usan hoy las apps de dictado. whisper.cpp con modelos cuantizados en una CPU moderna es una experiencia completamente distinta.
Qué requiere de verdad el voz a texto
Los requisitos reales son modestos:
- Una CPU moderna. Cualquier procesador de aproximadamente la última década con instrucciones AVX — que es casi todo portátil y sobremesa vendido desde 2015.
- Unos pocos gigabytes de RAM libre. Esta es la principal restricción, y es más pequeña de lo que la gente espera (mira la tabla de abajo).
- Espacio en disco para el modelo. Una descarga única, típicamente de 75 MB a 3 GB según el modelo que elijas.
Ninguna tarjeta gráfica aparece en esa lista.
Requisitos de RAM por modelo (según el proyecto whisper.cpp):
| Modelo | Disco (GGML) | RAM en uso |
|---|---|---|
| Whisper tiny | 75 MB | ~273 MB |
| Whisper base | 142 MB | ~388 MB |
| Whisper small | 466 MB | ~852 MB |
| Whisper medium | 1,5 GB | ~2,1 GB |
| Whisper large-v3 | 2,9 GB | ~3,9 GB |
| Parakeet TDT v3 | ~2,3 GB | ~1,5 GB |
Una máquina con 8 GB de RAM total y 4 GB libres corre Whisper small o Parakeet con comodidad. Esa es una máquina bastante modesta para los estándares de 2026.
Los números reales de benchmark
Esto es lo que los modelos corren de verdad en distintos hardware. Un RTF (factor de tiempo real) por debajo de 1,0 significa más rápido que el tiempo real — el modelo transcribe el audio más rápido de lo que se reproduce. RTF 3,0 significa que 1 minuto de audio tarda 3 minutos en procesarse.
El ganador en rendimiento no es el que la mayoría espera. Parakeet TDT v3 de NVIDIA en una CPU Intel i7 moderna (i7-12700KF) logra RTF 0,033 — aproximadamente 30× más rápido que el tiempo real. Para comparar, faster-whisper corriendo el modelo large-v2 en una GPU RTX 3070 Ti logra RTF ~0,076 — unas 13× tiempo real. Parakeet en CPU es más rápido que Whisper en una GPU de gama media.
La razón es arquitectónica. Parakeet TDT es un Token-and-Duration Transducer — un modelo no autorregresivo que corre todo el audio por el encoder en una sola pasada hacia delante. Whisper usa un decoder autorregresivo que genera tokens uno a uno en un bucle, lo que es inherentemente secuencial y más lento. Para clips de audio cortos esto importa mucho.
Apple Silicon es un caso especial. Cada Mac con chip de la serie M (M1 hasta M4) usa automáticamente aceleración por GPU Metal en whisper.cpp y en SnailText. Un Mac M1 corriendo Whisper large-v3 vía Metal logra aproximadamente tiempo real (RTF ~1,0) — suficiente para dictar sin ninguna GPU discreta. Un M2 Pro con Metal corre large-v3 a 2,5× tiempo real. Los usuarios de MacBook no tienen un problema de GPU.
Los usuarios de Windows sin GPU discreta tienen un panorama más matizado. Un i7 moderno (12ª/13ª gen) corre Whisper small a unas 7-8× tiempo real — cómodo para dictar donde cada frase son 5-15 segundos. Una CPU Ryzen de gama media corre large-v3 a RTF ~3,0 — demasiado lento para dictado interactivo. La respuesta correcta para Windows solo CPU es: Parakeet TDT (30× tiempo real) o Whisper small (7-8× tiempo real). No Whisper large.
Un desarrollo más que conviene conocer: whisper.cpp 1.8.3 añadió soporte de GPU integrada vía Vulkan, con un aumento de rendimiento de aproximadamente 12× en gráficos integrados AMD Radeon 680M e Intel Arc. Si tu portátil Windows tiene un AMD Ryzen moderno (6000+) o Intel de 12ª gen en adelante, whisper.cpp puede usar esa GPU integrada automáticamente — bajando la latencia de forma notable incluso sin tarjeta discreta.
”La CPU es demasiado lenta” depende por completo del modelo
La gente dice “el dictado local es lento en CPU” como si el chip fuera el problema. La variable es el modelo.
Los modelos Whisper más pequeños — tiny, base, small — corren a tiempo real o más rápido en cualquier CPU de portátil de 2020 en adelante. La experiencia es rápida. Los modelos Whisper grandes — medium y large-v3 — son genuinamente lentos en CPU: varias veces más lentos que el tiempo real en hardware típico. Ese es el caso que la gente recuerda y reporta, y le da a la CPU una mala fama que los modelos más pequeños no merecen.
La cuantización también marca una diferencia notable. La versión cuantizada int8 de un modelo corre bastante más rápido que la versión float16 en CPU con una pérdida de precisión insignificante. Los benchmarks de faster-whisper muestran el modelo small int8 completando 13 minutos de audio en 102 segundos en un i7-12700K — la versión float32 tarda 157 segundos para el mismo archivo. Elegir la versión cuantizada de un modelo es velocidad gratis.
Cuándo una GPU vale de verdad la pena
Para ser justos con el otro lado: una GPU dedicada es una mejora real en situaciones concretas.
Correr large-v3 en tiempo real en Windows. Una RTX 3090 procesa 1 minuto de audio en unos 11 segundos (RTF ~0,19). La misma tarea en CPU en un Ryzen 7 tarda unos 3 minutos. Si la precisión de large-v3 es tu requisito y estás en Windows sin Apple Silicon, una GPU no es opcional — es la única forma de llegar ahí.
Transcribir por lotes grabaciones largas. 1 hora de audio en una RTX 3090 con large-v3 tarda unos 5 minutos. En una CPU Ryzen 7 el mismo trabajo tarda aproximadamente 3 horas. Si transcribes regularmente podcasts, clases o reuniones largas, una GPU ahorra tiempo real a lo largo de la semana.
Dictado multilingüe de alta precisión. Si dictas en un idioma donde los modelos más pequeños tienen tasas de error notablemente más altas, puede que necesites medium o large — y ahí es donde importa la GPU.
Para el dictado del día a día — frases cortas, una persona, para y transcribe — no notarás la GPU.
Las cuatro situaciones de hardware
MacBook (cualquier chip de la serie M): Sin preocupación de GPU. La aceleración Metal es automática. El M1 maneja large-v3 a tiempo real. El M2 Pro lo maneja a 2,5× tiempo real. Usa SnailText, elige cualquier modelo, y funciona. La única decisión es si quieres la velocidad de un modelo más pequeño o el techo de precisión de large.
Portátil Windows, solo gráficos integrados (sin GPU discreta): Usa Parakeet TDT para inglés — 30× tiempo real en CPU, sin GPU. O usa Whisper small (7-8× tiempo real). Si tu chip admite Vulkan (AMD Ryzen 6000+ o Intel de 12ª gen en adelante), whisper.cpp usará tu GPU integrada automáticamente para una aceleración extra. Evita Whisper large — es demasiado lento sin tarjeta discreta.
Sobremesa o portátil Windows con GPU discreta NVIDIA/AMD: Cualquier modelo corre bien. Whisper large-v3-turbo en una RTX 2080 Ti procesa 13 minutos de audio en 19 segundos. Large-v3 en una RTX 3090 tarda 11 segundos por minuto de audio. Elige tu nivel de precisión y la GPU se encarga.
Hardware viejo (anterior a 2015, o ARM de bajo consumo): Solo Whisper tiny o base. El modelo tiny de whisper.cpp corre en una Raspberry Pi 4 aproximadamente a tiempo real con ajustes optimizados (-ac 512). Un Intel muy viejo (Core i5-460M, 2010) logra RTF ~0,86 con base — justo por debajo del tiempo real. Funcional para el caso adecuado, pero la experiencia es lenta para los estándares de hoy.
Cómo maneja esto SnailText
SnailText ejecuta Whisper y Parakeet TDT en local en Mac y Windows, sobre el hardware que tengas. Cuando lo instalas por primera vez, SnailText detecta tu hardware — generación de CPU, GPU disponible, VRAM — y recomienda un modelo que encaja con tu máquina.
En un MacBook con serie M, recomienda un modelo que aprovecha Metal. En una máquina Windows con GPU discreta, recomienda un modelo Whisper más grande y usa aceleración por GPU Vulkan. En una máquina Windows solo CPU, recomienda Parakeet TDT (30× tiempo real en CPU, inglés) o Whisper small — modelos que se mantienen rápidos sin tarjeta gráfica.
Esa recomendación es un punto de partida, no una jaula. Puedes cambiar a cualquier modelo disponible en cualquier momento desde Ajustes — uno más pequeño y rápido si valoras la respuesta instantánea, o uno más grande y preciso si tu máquina puede con él.
SnailText es gratis para empezar, no necesita cuenta, y corre por completo en tu dispositivo. El modelo se descarga una vez y luego funciona offline. La respuesta práctica a “¿necesito una GPU?” para dictar es no — pero SnailText te dirá exactamente qué modelo encaja con tu máquina concreta.
El plan Pro añade Parakeet TDT y los modelos Whisper más grandes ($7.49 / month · $89 / year), con post-procesado por LLM local que limpia términos técnicos y estilo de identificador automáticamente. El plan gratis incluye Whisper compacto y base — rápidos en cualquier CPU, sin cuenta.
La versión corta
No necesitas una GPU para el voz a texto. Una CPU moderna y 4 GB de RAM libre bastan para un dictado local rápido y preciso. El Parakeet TDT de NVIDIA corre a 30× tiempo real en un i7 normal — más rápido en CPU que Whisper en una GPU de gama media. Whisper small corre a 7-8× tiempo real en Intel/AMD modernos. La creencia de que “necesitas GPU para la IA” viene de las cargas de entrenamiento en centros de datos, no de transcribir tu propia voz.
Donde una GPU importa de verdad: correr Whisper large-v3 en tiempo real en Windows, transcribir por lotes horas de audio, o despliegues de servidor de alta concurrencia. Para para-y-dicta una frase cada vez — el caso de uso central de las apps de dictado — la CPU es la herramienta adecuada para la mayoría.
Empareja el modelo con tu máquina, o deja que SnailText lo haga automáticamente, y el dictado en CPU es rápido.
Fuentes de benchmark: whisper.cpp README (tabla de RAM); whisper.cpp GitHub discussions #89, #166, #3752; JustVoice Apple Silicon benchmarks; Parakeet TDT DeepWiki benchmarks; faster-whisper README; 1qubit.de GPU benchmarks; Phoronix whisper.cpp 1.8.3 iGPU.