Dictado y escritura por voz en Linux

Actualizado: 6 de noviembre de 2026

En Mac y en Windows pulsas un atajo y dictas. En Linux, los escritorios principales no traen nada parecido de serie, así que o te montas algo por tu cuenta o instalas una app. Y la primera pregunta no es qué app elegir, sino qué sesión gráfica estás usando. En esta guía verás por qué X11 y Wayland importan tanto para el dictado por voz, qué herramientas de código abierto existen, en qué punto está Voice Monkeys en Linux y cómo resolver los problemas más habituales.

Lo primero: ¿estás en X11 o en Wayland?

Una app de dictado tiene que hacer dos cosas fuera de su propia ventana: enterarse de que pulsas una tecla mientras otro programa tiene el foco y meter texto en ese otro programa. En X11 (Xorg), a las aplicaciones tradicionalmente se les ha permitido hacer las dos cosas. Wayland se diseñó para aislar unas aplicaciones de otras, de modo que un programa no puede escuchar todas las pulsaciones ni escribir en una ventana que no es suya. Eso es bueno para la seguridad e incómodo para el dictado.

Para saber qué sesión tienes, abre una terminal y ejecuta `echo $XDG_SESSION_TYPE`. Te devolverá `x11` o `wayland`. La mayoría de los escritorios también lo muestran en el apartado Acerca de o en la información del sistema.

• x11: los atajos globales y la escritura simulada suelen funcionar, así que casi todas las herramientas de dictado se comportan como esperas.
• wayland: la herramienta necesita un asistente de escritura compatible con Wayland o configuración adicional del sistema, y algunas apps directamente no funcionan.

Si tu distribución todavía ofrece una sesión X11, normalmente la eliges en la pantalla de inicio de sesión: seleccionas tu usuario y, antes de escribir la contraseña, buscas un menú de sesión (a menudo un icono de engranaje). Algunas versiones recientes han quitado o están retirando las sesiones X11 en ciertos escritorios, así que comprueba qué ofrece la tuya antes de organizarte en torno a eso.

Qué opciones hay para dictar en Linux

Las opciones se dividen en dos grupos: herramientas de código abierto que montas tú y apps empaquetadas. Dos proyectos conocidos muestran bien cómo es la vía de hacerlo uno mismo.

nerd-dictation se presenta como voz a texto sin conexión para Linux de escritorio. Usa la librería de reconocimiento VOSK con un modelo que descargas, graba a través de PulseAudio, sox o PipeWire y escribe el resultado simulando pulsaciones de teclado. Para escribir admite xdotool (solo servidor X, la opción por defecto), wtype (Wayland) y ydotool o dotool (X11 y Wayland, con configuración extra en el caso de ydotool). Tiene licencia GPL-3.0 y se configura desde la línea de comandos, así que cuenta con asignarle tú una tecla.

whisper.cpp es una implementación en C/C++ del modelo de reconocimiento de voz Whisper de OpenAI que funciona sin conexión en la CPU, en Linux y en muchas otras plataformas, con licencia MIT. Es un motor, no una app de dictado: incluye un ejemplo en tiempo real, `whisper-stream`, que transcribe lo que entra por el micrófono (compilado con SDL2), pero llevar ese texto a tus otras ventanas queda en tus manos.

Voice Monkeys en Linux: cómo está de verdad

Voice Monkeys, nuestra app, tiene versión para Linux en AppImage o en paquete .deb para Ubuntu y Debian. Necesita una sesión X11 (Xorg): en Wayland el sistema bloquea el atajo global y el pegado automático, así que la app no puede funcionar ahí. La versión de Linux es nueva, tómala como una versión joven y cuéntanos lo que falle.

En el día a día funciona igual que en los demás sistemas. Mantienes pulsada la tecla Alt derecha (puedes elegir otra en los ajustes), hablas, sueltas y el texto aparece en el cursor de tu editor, tu terminal, el navegador o la app de chat. Un toque rápido activa el modo manos libres hasta el siguiente toque, y Esc cancela. Reconoce 25 idiomas de oído y te deja mezclarlos en una frase, algo que explicamos en dictado por voz en varios idiomas.

En Linux es una suscripción en la nube: 12 $ al mes o 96 $ al año (precios en dólares estadounidenses), con 7 días de prueba que piden tarjeta. Incluye 90 horas de dictado al mes y hasta cinco ordenadores, uno dictando a la vez, así que el mismo plan cubre un escritorio con Linux y un portátil con Windows. Por defecto, el audio viaja cifrado a un servidor en Falkenstein (Alemania), se convierte en texto en memoria y se descarta; no se guarda ni el audio ni el texto, solo cuántos segundos usaste. La tienes en la página de descarga. Si estás en Wayland y no puedes cambiar de sesión, nerd-dictation con un asistente de escritura para Wayland es la opción más realista.

Instalar el AppImage o el .deb

• AppImage: descárgalo, dale permiso de ejecución con `chmod +x` seguido del nombre del archivo y ejecútalo. Si no arranca y el error menciona FUSE, instala el paquete de compatibilidad FUSE 2 de tu distribución (en Ubuntu suele llamarse libfuse2, o libfuse2t64 en versiones recientes).
• .deb (Ubuntu, Debian): instálalo con `sudo apt install ./` seguido del nombre del archivo, para que apt resuelva las dependencias, y ábrelo desde el menú de aplicaciones.
• Inicia sesión en X11 antes de abrirla por primera vez y compruébalo con `echo $XDG_SESSION_TYPE`.
• Elige el micrófono en los ajustes de sonido del escritorio o con un mezclador como pavucontrol, y confirma que el medidor de entrada se mueve cuando hablas.

El modelo sin conexión opcional

Las versiones de Windows y Linux también pueden usar un modelo sin conexión que se descarga una sola vez (unos 640 MB). A partir de ahí, el reconocimiento ocurre en tu propio ordenador sin mandar audio a ningún sitio, algo útil en el tren, con una conexión inestable o simplemente si prefieres que tu voz no salga del equipo.

Que te convenga depende de tu máquina y de tus idiomas, así que prueba los dos modos con las mismas frases, por ejemplo «Haz merge de la rama cuando pasen los tests y etiqueta la versión como dos punto cuatro», y quédate con el que necesite menos correcciones. Si dictas mensajes de commit o comentarios largos, copia la rutina de dictado para escritores: suelta el borrador hablando y corrígelo de una pasada. Y si el motivo para mirar el modo sin conexión es la privacidad, en ¿es privado el dictado por voz? tienes las preguntas que conviene hacerle a cualquier herramienta.

Problemas frecuentes en Linux

• El atajo no hace nada: mira primero el tipo de sesión. En Wayland, los atajos globales de apps normales están bloqueados; cierra sesión y elige X11 si tu distribución lo ofrece.
• La tecla Alt derecha escribe caracteres raros: en el teclado español, Alt derecha es AltGr y sirve para escribir @, # o €. Elige otra tecla de dictado en los ajustes para que no choquen.
• Reconoce el texto pero no lo pega: asegúrate de que el cursor está en un campo de texto y de que la ventana de destino tiene el foco al soltar la tecla. Algunos emuladores de terminal pegan con Ctrl+Mayús+V, así que prueba primero en un editor de texto sencillo para aislar el problema.
• No oye nada: abre los ajustes de sonido o pavucontrol, elige el dispositivo de entrada correcto y mira el medidor. Los auriculares Bluetooth a veces aparecen como dos dispositivos; elige el que tiene micrófono.
• El AppImage no arranca: ejecútalo desde una terminal para ver el error. Un mensaje sobre FUSE significa que falta el paquete de compatibilidad.

Si también usas Windows, en dictado por voz en Windows 11 se explica la escritura por voz que trae el sistema, y en la mejor app de dictado para Windows se comparan las opciones que puedes instalar.

Preguntas y respuestas

Fuentes

• nerd-dictation en GitHub (en inglés) (revisado 6 de noviembre de 2026)
• whisper.cpp en GitHub (en inglés) (revisado 6 de noviembre de 2026)

Más guías

• Dictar en dos o más idiomas: cambiar, mezclar y no volverte loco corrigiendo
• ¿Es privado el dictado por voz? Qué pasa con lo que dices
• Cómo elegir una app de dictado por voz para Windows
• Cómo hacer dictado por voz en Windows 11