Cómo transcribir audio
Transcribir audio a texto con nuestra herramienta de IA requiere tres pasos. Sin instalación de software ni creación de cuenta — todo funciona en tu navegador.
Sube tu audio
Arrastra y suelta tu archivo de audio o haz clic para buscarlo. Admite MP3, WAV, FLAC, OGG, M4A, AAC, WMA y archivos de vídeo de hasta 100 MB.
Elige los ajustes
Selecciona el formato de salida (TXT, SRT o VTT), elige el idioma o usa la detección automática, y selecciona el modo Rápido o Mejor calidad.
Obtén tu transcripción
La IA transcribe el habla, muestra el idioma detectado, la duración y las primeras líneas del texto, y te da el archivo para descargar. Las grabaciones más largas tardan más; cada trabajo puede durar hasta 10 minutos.
Todo el proceso ocurre en nuestros servidores — tu navegador sube el archivo, la IA lo transcribe y recibes el resultado. No se necesita potencia de procesamiento local, por lo que funciona en cualquier dispositivo, incluidos móviles y tabletas.
Formatos de audio admitidos
Nuestra herramienta de transcripción acepta todos los formatos de audio principales. Aquí tienes qué es cada formato y cuándo es probable que te lo encuentres.
MP3
ComprimidoEl formato de audio más común. Los archivos MP3 son compactos y se usan mucho para música, podcasts, grabaciones de voz y audio descargado. Muchas apps de grabadora de voz pueden exportar en este formato. Compatibilidad excelente con el motor de transcripción.
WAV
Sin pérdidaFormato de audio sin comprimir utilizado en grabación profesional. Los archivos WAV son grandes, pero conservan cada detalle de la grabación original. Es la salida habitual de interfaces de audio, DAW y equipos de dictado profesionales. La mejor calidad de audio para la precisión de la transcripción.
FLAC
Sin pérdidaFormato comprimido sin pérdida — la misma calidad que WAV con aproximadamente la mitad de tamaño. Lo usan los audiófilos y se emplea para grabaciones de archivo. Los archivos FLAC ofrecen una precisión de transcripción excelente porque no se descarta ningún dato de audio durante la compresión.
OGG
ComprimidoFormato de audio comprimido de código abierto (normalmente con el códec Vorbis). Habitual en videojuegos, software de código abierto y algunas apps de grabación de voz. Calidad similar a MP3 con la misma tasa de bits. Totalmente compatible con el motor de transcripción.
M4A
Audio AppleEl formato de audio predeterminado de Apple, con compresión AAC. Los iPhone, iPad y Mac generan archivos M4A desde la app Notas de Voz, las grabaciones de pantalla y otras herramientas integradas. Calidad algo mejor que MP3 con el mismo tamaño de archivo. Nuestra guía explica qué es un archivo M4A y cómo se relaciona con AAC.
AAC
ComprimidoAdvanced Audio Coding — el códec que hay dentro de los contenedores M4A. También se usa por sí solo en servicios de streaming, grabaciones de videoconferencias y algunas grabadoras de voz de Android. Comprime con más eficiencia que MP3 y da resultados de transcripción excelentes.
WMA
ComprimidoFormato Windows Media Audio de Microsoft. Se encuentra en grabaciones de voz antiguas de Windows, software de dictado y archivos de audio heredados. Hoy es menos común, pero sigue siendo compatible. Si tienes archivos WMA de herramientas de dictado antiguas de Windows, se transcribirán sin necesidad de convertirlos.
También archivos de vídeo: también puedes subir archivos de vídeo (MP4, MKV, AVI, MOV, WebM) directamente. La herramienta extrae automáticamente la pista de audio y transcribe el habla — no hace falta convertir antes el vídeo a audio. Para convertir esa voz en subtítulos, consulta cómo generar subtítulos SRT y VTT a partir de un vídeo.
Precisión de la transcripción
La transcripción por IA no es perfecta — ninguna herramienta automatizada lo es. Comprender qué afecta a la precisión te ayuda a obtener los mejores resultados y a tener expectativas realistas sobre tu transcripción. Para conversaciones grabadas entre dos o más personas, consulta cómo transcribir una entrevista con IA.
Cuántas palabras salen bien depende sobre todo de la grabación, no de la herramienta. Estos son los factores que más influyen:
- Calidad del audio. Es, con diferencia, el factor más importante. Una grabación hecha con un micrófono decente en una sala silenciosa se transcribirá casi a la perfección. Una grabación desde un móvil apoyado en una mesa durante una reunión ruidosa tendrá muchos más errores. Cuanto más limpia sea la señal de audio que llega a la IA, mejor el resultado.
- Ruido de fondo. La música, el tráfico, el zumbido del aire acondicionado, el tecleo y otros sonidos ambientales compiten con el habla por la atención de la IA. Un ruido de fondo bajo y constante (como un ventilador) se gestiona razonablemente bien. Los sonidos fuertes intermitentes (puertas que se cierran, teléfonos que suenan) causan más errores porque la IA puede interpretar el ruido como habla o perder palabras que se solapan con el ruido.
- Número de interlocutores. Un único interlocutor es el caso más sencillo para la transcripción por IA. Cuando hablan varias personas — especialmente si se interrumpen o solapan — la precisión baja. La IA no separa actualmente a los interlocutores por identidad (no hay diarización de locutor), por lo que todo el habla se transcribe como un único flujo continuo.
- Acentos y patrones de habla. El modelo de IA Whisper está entrenado con un conjunto de datos diverso que cubre muchos acentos en inglés (americano, británico, australiano, indio, etc.) y muchos idiomas. Sin embargo, los acentos regionales muy marcados, el habla rápida, el hablar entre dientes o el uso intensivo de jerga reducirán la precisión frente a una pronunciación clara y estándar.
- Vocabulario técnico. Los términos específicos de un campo — terminología médica, jerga legal, nombres de marca, acrónimos — pueden transcribirse fonéticamente en lugar de correctamente si no estaban bien representados en los datos de entrenamiento. Puede que tengas que corregir manualmente términos especializados en la salida.
- Distancia de grabación. Un micrófono de solapa capta el habla mucho más claramente que un teléfono situado al otro lado de la sala. Cuanto más lejos esté el interlocutor del micrófono, menor será la relación señal/ruido y más tendrá que adivinar la IA palabras poco claras.
Casos de uso de la transcripción de audio
La transcripción de audio ahorra horas de mecanografía manual. Estos son los escenarios más comunes donde convertir audio en texto aporta un valor real.
- Grabaciones de reuniones. Graba las reuniones de tu equipo (Zoom, Teams, Google Meet) y transcríbelas después. Una transcripción en texto es buscable, ojeable y fácil de compartir con quienes no pudieron asistir. Extrae tareas y decisiones sin volver a escuchar la grabación completa.
- Clases y conferencias. Los estudiantes pueden grabar las clases y generar transcripciones para sus apuntes. Una transcripción te permite buscar temas concretos, resaltar conceptos clave y repasar la materia a tu ritmo en lugar de reproducir una grabación de 90 minutos para encontrar una explicación.
- Notas de voz y lluvia de ideas. Muchas personas piensan más rápido de lo que escriben. Graba tus ideas como notas de voz y después transcríbelas a texto que podrás organizar, editar y compartir. Especialmente útil para escritores, creadores de contenido y cualquiera que capte ideas sobre la marcha.
- Llamadas y atención al cliente. Transcribe las conversaciones telefónicas grabadas para registros de cumplimiento, control de calidad o referencia personal. Los equipos de call center usan la transcripción para analizar las interacciones con clientes, identificar preguntas frecuentes y formar a los agentes.
- Dictado y escritura. Dicta artículos, informes, correos o escritura creativa en una grabadora de voz y transcribe el audio a texto editable. Para muchas personas es más rápido que escribir, especialmente en borradores donde la velocidad importa más que la perfección.
- Contenido de podcasts y vídeo. Transcribe episodios de podcast o bandas sonoras de vídeo para crear notas del episodio, publicaciones de blog o archivos buscables. Las transcripciones también mejoran el SEO del contenido de audio y vídeo al proporcionar a los buscadores texto para indexar.
Modo Rápido vs Mejor calidad
La herramienta ofrece dos modos de calidad, Rápido y Mejor. Ambos ejecutan el modelo de reconocimiento de voz Whisper de OpenAI en nuestros servidores y generan los mismos formatos de salida.
Modo Rápido (Whisper base)
El ajuste predeterminado. Usa el modelo base de Whisper (74 millones de parámetros) y es el punto de partida adecuado para:
- Grabaciones claras y de buena calidad con un solo interlocutor
- Borradores rápidos en los que vas a editar la transcripción
- Grabaciones largas en las que importa el tiempo de procesamiento
- Acentos estándar en entornos bien grabados
Modo Mejor calidad
Pensado para grabaciones en las que la precisión importa más que la velocidad. Pruébalo con:
- Entrevistas y clases que piensas citar
- Interlocutores con acento marcado o que hablan rápido
- Grabaciones con ruido de fondo
- Audio que no está en inglés
Empieza con el modo Rápido. Si la transcripción tiene muchos errores, la mayor mejora suele venir de una grabación más limpia y de seleccionar el idioma hablado en lugar de la detección automática. Revisa siempre a mano los nombres, las cifras y la jerga.
Idiomas: elige uno de los 15 idiomas del menú (inglés, español, francés, alemán, portugués, italiano, neerlandés, polaco, ruso, ucraniano, japonés, coreano, chino, árabe y turco) o déjalo en detección automática. Si la detección automática elige un idioma equivocado, selecciónalo a mano y vuelve a procesar el archivo.
Otras formas gratuitas de transcribir audio a texto
Algunas aplicaciones que quizá ya uses pueden convertir voz en texto. El problema suele ser que solo escuchan un micrófono en directo o que necesitan una suscripción.
Microsoft Word para la web
Los suscriptores de Microsoft 365 pueden abrir Word en el navegador y usar Inicio → Dictar → Transcribir para subir una grabación. Word añade marcas de tiempo y etiquetas de interlocutor. La disponibilidad y los minutos de subida mensuales dependen de tu plan.
Escritura por voz de Google Docs
Herramientas → Escritura por voz en Chrome escribe lo que oye el micrófono. No puede abrir un archivo de audio, así que tendrías que reproducir la grabación en voz alta junto al micrófono y esperar en tiempo real.
Whisper en tu propio ordenador
El modelo Whisper de OpenAI es de código abierto. Si te manejas con la línea de comandos, instálalo y ejecuta whisper recording.mp3 --model base --output_format txt. Es gratis, pero la instalación y la velocidad dependen de tu equipo.
| Método | Subir un archivo | Marcas de tiempo | Coste |
|---|---|---|---|
| CleverUtils (esta herramienta) | Sí, hasta 100 MB | En SRT y VTT | Gratis, sin registro |
| Word para la web | Sí | Sí | Plan de Microsoft 365 |
| Escritura por voz de Google Docs | No, solo micrófono en directo | No | Gratis |
| Whisper en tu ordenador | Sí | Sí | Gratis, requiere instalación |