Cómo transcribir audio a texto gratis

La respuesta corta

Si tienes una grabación y necesitas ahora mismo sus palabras como texto, abre una herramienta de transcripción en el navegador que ejecute el modelo en tu dispositivo. Autoriza el micrófono o elige el archivo de audio, deja que el modelo se descargue en el primer uso, y recibes texto editable en bloques separados por líneas en blanco, uno por cada ventana de 30 segundos, con el recuento de palabras, lo que duró el clip y lo que duró el proceso, más los botones de copiar y descargar. Sin cuenta, sin clave de API, sin cuota, sin subida y sin instalar nada.

Si estás hablando en directo y quieres que las palabras aparezcan donde está el cursor —un correo, un documento, un mensaje de chat—, eso es otro trabajo que se llama dictado, y tu sistema operativo ya lo hace gratis sin que descargues nada.

Si la transcripción tiene que ser defendible —algo que vas a publicar, que vas a citar en un artículo, que vas a presentar ante un juzgado o anotar en una historia clínica—, la transcripción automática gratis es la herramienta equivocada, y la propia página de la herramienta lo dice.

• Grabación guardada convertida en archivo de texto: una herramienta en el navegador que trabaja en tu dispositivo.
• Habla en directo dentro de un campo de texto: el dictado de tu sistema operativo o del procesador de textos.
• Cualquier cosa con consecuencias legales, clínicas o de publicación: una persona.

Qué cuesta realmente aquí lo de «gratis»

Aquí no hay factura, pero hay un precio, y merece la pena nombrarlo en vez de fingir que la palabra «gratis» significa sin coste.

Lo que no pagas: una cuenta, una clave de API, una bolsa mensual de minutos, una trampa de «los primeros 15 minutos gratis» ni una subida. Ningún servidor está haciendo el trabajo, así que no hay factura de servidor que recuperar ni motivo para que alguien monetice tu audio.

Lo que sí pagas. Primero, el ancho de banda: el modelo no viene incrustado en la página, se obtiene en el primer uso, así que la primera ejecución tira de los pesos antes de que ocurra nada. Tu navegador guarda esa copia y la reutiliza después, lo que lo convierte en un coste puntual y no un coste por uso; sigue siendo un coste en una conexión con consumo medido.

Segundo, tu propia máquina. La inferencia corre en tu CPU dentro de la pestaña, así que el trabajo ocupa tiempo real, la batería de un portátil baja de forma perceptible en uno largo y no puedes dejarlo en segundo plano y olvidarte como con una subida: cierras la pestaña y el trabajo se pierde.

Tercero, la memoria, que es el techo real en lugar de un límite declarado: la página mantiene el clip entero mientras trabaja, así que qué longitud de grabación puedes intentar depende de cuánta memoria consiga la pestaña. Una entrevista corta no es nada; dos horas de grabación en un portátil barato es una moneda al aire.

Qué le hace el modelo a tu audio

El modelo que hay detrás de la transcripción gratis en el navegador es Whisper, y el modelo mental útil no es «reconocedor de voz» sino «traductor entre dos representaciones». Tu forma de onda se convierte en un array parecido a una imagen de características de audio: cuánta energía hay en cada frecuencia en cada corte corto de tiempo. Una red lee ese array como tú lees una página de texto, y una segunda red escribe palabras de una en una, condicionada por todo lo que ya ha escrito. Esa forma de secuencia a secuencia es la que alimenta la traducción automática.

Esa arquitectura explica comportamientos que un corrector fonético no predice. Como el texto se genera palabra a palabra contra un sesgo sobre cómo suele ir el idioma, la salida tiende a ser fluida e idiomática: un habla clara que contiene una palabra desconocida suele salir como una palabra conocida de sonido parecido, porque esa es la frase más probable. También significa que la puntuación y las mayúsculas las escribe ese mismo generador en lugar de un reglamento, así que son hábitos, no garantías.

Los fragmentos de 30 segundos y sus costuras

El otro hecho estructural es el troceado. El modelo se entrenó con una ventana fija de audio, y una grabación de cualquier longitud hay que cortarla en pedazos. Esta página procesa tu audio en ventanas de 30 segundos y une los resultados, con las ventanas solapándose entre sí 5 segundos, y una hora de habla se convierte en una larga serie de llamadas al modelo, una por ventana.

La consecuencia es la queja más común sobre transcripciones largas, y es una propiedad de esta herramienta, no un fallo que tú provocaste. El solapamiento de 5 segundos existe justo para llevar contexto a través de la costura, así que reduce pero no elimina el caso límite: una palabra que cae en el borde puede acabar en los dos bloques o en ninguno, y por eso un párrafo por lo demás excelente puede contener una frase duplicada y una sílaba que falta en los mismos sitios cada vez que ejecutas el mismo archivo. Cuando una sola palabra lleve el sentido —una dosis, un nombre, una negación—, corta antes el archivo en una pausa para que la costura caiga en un sitio inofensivo.

El audio y el selector de idioma, y por qué es una decisión

Esta página carga el checkpoint multilingüe de whisper-tiny. El selector de idioma ofrece la detección automática más cuatro lenguas concretas: inglés, español, portugués e indonesio. Decirle al modelo qué idioma va a oír es el ajuste fiable: la suposición de idioma ya está puesta, así que solo tiene que decidir qué se dijo.

Detección automática significa que el modelo decide primero qué idioma escuchó y después qué se dijo, y ese es el único paso extra que puede fallar en un clip corto o con acento cerrado. La amplitud también se paga en capacidad: Whisper se distribuye en una variante entrenada para un único idioma y otra entrenada para muchas, y el checkpoint multilingüe reparte parte de su capacidad entre las lenguas que cubre. Para un clip hablado en un solo idioma, el modelo dedicado a ese idioma —el que carga la versión inglesa de esta página— es el instrumento más fino.

Un corolario para el audio con idiomas mezclados: un pasaje en una lengua que no coincide con lo que has elegido en el selector sale mal, y esa es la forma que toma aquí el fallo. Pon el selector en el idioma que domina la grabación, saca ese pasaje y haz el resto en una ejecución aparte; no intentes que una sola pasada con detección automática te arregle los cambios de lengua.

Lo que esta herramienta no hace

No des nada por supuesto aquí, porque las tres cosas siguientes son justo las que los lectores creen que están recibiendo.

Sin etiquetas de hablante. Whisper no hace diarización de hablantes y esta herramienta no se la añade. Si hablaron tres personas, recibes un texto sin ninguna indicación de quién dijo qué y sin marcas de «Hablante 2» que limpiar. Para una grabación con varias voces el arreglo es manual: deja una pausa clara entre hablantes y etiqueta las secciones mientras editas, o transcribe cada voz desde una pista separada si tu grabación las tiene.

Sin marcas de tiempo. No tendrás líneas de timecode, tiempos a nivel de palabra ni una línea de tiempo clicable que salte al audio. Así que no puedes montar un vídeo, citar un momento de una declaración ni alinear subtítulos desde esta salida sin buscar tú cada posición. Si los timecodes forman parte de lo que entregas, esta ruta te da las palabras y tú pones los tiempos.

Sin promesa sobre puntuación ni mayúsculas. Puede que salgan comas y principio de frase, pero lo único garantizado es texto plano en bloques separados por líneas en blanco, lo que deja los párrafos, los signos de interrogación y los nombres en mayúscula como responsabilidad tuya. Para un párrafo de monólogo son cinco minutos de arreglo; para ocho mil palabras de diálogo es un trabajo editorial de verdad, y lo que la gente nunca presupuesta son los saltos de párrafo que faltan.

Cómo conseguir una transcripción que de verdad sirva

La transcripción gratis es una lotería cuyo único billete ganador es un buen audio. Todo lo siguiente va sobre la entrada, porque el modelo es el que es.

Antes de grabar

Acerca el micrófono y déjalo ahí. Un teléfono a veinte centímetros de la boca del hablante gana al mismo teléfono al otro extremo de la mesa, porque la proximidad es lo que compra una señal limpia por encima de todo lo demás de la sala.

Elige la sala, no solo el micrófono. Una sala vacía, de paredes duras y techo alto es el peor entorno que existe: cada consonante llega al micrófono dos o tres veces más, tarde y borrosa, y el modelo tiene que quedarse con una interpretación de un sonido que es de verdad ambiguo. Una sala con moqueta, cortinas y muebles graba mejor, y los armarios y los coches son absurdamente buenos.

Mata el ruido de fondo antes de que haga falta: ventiladores, aire acondicionado, el compresor de la nevera, ventanas abiertas a una calle con tráfico, un extractor encendido. Tú no los oirás mientras estás ocupado hablando; el modelo sí.

Un hablante a la vez, y dilo en voz alta. El habla superpuesta no son dos flujos para un micrófono, es una sola forma de onda, y un generador de secuencias solo puede escribir una línea de texto, así que favorece a quien suena más fuerte y pierde por completo a la otra persona.

Cuando el audio no lo grabaste tú

Consigue la mejor copia disponible. Un archivo original de la grabadora, la cámara o la plataforma gana a una grabación de pantalla, que gana a una recodificación: cada generación de compresión tira el detalle fino de consonantes en el que se apoya el modelo.

Ten cuidado con el audio de calidad telefónica. El ancho de banda del teléfono va de unos 300 a 3400 hercios, lo que mantiene las vocales con comodidad y descarta buena parte de lo que separa «f» de «s», «p» de «b» y «k» de «t». Las transcripciones de llamadas salen fluidas e incorrectas, que es el peor modo de fallo, porque se leen bien.

Un vídeo con música o con un tono de sala bajo el diálogo es más difícil de lo que parece: el modelo se entrenó con habla, no con habla mezclada bajo una banda sonora, y una cama de música alta suele producir disparates dicho con mucha seguridad.

Para jerga, ten un glosario corto al lado. Los nombres poco comunes, los nombres en clave de producto, los nombres de medicamentos, los topónimos y los acrónimos son los tokens que el modelo ha visto menos veces, así que pone la palabra frecuente más cercana en sonido. Da por hecho que hará falta una pasada de nombres y planifícala.

Cuando aparece la transcripción

Trátalo como un primer borrador escrito a una velocidad imposible. Pégalo en tu editor y haz tres pasadas en lugar de una lectura: números y fechas, nombres propios, y todo lo que caiga cerca de un corte de 30 segundos.

Comprueba cifras y nombres primero, en ese orden. Se rompen antes que nada y se rompen en silencio: una cifra equivocada en un resumen que publicas es tu error, no el del modelo, y no hay ninguna puntuación de confianza pegada a la palabra que te avise.

Arregla la estructura al final: convierte los bloques separados por líneas en blanco en párrafos cuando el tema cambie de verdad, pon signos de interrogación donde alguien preguntó algo y quita la frase duplicada que ya sabes buscar.

Rutas gratis en un Mac, en un PC y en línea

Las respuestas que la gente busca aquí, mantenidas aparte de la herramienta del navegador de arriba: en las dos plataformas de escritorio ya tienes voz a texto gratis instalado, y para algunos trabajos es la mejor opción.

En un Mac

macOS trae el Dictado del sistema, que se activa en los ajustes de Teclado y está disponible en cualquier sitio donde se pueda escribir texto: Notas, Mail, un campo del navegador, la mayoría de los editores. Haz clic en algún sitio, pulsa el atajo configurado, habla y vuelve a pulsarlo. La misma función existe en iPhone y iPad dentro del teclado.

Esa ruta es para hablar en directo dentro de un campo de texto y no es una herramienta de transcripción: escribe mientras hablas, no lee un archivo de audio que ya existe, y si te callas puede simplemente dejar de escuchar. Para una grabación que ya existe usa la herramienta del navegador o tu procesador de textos.

En un PC

Windows tiene Escritura por voz en cualquier campo de texto con el foco, que se abre con la tecla Windows y la H. Dicta tus palabras en ese campo y recibe la puntuación por comando de voz en vez de deducirla de tu entonación.

La misma advertencia que en macOS, y por la misma razón: esto es dictado, no transcripción. Windows no trae ninguna utilidad gratis de «conviérteme este archivo de audio en texto», y ese es el hueco que llena la herramienta del navegador en tu propio equipo.

En línea

La ruta del navegador corre en cualquier máquina con un navegador actual, incluidos Chromebook y equipos Linux: es la respuesta práctica cuando el sistema operativo no tiene un dictado que merezca la pena o la máquina está bloqueada por política.

Ten claras dos cosas sobre «en línea». Significa en una pestaña del navegador, no en un servidor: el audio se decodifica y se transcribe localmente. Y la primera ejecución necesita conexión, porque es cuando llega el modelo; las ejecuciones siguientes reutilizan lo que tu navegador guardó.

En una máquina del trabajo, ten en cuenta que la página pide permiso de micrófono y la política puede bloquearlo; la ruta de archivo nunca toca el micrófono.

Dictado, procesadores de textos y servicios en la nube

Tres rutas compiten con la herramienta en el dispositivo, y cada una tiene un intercambio honesto que hacer.

El dictado del sistema operativo

Lo más rápido para ráfagas cortas, gratis, ya instalado, y pone las palabras exactamente donde estás trabajando. Inservible para algo que ya grabaste o que no puedes volver a interpretar: no puedes dictar un podcast que capturaste ayer.

Los modos de dictado de los procesadores de textos

Los procesadores de textos y las apps de notas más usadas exponen su propia función de dictar, que es la misma idea de habla en directo con comandos de formato pegados. Útil para redactar con la voz, igual de inútil con un archivo que ya existe. Algunas de ellas pasan por los servicios en línea del fabricante en vez de por tu dispositivo, así que si el contenido es sensible, averigua qué hace esa función con tu micrófono antes de usarla.

Subir el archivo a un servicio de transcripción de terceros

Esta es la oferta clásica de «transcripción gratis en línea»: suele haber una cuenta, suele haber una bonificación al registrarse, y a cambio de la comodidad tu grabación se copia en la infraestructura de otra persona, se procesa allí y se conserva allí el tiempo que diga su política, una ventana que normalmente sobrevive a que tú borres el archivo local.

Para una grabación de una entrevista pública eso suele ser aceptable. Para algo que contenga el nombre de un paciente, las observaciones confidenciales de un cliente o una persona que aceptó ser grabada pero no republicada, es una decisión real y no un detalle. La ruta en el dispositivo existe justo para que esa pregunta no haya que hacerla: el audio no va a ninguna parte, así que no hay periodo de retención que leer.

Los servicios en la nube sí compran cosas: etiquetas de hablante, timecodes, archivos muy largos y un procesamiento que no deja tu portátil ocupado. Solo que no los contrates para un archivo que no deberías estar enviando.

Paso a paso con la herramienta del navegador

Cómo es el flujo de principio a fin, con las reglas de entrada dichas sin rodeos para que nada te sorprenda.

1. Abre la página y deja que llegue el modelo

Abre la herramienta y lanza un trabajo. En el primer uso la página informa de la descarga del modelo y esperas mientras trae los pesos; las visitas siguientes reutilizan lo que tu navegador ya tiene. Nada más se instala y no hay que registrarse en nada.

2. Meter el audio

Dos entradas. Graba con el micrófono de la página, que captura localmente y te devuelve texto: la ruta para un ensayo, una entrevista en la que estás sentado o una nota que prefieres decir antes que escribir. La captura por micrófono produce WebM.

O elige un archivo que ya existe. No hay una lista fija de formatos admitidos, porque la página no mantiene ninguna lista blanca: lo que tu navegador pueda decodificar como audio o vídeo se puede entregar al decodificador, y lo que no pueda decodificar simplemente falla. Un archivo que tu navegador reproduce es una predicción razonable de un archivo que esta página puede leer; prueba con un clip corto antes de comprometerte con uno largo.

En ambos casos el audio se remuestrea dentro de la página a 16 kHz mono (un canal, 16,000 muestras por segundo, es decir 960,000 muestras en un minuto) antes de que el modelo lo vea. Esa es la resolución a la que trabaja Whisper, así que un máster estéreo de 48 kHz no le aporta a la transcripción nada.

3. Ejecutar y leer el resultado

Lanza la transcripción y la página recorre el audio en ventanas de 30 segundos. El resultado es texto plano editable repartido en bloques separados por líneas en blanco, uno por ventana, con una línea debajo que cuenta las palabras y dice cuánto duraron el clip y el procesamiento. Dos formas de sacarlo de la página: un botón para copiar y un botón de descarga que guarda la transcripción como archivo .txt. No hay exportación de subtítulos, ni con timecode, ni con tiempos por palabra.

Pega el texto en tu editor en cuanto aparezca en lugar de dejarlo en la pestaña: la transcripción vive solo en esa página, y una pestaña cerrada significa una transcripción perdida.

4. Conoce tu techo antes de comprometerte

La restricción que manda sobre la longitud es la memoria y no un tope declarado, porque el clip entero se mantiene mientras se procesa, así que qué funciona depende de tu máquina. Si un archivo importa, transcríbelo por secciones y saca una pieza cada vez en lugar de apostar el trabajo completo.

Cuándo pagar a una persona

La transcripción automática gratis es un instrumento de borrador. Hay tres categorías de resultado que no deberían ser borradores.

Material legal o regulatorio: declaraciones, vistas, contratos, cualquier cosa cuyas palabras exactas te pueden volver a leer. Las razones son estructurales y no de calidad: sin marcas de tiempo para localizar un momento, sin atribución para establecer quién habló y sin manera de enseñar qué decía la grabación frente a qué adivinó el modelo.

Material médico y clínico: dosis, historiales de pacientes, conversaciones de consentimiento. Sustituir una palabra plausible por otra de sonido parecido es el modo de fallo normal, y este es el dominio donde ese fallo se mide en daño. Las cifras y los nombres de medicamentos son justamente los tokens que la transcripción automática maneja peor.

Material publicado o citado: periodismo, un libro, cualquier cosa en la que aparezcan las palabras de una persona identificada. Citar la aproximación de una máquina a la frase de alguien bajo su nombre es un error factual esperando a que alguien lo encuentre, y la corrección se convierte en la noticia. La propia página de la herramienta lo dice: si necesitas precisión de nivel producción para transcripciones legales o trabajo comparable, usa un modelo más grande o un servicio profesional de transcripción.

Un caso más: una segunda pasada humana suele salir más barata que tu propio tiempo de edición. Si una transcripción gratis te cuesta cuarenta minutos cuidadosos por hora de audio, y tu hora vale más que eso, no has ahorrado nada.

Problemas comunes y qué significan

No pasa nada y el modelo no llega: la descarga del primer uso falló, normalmente por un problema de red o por una extensión que la bloquea. Recarga la página, desactiva la extensión agresiva y reintenta.

La transcripción es un disparate fluido: el audio es más bajo, más ruidoso o con más reverberación de la que el modelo puede usar, e hizo lo que hace su arquitectura, que fue escribir texto plausible. Vuelve a grabar o busca otra fuente con más proximidad; nada en esta página rescata una sala mala.

Una frase repetida dos veces y una palabra que falta a intervalos regulares: los cortes entre ventanas de 30 segundos, tal como se describió arriba. Corta el archivo en una pausa y vuelve a ejecutar ese tramo.

Un archivo largo falla a mitad de camino, o la pestaña muere: memoria. El clip tiene que caber en la pestaña, así que córtalo y ejecuta las piezas.

El archivo es rechazado: tu navegador no puede decodificarlo. Reexpórtalo desde la app de origen con un ajuste estándar.

Puntuación que tú no dijiste: es esperado, porque el generador escribe sus propios hábitos. Corrígelo en la pasada de edición y no lo leas como evidencia de dónde terminaban las frases.

Texto sin sentido en el pasaje donde el audio no coincide con el selector: aquí la causa normal es el desajuste entre la lengua que suena y lo que has elegido en Idioma. Pon el selector en el idioma que se habla de verdad, o en detección automática, y vuelve a ejecutar el clip.

Silencio desde el micrófono: el permiso del navegador fue denegado, o en los ajustes del sistema elegiste el dispositivo de entrada equivocado. Comprueba las dos cosas antes de dar por hecho que la página está rota.

Preguntas frecuentes