Skip to content

Voz a texto (transcripción)

Convierte en texto y subtítulos la voz de un archivo de audio o vídeo, o una grabación del micrófono. El modelo abierto Whisper se ejecuta en tu navegador, así que tu grabación nunca se envía a un servicio de transcripción.

  • Gratis
  • Sin registro
  • Funciona en tu navegador

El audio se decodifica y transcribe en este dispositivo y no se sube. El modelo Whisper se descarga desde Hugging Face en el primer uso.

Cómo usar la herramienta

  1. Elige un archivo de audio o vídeo (hasta 30 minutos) o graba con el micrófono.
  2. Selecciona el idioma hablado o deja la detección automática. Si quieres, traduce el audio al inglés.
  3. Pulsa Transcribir, edita el texto y descárgalo como .txt o como subtítulos .srt o .vtt.

Ten en cuenta: En el primer uso, el modelo Whisper base (unos 80 MB) se descarga desde Hugging Face. La velocidad depende del dispositivo y puede ser mayor que la duración de la grabación en móviles y portátiles antiguos.

Límites: Los límites dependen del navegador y del dispositivo.

Cómo funciona la transcripción

El navegador decodifica el archivo, lo convierte a mono y lo remuestrea a 16 kHz, el formato que espera el modelo. Después el audio se procesa en ventanas de 30 segundos con un pequeño solapamiento, y Whisper predice las palabras y sus tiempos aproximados. OpenAI publicó Whisper con licencia MIT y lo entrenó en muchos idiomas, por eso también puede detectar el idioma y traducir el audio al inglés.

La voz clara con poco ruido de fondo da los mejores resultados; las voces superpuestas, la música, los acentos fuertes y el vocabulario especializado aumentan los errores.

Los tiempos se usan para crear subtítulos SRT y WebVTT, compatibles con la mayoría de reproductores y plataformas. Son aproximados, así que revísalos antes de publicar. La herramienta no distingue entre hablantes. En entrevistas o grabaciones legales o médicas, trata la transcripción como un borrador.

Preguntas frecuentes

¿Se sube mi grabación?

No. La decodificación y la transcripción se hacen en tu navegador. Solo se descargan los archivos del modelo desde Hugging Face.

¿Qué formatos funcionan?

Cualquier formato de audio o vídeo que tu navegador pueda reproducir, como MP3, M4A, WAV, OGG, WebM y la mayoría de MP4.

¿Por qué tarda tanto?

El modelo se ejecuta en tu propio procesador. Un portátil moderno suele transcribir más rápido que el tiempo real; los móviles antiguos pueden ser varias veces más lentos.

Más herramientas