Audio a texto
Convierte una grabación o un vídeo en texto y subtítulos en tu navegador, sin subirlo a ningún sitio.
Cargando Audio a texto… Si no ocurre nada, activa JavaScript.
Esta herramienta escucha un archivo de audio o vídeo y escribe lo que se dice. Suelta aquí una nota de voz, una entrevista, una clase, un episodio de pódcast, la grabación de una reunión o un vídeo del móvil y, poco después, tendrás las palabras en texto plano, en una lista con marcas de tiempo y en archivos de subtítulos listos para usar en los dos formatos que esperan los reproductores y editores de vídeo: SRT y WebVTT. Funciona con los formatos habituales (MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM y MP4) y, con contenedores menos comunes como MKV, AVI o MOV, primero extrae la pista de audio. Puedes poner varios archivos en cola y se transcriben uno tras otro, con un único .zip al final que reúne el texto y los dos archivos de subtítulos de cada uno.
Preguntas frecuentes
¿Se sube mi audio a algún servidor?
¿Por qué tarda más la primera vez?
¿Cuánto se tarda en transcribir un archivo?
¿Qué idiomas entiende?
¿Qué hace la opción de traducir al inglés?
¿Por qué aparecen palabras que nadie ha dicho?
¿Qué diferencia hay entre SRT y VTT?
¿Puedo transcribir un archivo de vídeo?
¿Distingue entre distintas personas que hablan?
Acerca de Audio a texto
La transcripción la hace Whisper, el modelo abierto de reconocimiento de voz que OpenAI publicó en 2022, en su versión base multilingüe. Entiende cerca de cien idiomas, puede averiguar por sí mismo cuál se está hablando y también traduce directamente al inglés lo que se dice en otro idioma. El modelo funciona dentro de tu navegador: la primera vez que usas la herramienta descarga unos 77 MB desde este sitio, que el navegador guarda después, así que las siguientes visitas arrancan casi al instante. Tus grabaciones nunca salen de tu dispositivo, algo importante cuando el archivo es una consulta médica, una entrevista de trabajo, un vídeo familiar o una reunión confidencial. En un ordenador con un Chrome o Edge reciente, el trabajo lo hace la tarjeta gráfica y es rápido; si no, lo hace el procesador, lo que va bien para clips cortos pero puede tardar tanto como la propia grabación, o más, en archivos largos.
Entender cómo se comporta el modelo te ayuda a obtener mejores resultados. Lo ideal es una voz clara y cerca del micrófono, mientras que la música de fondo fuerte, varias personas hablando a la vez, los acentos muy marcados y las llamadas con mala conexión reducen la precisión. Elegir tú el idioma hablado, en lugar de dejarlo en automático, evita el caso poco frecuente de que un archivo corto o con ruido se identifique mal. Whisper tiene la conocida costumbre de inventarse palabras verosímiles durante silencios largos, música o pasajes muy bajos (una frase como "Gracias por ver el vídeo" que aparece de la nada es típica), por eso la herramienta se salta los tramos completamente en silencio, y conviene leer el resultado antes de publicarlo. Las marcas de tiempo tienen una precisión de alrededor de un segundo, suficiente para subtítulos que puedes ajustar en cualquier editor de subtítulos.
Whisper aprendió con 680.000 horas de internet
Cuando OpenAI publicó Whisper en septiembre de 2022, lo sorprendente no fue el diseño del modelo, un codificador y decodificador bastante clásico, sino los datos de entrenamiento. En lugar de grabaciones de estudio transcritas con cuidado, se entrenó con unas 680.000 horas de audio recogido de la web junto con las transcripciones que ya existían, y alrededor de un tercio en idiomas distintos del inglés.
Ese conjunto de datos enorme y desordenado es la razón de que se desenvuelva tan bien con acentos, ruido de fondo y vocabulario técnico sin estar ajustado para nada de ello. También es el origen de sus famosas alucinaciones: muchos vídeos en internet terminan con una frase como "Gracias por ver, suscríbete al canal" en los subtítulos aunque nadie la diga, y el modelo aprendió que el silencio al final de un clip suele ir seguido de esas palabras.
El modelo escucha en ventanas fijas de 30 segundos y convierte cada una en un mapa de frecuencias a lo largo del tiempo, parecido a una imagen, antes de decodificarlo en texto. Las grabaciones largas se cortan en una serie de estas ventanas, y las marcas de tiempo que predice dentro de cada ventana se desplazan después a su lugar en el archivo completo, que es exactamente lo que hace esta herramienta en tu navegador.