Transcribir audio
Convierte cualquier grabación de audio en una transcripción editable y con marcas de tiempo, gratis — en tu navegador, sin subidas ni cuentas. Un modelo pequeño de reconocimiento de voz Whisper se descarga una vez y después toda la transcripción corre sin conexión en esta pestaña; exporta el resultado como TXT o como subtítulos SRT o VTT.
Aviso: la transcripción ejecuta una red neuronal en tu navegador. En dispositivos modestos, los audios largos tardan un rato y el equipo puede calentarse; los clips cortos terminan mucho más rápido.
Suelta un archivo de audio
o suéltalo en cualquier parte de la página · Elegir un archivo · 100 MB
Aceptados: MP3, WAV, OGG, OGA, OPUS, M4A, M4B, AAC, FLAC, ALAC, AIF, AIFF, AIFC, WMA, AC3, EAC3, DTS, AMR, AWB, CAF, MKA, APE, WV, TTA, MP2, MPC, SPX, AU, SND, VOC, 3GA
¿Cómo funciona Transcribir audio?
El motor es Whisper, el modelo de reconocimiento de voz abierto cuyas variantes tiny y base son lo bastante pequeñas para correr en la CPU de un portátil. Traduce el audio a texto segmento a segmento, con marcas de tiempo por segmento y detección de idioma integrada.
Por qué el audio se remuestrea primero
Whisper espera exactamente muestras mono a 16 kHz — no se entrenó con nada más. Tu archivo se decodifica con la Web Audio API y se remuestrea a esa tasa exacta antes de la inferencia; sin ese paso, la precisión se desploma.
Troceado de grabaciones largas
Whisper consume ventanas de 30 segundos, así que una grabación larga se corta en trozos de 30 segundos con 5 de solape. Cada trozo se transcribe y los solapes se reconcilian para que las frases que cruzan el corte no se partan por la mitad.
Tu grabación
interview.mp3 — 12 minutes, two speakers
Transcripción editable
Timestamped transcript: “0:04 So the first thing we tried…” → export as .srt
¿Qué opciones y casos límite admite Transcribir audio?
| Parámetro | Tipo | Valor predeterminado | Comportamiento y casos límite |
|---|---|---|---|
| Modelo | Tamaño | tiny (~40 MB) | Tiny (~40 MB) transcribe rápido y basta para voz clara; base (~80 MB) rinde mejor con acentos y ruido. |
| Idioma | Ajuste | detección automática | Whisper detecta el idioma por sí mismo; fijarlo explícitamente mejora la precisión cuando lo sabes. |
| Entrada | Formatos | MP3, WAV, OGG, M4A, FLAC | MP3, WAV, OGG, M4A, FLAC y todo lo que tu navegador decodifique; la remuestreación corre por nuestra cuenta. |
| Marcas de tiempo | Salida | por segmento | Cada segmento lleva tiempos de inicio y fin. Haz clic en una marca para saltar a ese instante en la reproducción. |
| Exportaciones | Formatos | TXT, SRT, VTT | Texto plano, subtítulos SubRip y subtítulos WebVTT, generados de la misma transcripción. |
Preguntas frecuentes
¿Se sube mi audio a algún sitio?
No. El modelo se descarga una vez desde este sitio y desde entonces todo corre en tu pestaña: la transcripción funciona incluso con la red desconectada. El panel Network demostrará que tu grabación no viaja.
¿Qué modelo elijo: tiny o base?
Tiny para voz clara, acentos estándar y prisa; base cuando hay ruido de fondo, varios acentos o vocabulario técnico. Base es tres veces más pesado y unas dos veces más lento, pero falla bastante menos en material difícil.
¿Qué formatos de audio admite?
MP3, WAV, OGG Vorbis, M4A/AAC, FLAC y todo lo que tu navegador decodifique. El archivo se remuestrea internamente a 16 kHz mono, así que no tienes que preparar nada.
¿Qué precisión tiene la transcripción?
Con voz clara, tiny y base rondan la precisión de servicio humano en inglés; en ruido, con acentos fuertes o vocabulario especializado la cifra cae. Las marcas de confianza te muestran dónde dudó el modelo para que revises solo lo problemático.
¿Qué diferencia hay entre SRT y VTT?
Ambos son subtítulos con marcas de tiempo. SRT es el formato que aceptan reproductores de vídeo y YouTube; VTT es el estándar web (elemento track de HTML5). El contenido es idéntico: elige según dónde vayas a usarlo.
¿Distingue entre hablantes?
No. Whisper transcribe lo que se dice, no quién lo dice. Para entrevistas, la convención práctica es etiquetar los turnos a mano en la exportación de texto; los modelos de diarización son otro problema que este tool no aborda.