Transcribir Audio a Texto
Transcribe audio o vídeo a texto con Whisper, directo en tu navegador: el archivo no se sube a ningún servidor. Español y otros idiomas, y subtítulos .srt y .vtt.
Qué hace esta herramienta
Sube un audio o un vídeo —MP3, WAV, M4A, OGG, WebM o MP4— o graba con el micrófono, y Whisper, el modelo de reconocimiento de voz de OpenAI, lo convierte en texto. Funciona en español, inglés, portugués y casi cien idiomas más, y puedes dejar que detecte el idioma solo o elegirlo tú.
El resultado sale en dos formas:
- Texto plano, para copiar o descargar como
.txt. - Subtítulos con marcas de tiempo, en
.srt(el formato que aceptan YouTube, Premiere, DaVinci Resolve o CapCut) y en.vtt(el de los reproductores web).
Cómo usarla
- Arrastra el archivo, haz clic para elegirlo o pulsa Grabar con el micrófono.
- Elige el idioma del audio. Si lo conoces, indícalo: la detección automática acierta casi siempre, pero fijarlo evita sustos con audios cortos o con mucho ruido.
- Elige el modelo: Rápido (Whisper base) o Preciso (Whisper small). Junto a cada uno ves cuánto se descarga.
- Pulsa Transcribir. La primera vez se baja el modelo; mientras transcribe vas viendo el texto aparecer fragmento a fragmento.
- Copia el texto o descarga el
.txt, el.srto el.vtt.
Tu audio no sale de tu equipo
Los servicios de transcripción habituales suben tu archivo a sus servidores. Aquí no: el audio se decodifica y se transcribe dentro de tu navegador. No hay cuenta, ni minutos gratis al mes, ni una copia de tu grabación en el disco de otra empresa. Eso importa cuando lo que transcribes es una entrevista, una consulta, una reunión interna o una nota de voz con datos de alguien.
Lo único que viaja por la red es el modelo, que se descarga de Hugging Face la primera vez y queda guardado en la caché del navegador. Las siguientes veces arranca sin descargar nada.
Requisitos y tamaño de la descarga
| Modelo | En CPU | Con WebGPU |
|---|---|---|
| Rápido (Whisper base) | ~80 MB | ~210 MB |
| Preciso (Whisper small) | ~250 MB | ~590 MB |
Si tu navegador ofrece WebGPU (Chrome o Edge recientes en escritorio, por lo general), el modelo corre en la tarjeta gráfica y suele ir bastante más rápido. Si no, corre en el procesador: funciona en cualquier navegador moderno, pero más despacio; en el móvil, mejor el modelo rápido y audios cortos. La herramienta te dice cuál de los dos va a usar y te da una estimación del tiempo antes de empezar.
El límite es práctico, no fijo: todo el audio se carga en memoria y, en CPU, un archivo de más de 10 minutos ya va lento. Para una hora de grabación conviene un equipo de escritorio con WebGPU o partir el audio en trozos. Mientras transcribe, deja la pestaña abierta y en primer plano: los navegadores frenan las pestañas en segundo plano.
En qué acierta y en qué falla
Whisper es de los mejores modelos abiertos para español, pero los que caben en un navegador son los pequeños de su familia, así que conviene saber dónde tropiezan:
- Voz clara, un solo hablante, poco ruido: el texto sale casi limpio.
- Ruido de fondo, música o varias personas a la vez: aumentan los errores y a veces se salta frases.
- Nombres propios, marcas y cifras: es donde más se equivoca. Revísalos siempre.
- No separa hablantes: el texto no dice quién dijo qué.
- Silencios largos: en tramos sin voz, a veces repite una frase o inventa una corta. Si ves texto que nadie dijo, suele estar en un silencio.
El modelo Preciso suele equivocarse menos, sobre todo con ruido y vocabulario poco común, a cambio de una descarga tres veces mayor y de tardar más.
Subtítulos para tus vídeos
Si vas a subtitular un vídeo, descarga el .srt y súbelo en YouTube (en Subtítulos) o impórtalo en tu editor. Cada línea lleva su tiempo de inicio y fin, así que solo hay que corregir el texto, no sincronizarlo. Esta herramienta no incrusta los subtítulos en la imagen del vídeo.
Preguntas frecuentes
¿Mi audio se sube a algún servidor?
No. El audio se decodifica y se transcribe dentro de tu navegador. Lo único que viaja por la red es el modelo de Whisper, que se descarga de Hugging Face la primera vez y queda guardado en la caché del navegador. Puedes comprobarlo en la pestaña de red de las herramientas de desarrollo: al transcribir no sale ninguna petición con tu archivo.
¿Cuánto se descarga y cuánto tarda?
El modelo rápido (Whisper base) son unos 80 MB si corre en el procesador y unos 210 MB si tu navegador tiene WebGPU; el preciso (Whisper small), unos 250 MB y 590 MB. Se baja una sola vez. Después, en CPU, un equipo de escritorio potente transcribe con el modelo rápido en alrededor de un tercio de lo que dura el audio y con el preciso en unos dos tercios; un portátil corriente puede tardar el doble o el triple. Con WebGPU va más rápido. La página muestra una estimación antes de empezar.
¿Hay un límite de duración?
No hay un límite fijo, pero sí uno práctico: el audio completo se carga en la memoria del navegador, y en CPU un archivo de más de 10 minutos ya va lento. Para entrevistas o clases de una hora conviene un equipo de escritorio con WebGPU, o partir el audio en trozos.
¿Qué tan precisa es la transcripción en español?
Whisper es de los mejores modelos abiertos para español, pero los modelos que caben en un navegador son los pequeños de la familia. Con voz clara y poco ruido el resultado suele necesitar pocas correcciones; con ruido de fondo, varias personas hablando a la vez o mucho vocabulario técnico, comete más errores. El modelo preciso los reduce a cambio de una descarga mayor. Revisa siempre nombres propios y cifras.
¿Puedo transcribir un vídeo?
Sí, si tu navegador sabe leer su audio: MP4 y WebM funcionan en Chrome, Edge y Firefox. La herramienta extrae solo la pista de sonido. Con el archivo .srt o .vtt puedes añadir subtítulos al vídeo en YouTube o en tu editor; esta herramienta no los incrusta en la imagen.
¿Distingue quién habla?
No. Whisper transcribe lo que oye, pero no separa hablantes. El texto sale por fragmentos con marcas de tiempo, sin etiquetas de quién dijo qué.
Herramientas relacionadas
Otras del catálogo que se usan bien junto a esta.