Cómo transcribir audio a texto gratis: métodos y precisión

Un motor de transcripción nunca oye palabras como las oye una persona. Divide la onda en fragmentos superpuestos de unos 25 milisegundos y convierte cada uno en un espectrograma, un mapa de qué frecuencias suenan fuerte en ese instante. El modelo acústico analiza ese mapa y estima qué sonidos del habla están presentes: el siseo de una s, la explosión de una t, las formas vocálicas que distinguen peso de piso. Por sí solo, eso produce una sucesión de sonidos probables, no un texto legible.

El modelo de lenguaje corrige buena parte de eso. Sabe qué secuencias de palabras son probables en frases reales, de modo que cuando los sonidos podrían ser a ver o haber, el contexto inclina la balanza. Los sistemas antiguos mantenían separadas estas dos partes y las entrenaban con material limitado y leído con cuidado; por eso los programas de dictado de la década de 2010 tropezaban con los acentos y el habla informal.

En septiembre de 2022, OpenAI publicó Whisper, un modelo abierto entrenado con unas 680 000 horas de audio multilingüe recopilado de la web. Reúne la parte acústica y la lingüística en una sola red que lee ventanas de 30 segundos y escribe directamente texto con puntuación. Los modelos de esta familia hicieron mucho más utilizables el habla con acento, el vocabulario mezclado y las grabaciones desordenadas del mundo real, y la mayoría de los servicios gratuitos de transcripción actuales, herramientas web incluidas, usan algo parecido. Aun así, siguen adivinando, y cuando el audio no se entiende adivinan con fluidez, lo que hace sus errores más difíciles de detectar.

La precisión suele medirse con la tasa de error por palabra: la proporción de palabras cambiadas, omitidas o inventadas frente a una transcripción humana cuidadosa. Una tasa de error del 5 % significa un fallo cada veinte palabras, lo que parece poco hasta que se nota que los errores se concentran en las palabras importantes, como un apellido, un código de producto o una cifra en una reunión de presupuesto.

Los factores siguientes aparecen más o menos en el orden en que perjudican. Casi todos se deciden al grabar, no al transcribir. Acercar el teléfono desde el centro de la mesa hasta un brazo de distancia de quien habla suele mejorar más que cualquier ajuste posterior.

La mayoría de las grabaciones pueden subirse tal cual. Prepararlas compensa en tres casos: el archivo es demasiado largo o pesado, la voz queda enterrada entre silencios o música, o el nivel es tan bajo que hay que subir el volumen al máximo para oírla. Un silencio largo al principio no es solo tiempo perdido: la detección automática decide el idioma con los primeros 30 segundos y puede guiarse por el ruido de la sala o por una cortinilla musical. Recortar la grabación a la parte con voz, o usar Inicio para saltarse la introducción, lo evita.

Rara vez hace falta convertir el formato. Las Notas de Voz del iPhone son M4A (audio AAC), las grabadoras de Android generan M4A, AAC o 3GP, y las grabadoras de llamadas suelen producir AMR; todos se pueden subir directamente. Convertir un archivo comprimido a WAV no recupera el detalle que se descartó al grabar, como explica la comparación de nuestra guía sobre MP3, WAV, FLAC y AAC, así que solo conviene convertir cuando una herramienta rechaza el formato. Una grabación de varias horas se divide en pausas naturales, como un receso o un cambio de tema, para que cada parte quede por debajo del límite de subida y sea más fácil de revisar.

La salida se elige según lo que vaya a pasar después. Para leer, citar o buscar en la transcripción, lo adecuado es texto sin formato o Word; Word mantiene párrafos, marcas de tiempo y etiquetas de hablante listos para editar, y PDF sirve para enviar una copia fija que nadie debe modificar. Si las palabras van a aparecer en pantalla sobre un video, hace falta un archivo de subtítulos: SRT o VTT dividen el habla en bloques cortos, cada uno con su hora de inicio y de fin, y la longitud de línea decide cuánto texto cabe en pantalla. Cuarenta y dos caracteres por línea es el estándar habitual en televisión.

SRT y VTT contienen la misma información con pequeñas diferencias. SRT, heredado del antiguo programa SubRip, numera cada bloque y escribe los tiempos con coma (00:01:15,000). WebVTT es el formato del W3C para video HTML5; empieza con una cabecera WEBVTT, usa punto en los tiempos y admite estilos y posicionamiento. YouTube, Vimeo, Premiere Pro y DaVinci Resolve aceptan ambos. JSON con tiempos por palabra es para desarrolladores que crean búsquedas, resaltado al estilo karaoke o su propia maquetación de subtítulos.

Antes de subir nada, conviene revisar lo que ya hacen los propios dispositivos. Apple añadió transcripciones a la app Notas de Voz en iOS 18, así que una grabación hecha en un iPhone reciente puede mostrar su texto en la misma app. La app Grabadora de Google en los teléfonos Pixel transcribe mientras graba desde 2019, íntegramente en el dispositivo, y distingue entre hablantes. En Microsoft 365, Word para la web tiene un comando Transcribir junto a Dictar que acepta archivos MP3, M4A, WAV y MP4 subidos, con un cupo mensual de minutos de carga. Escribir por voz de Google Docs (en el menú Herramientas, en Chrome) solo escucha el micrófono en directo; no puede leer un archivo existente.

Las plataformas de reuniones son otra fuente. Zoom, Microsoft Teams y Google Meet pueden generar la transcripción de una llamada cuando la transcripción está activada y el plan o la organización lo permiten, y asistentes como Otter.ai se unen a las reuniones para tomar notas. Son cómodos para las llamadas que uno organiza, pero cada uno funciona solo dentro de su propia app, requiere el consentimiento de todos para grabar y exporta en sus propios formatos. Para un archivo que ya se tiene, como una entrevista antigua, la grabación de una clase o una nota de voz reenviada por otra persona, un transcriptor de archivos suele ser el camino más sencillo.

Una herramienta web cubre lo que las opciones integradas dejan fuera: cualquier archivo de cualquier dispositivo, salidas de subtítulos e idiomas que el teléfono no admite. En el conversor de audio a texto, agregue el archivo, deje Idioma hablado en Detección automática o elija el idioma usted mismo, seleccione una Salida y active Marcas de tiempo o Etiquetas de hablante si las necesita. Las notas de voz del iPhone tienen su propia página de M4A a texto, y los archivos de pódcast o de grabadora, la de MP3 a texto; ambas usan el mismo motor. Cada archivo puede pesar hasta 95 MB, aproximadamente una hora y media de MP3 a 128 kbps. Para algo más largo, use Inicio y Fin para transcribir por partes, o recorte la grabación antes.

Conviene tener expectativas realistas. Una sola persona con un micrófono decente en una sala silenciosa suele dar un 90–95 % de acierto o más, a menudo suficiente para publicar tras una edición ligera. Un teléfono sobre la mesa de un restaurante concurrido, una videollamada con cortes o una mesa redonda en la que la gente se interrumpe pueden quedar muy por debajo, con frases enteras perdidas. Las etiquetas de hablante son fiables cuando las voces se distinguen con claridad y la gente respeta los turnos, y confunden dos voces parecidas con más frecuencia de lo que cabría esperar.

La revisión se hace con el audio abierto, no solo leyendo el texto, porque los modelos actuales escriben frases gramaticales incluso cuando se equivocan. Revise cada nombre propio, ya que un modelo no tiene forma de saber si su colega se escribe Yésica o Jéssica. Revise cada cifra: sesenta y setenta, fechas, precios y porcentajes se oyen mal con facilidad. Preste atención a los homófonos como haber/a ver, hay/ahí/ay y tuvo/tubo, y al relleno escrito con aplomo donde el audio no se entendía. Las marcas de tiempo agilizan la tarea, porque permiten saltar al momento exacto en que se dijo una línea dudosa.

Una grabación suele contener más información personal que un documento: voces, nombres, datos de salud, cifras de salarios. Antes de subirla, conviene saber adónde va el archivo y cuánto tiempo se conserva. En UltKit, los archivos se procesan en el servidor y se eliminan automáticamente 30 minutos después del procesamiento; no hay cuenta, así que nada queda vinculado a su nombre. La Grabadora de Pixel funciona sin conexión, de modo que el audio nunca sale del teléfono. Para cualquier material sujeto a un acuerdo de confidencialidad o al secreto médico o profesional del abogado, consulte primero la política de su organización; algunas exigen servicios aprobados y contratados.

La compatibilidad de idiomas es amplia pero desigual. El transcriptor cubre 33 idiomas, entre ellos inglés, español, francés, alemán, portugués, árabe, hindi, japonés, coreano, chino y ucraniano, y los mejores resultados se obtienen en los idiomas con más datos de entrenamiento. La detección automática elige un idioma por archivo. Si una reunión alterna entre dos idiomas, transcriba cada tramo por separado con el idioma configurado a mano. La transcripción siempre se escribe en el idioma en que se habló; la traducción es un paso aparte que se hace después sobre el texto.

La mayoría de las transcripciones fallidas se deben a unas pocas causas, y la solución suele estar en el archivo o en un ajuste, no en probar otro servicio. Si el propio audio es demasiado malo para seguirlo con comodidad, a la máquina le costará lo mismo, y transcribir a mano los pasajes clave puede ser más rápido que corregir una transcripción automática larga.