OpenAI Whisper, React y FastAPI: cómo montar un sumarizador de reuniones con AI sin presupuesto

Los desarrolladores ya no necesitan una stack pagada para construir una aplicación de IA útil: se ha lanzado un desglose detallado de un resumidor de reuniones construido con React y FastAPI, dependiendo únicamente de modelos y servicios gratuitos. Como ejemplo, el autor toma un servicio que acepta audio, transcribe la grabación, extrae puntos clave y muestra elementos de acción en una interfaz web simple.

Por Qué un Presupuesto Cero es Real

Hace unos años, un proyecto así casi automáticamente significaba gastos en OpenAI API, alquiler de GPU e implementación pagada. La situación es diferente ahora: los modelos open-source y generosos niveles gratuitos cubren la mayoría de los escenarios básicos, especialmente si la tarea es estrecha y bien definida. Para resúmenes de reuniones, esto es particularmente notable porque aquí no necesitas "superpoderes" abstractos de un modelo, sino manejo normal de transcripción, extracción de decisiones y una lista de próximos pasos.

El desglose específicamente enfatiza que el desarrollador ya no está atado a un único proveedor. Puedes usar un modelo gratuito basado en la nube o cambiar a ejecución local si la privacidad, el control de datos y los costos predecibles importan. Para esto, se proporcionan herramientas locales como Ollama y LM Studio, y para la opción en la nube — cuotas gratuitas de proveedores de API. Esencialmente, ahora es posible construir un MVP sin adquisición de infraestructura y largas aprobaciones de presupuesto.

De Qué Consta la Stack

El proyecto se construye con un conjunto maximalmente simple de herramientas. La lógica aquí no está en la stack "más moderna", sino en hacer posible que cualquier desarrollador replique rápidamente la solución, obtenga un resultado funcional y, si lo desea, reemplace componentes individuales sin reconstruir todo el sistema.

• OpenAI Whisper — para convertir audio a texto localmente y sin pagar por solicitudes
• GLM-4.7-Flash de Zhipu AI — como opción gratuita en la nube para resúmenes
• LFM2-2.6B-Transcript de Liquid AI — como modelo local para notas de reunión
• FastAPI — para carga de API, procesamiento de archivos y almacenamiento de resultados
• React + SQLite — para la interfaz y almacenamiento de transcripciones, resúmenes y elementos de acción

Además, el material recomienda herramientas gratuitas de IA para desarrollo, principalmente Codeium y Continue, para escribir y editar código más rápido. Pero la arquitectura del proyecto en sí sigue siendo muy directa: capas mínimas, dependencias mínimas y un flujo de datos claro desde el archivo de audio hasta una tarjeta con el resumen final. Para un proyecto educativo o prototipo interno, esto es más importante que un esquema de ingeniería "ideal".

Cómo se Construye el Proyecto

El pipeline se organiza sin complejidad innecesaria. Un usuario carga una grabación de reunión, conferencia o nota de voz, FastAPI recibe el archivo y lo pasa a Whisper, que construye una transcripción. A continuación, el texto se envía a un modelo de resumen, que devuelve una descripción breve de la discusión y una lista de elementos de acción. Después de eso, el resultado se guarda en SQLite, y la interfaz React muestra la transcripción, resumen y tareas en una pantalla. El código completo para este pipeline se proporciona de hecho directamente en el material por el autor.

En el ejemplo, Whisper se ejecuta en configuración tiny para acelerar el procesamiento en CPU, y para el LLM se ofrecen dos modos: opción gratuita en la nube a través de la API de Zhipu AI y completamente local a través del modelo Liquid AI, que requiere menos de 3 GB de RAM. Esto hace que el proyecto sea flexible: puedes comenzar con la nube y luego cambiar a un escenario local sin romper el resto de la arquitectura.

"Si un modelo no se ajusta, puedes cambiar a otro sin cambiar la

infraestructura."

Después del ensamblaje local, el proyecto se ofrece para ser implementado de forma gratuita en Vercel y Render. Esta opción es adecuada para una demostración, herramienta interna o pruebas de usuario tempranas, pero el autor honestamente advierte sobre las limitaciones: Whisper y los transformadores ocupan un espacio en disco significativo, y los niveles gratuitos rápidamente se topan con límites de memoria y tiempo de inicio. Por lo tanto, para producción, casi seguramente necesitarás mover algunas tareas a una API en la nube o preparar una infraestructura separada para modelos locales.

Lo Que Esto Significa

La conclusión práctica es simple: un prototipo de IA ya no requiere un equipo separado y presupuesto de modelo desde el inicio. Para desarrolladores independientes, pequeños estudios y equipos de productos, esto reduce el costo de la experimentación — una idea como un resumidor de reuniones, copiloto interno o servicio de voz a notas ahora puede probarse en un par de noches y solo entonces decidir si vale la pena pagar por el escalado.