MinusPod es un proyecto de self-hosting relativamente nuevo -- destacado en el boletín Self-Host Weekly del 4 de septiembre de 2026, con unas 407 estrellas en GitHub en poco tiempo -- que ataca un problema muy concreto: eliminar los anuncios de tus podcasts favoritos antes de reproducirlos, en vez de aguantarlos o saltarlos a mano. El mecanismo, de principio a fin: MinusPod descarga el episodio, lo transcribe con Whisper (localmente vía faster-whisper si tienes GPU, o contra una API remota si no), pasa esa transcripción a un LLM -- puedes usar Claude, Ollama, OpenRouter o cualquier endpoint compatible con la API de OpenAI, es decir, traes tu propio modelo -- que identifica los tramos publicitarios, recorta el audio con FFmpeg en esos puntos exactos, y sirve un feed RSS/audio ya editado a través de un servidor Flask propio, para que lo añadas a tu app de podcasts habitual como una fuente más. Con el tiempo, aprende los patrones de patrocinadores que se repiten entre episodios del mismo programa a partir de tus correcciones manuales. Es software joven (licencia MIT, despliegue vía Docker) -- no lo trates como una pieza de infraestructura crítica todavía, sino como un proyecto de homelab entretenido de probar, con la ventaja de que puedes elegir tú mismo qué LLM hace el trabajo pesado, incluido uno completamente local si la privacidad de qué podcasts escuchas te importa.
Cómo instalar MinusPod para que un LLM recorte los anuncios de tus podcasts automáticamente
Prepara los requisitos previos
Necesitas Docker (o Podman) instalado en tu host de homelab, y decidir de antemano qué vas a usar para la parte de transcripción (Whisper local vía faster-whisper, que se beneficia de una GPU disponible, o una API remota) y para la parte de detección de anuncios (un LLM -- Claude, Ollama local, OpenRouter, o cualquier endpoint compatible con la API de OpenAI).
Clona el repositorio y revisa la configuración de ejemplo
Descarga el proyecto desde su repositorio en GitHub (ttlequals0/MinusPod) y revisa el fichero de configuración de ejemplo que incluye, donde se define qué motor de transcripción y qué LLM vas a usar.
Configura el motor de transcripción y el LLM en el fichero .env
Edita el fichero .env para apuntar al motor de transcripción que hayas elegido (local con GPU, o API remota) y al LLM de detección de anuncios -- si prefieres mantener todo el procesamiento en tu propia red, usa Ollama local como backend del LLM en vez de una API externa.
Levanta el contenedor con Docker
Con la configuración lista, levanta el servicio -- si vas a usar Whisper local con aceleración por GPU, asegúrate de que el runtime de contenedores tiene acceso a ella (nvidia-container-toolkit u equivalente).
Añade tus feeds de podcast originales a MinusPod
Desde la interfaz web del servicio, añade las URLs de los feeds RSS de los podcasts que quieres que procese. El primer episodio de cada uno tardará más en procesarse, ya que no hay todavía patrones de patrocinador aprendidos para ese programa.
Suscríbete al feed editado desde tu app de podcasts habitual
MinusPod sirve un feed RSS propio con el audio ya recortado a través de su servidor Flask -- copia esa URL nueva en tu app de podcasts habitual como si fuera una fuente más, en vez de la URL original del programa.
Corrige manualmente los primeros episodios para que aprenda el patrón
Si el recorte inicial no es perfecto -- deja algún tramo de anuncio o corta contenido real por error --, usa la función de corrección manual de la interfaz. MinusPod usa esas correcciones para reconocer mejor los patrones de patrocinadores repetidos en episodios futuros del mismo programa.
Conclusión
MinusPod es exactamente el tipo de proyecto pequeño y bien enfocado que suele aparecer en los boletines de self-hosting semana sí, semana también -- resuelve un problema real y concreto sin pretender ser una plataforma completa. Como con cualquier proyecto joven, no confíes en él como única fuente de tus podcasts sin verificar de vez en cuando que el feed editado se sigue generando correctamente, y aprovecha que puedes apuntarlo a un LLM local si prefieres no mandar transcripciones de tus podcasts a una API externa.
