Audio a texto
Convierte grabaciones en texto con Whisper, el modelo de reconocimiento de voz de OpenAI, que se ejecuta directamente en tu navegador. Suelta un archivo MP3, WAV, M4A o de video, elige el idioma y obtén una transcripción editable con marcas de tiempo, lista para copiar o guardar como TXT, SRT, VTT o DOCX. Tu audio nunca sale de tu dispositivo.
Última actualización:
Transcripción
- Añade un archivo de audio o video. Grabaciones, notas de voz, entrevistas, pódcasts, clases.
- Elige un modelo y un idioma. La primera vez se descarga el modelo Whisper una sola vez; después tu navegador lo guarda en caché.
- Pulsa Transcribir audio. El texto aparece segmento a segmento mientras el audio se procesa en tu dispositivo.
- Corrige las palabras haciendo clic en el texto y luego cópialo o descarga TXT, SRT, VTT o DOCX.
Haz clic en una marca de tiempo para reproducir desde ahí. Los cambios que hagas en el texto se usan en todas las descargas.
Cómo usar Audio a texto
- Añade tu grabación: suelta un archivo de audio o video en el cuadro o haz clic en Elegir archivo de audio.
- Elige un modelo: Tiny es el más rápido, Base es más preciso con acentos y audio con ruido.
- Indica el idioma hablado o deja Detección automática, y elige Transcribir o Traducir al inglés.
- Pulsa Transcribir audio. La primera vez se descarga el modelo una sola vez; después el texto aparece parte por parte.
- Corrige las palabras de la transcripción y luego pulsa Copiar texto o descarga TXT, SRT, VTT o DOCX.
Cómo funciona la transcripción en el navegador
Esta herramienta ejecuta Whisper, el modelo abierto de reconocimiento de voz que OpenAI publicó en 2022, entrenado con 680,000 horas de audio etiquetado. Una versión adaptada para la web se ejecuta dentro de tu navegador con WebAssembly, así que la grabación se procesa en tu propia computadora o teléfono:
- El navegador decodifica tu archivo y lo convierte a 16 kHz mono, el formato que espera Whisper.
- El audio se divide en ventanas de hasta 30 segundos. Cada corte se coloca en el momento más silencioso cerca del final de la ventana, para no partir palabras por la mitad, y las ventanas en silencio se omiten.
- Cada ventana se convierte en un espectrograma log-Mel y se decodifica en texto con marcas de tiempo, que se desplazan de nuevo a la posición de la ventana en la grabación.
Cómo elegir un modelo
| Modelo | Parámetros | Descarga (una vez) | Ideal para |
|---|---|---|---|
| Whisper Tiny | 39 millones | unos 40 MB | Habla clara, borradores rápidos, teléfonos y portátiles antiguos |
| Whisper Base | 74 millones | unos 80 MB | Entrevistas, clases, acentos, ruido de fondo leve |
Los modelos Whisper más grandes (small, medium, large) son aún más precisos, pero ocupan desde cientos de megabytes hasta varios gigabytes, demasiado para la mayoría de los navegadores.
Consejos para una transcripción más limpia
- Elige el idioma en lugar de Detección automática cuando lo sepas. La detección usa los primeros segundos de cada parte, así que una introducción musical o un saludo en otro idioma pueden confundirla.
- Recorta los silencios largos y la música con el Cortador de audio; Whisper a veces inventa frases cortas como "Gracias." en partes en silencio o solo con música.
- Usa Base para audio con ruido o con acento. Tarda más, pero suele corregir nombres, números y palabras cortas que Tiny no capta.
- Pule el resultado: elimina muletillas y saltos de línea con el Limpiador de transcripciones, o convierte la transcripción en subtítulos con el Generador automático de subtítulos.
- ¿Dictas en directo? Para hablar al micrófono en lugar de transcribir un archivo, usa Voz a texto.
Preguntas frecuentes
¿Cómo convierto un archivo de audio a texto gratis?
Abre esta página, añade tu archivo MP3, WAV o M4A y pulsa Transcribir audio. El modelo de reconocimiento de voz Whisper se ejecuta en tu navegador, así que no hay cuenta, ni subida, ni límite en el número de archivos.
¿Se sube mi audio a un servidor?
No. El audio se decodifica y transcribe en tu propio dispositivo. Lo único que se descarga es el propio modelo Whisper (unos 40 MB para Tiny u 80 MB para Base), que tu navegador guarda en caché tras el primer uso.
¿Qué tan precisa es la transcripción?
Whisper es preciso con habla clara en idiomas comunes. El ruido de fondo, la música, las conversaciones superpuestas, los acentos marcados y los nombres técnicos reducen la precisión, y el pequeño modelo Tiny comete más errores que Base. Revisa siempre las transcripciones importantes; puedes editar el texto directamente antes de exportar.
¿Qué idiomas son compatibles?
Whisper se entrenó con 99 idiomas. Esta herramienta incluye más de 40 de los más comunes, entre ellos inglés, español, francés, alemán, portugués, hindi, árabe, chino y japonés, además de Detección automática. La precisión es mayor en los idiomas más hablados.
¿Cuánto tarda?
Depende de tu dispositivo y del modelo. En un portátil reciente, el modelo Tiny suele transcribir más rápido que el tiempo real; Base es aproximadamente dos o tres veces más lento. Los teléfonos y las computadoras antiguas son más lentos. La barra de progreso muestra una estimación del tiempo restante.
¿Puede identificar a distintos hablantes?
No. Whisper escribe lo que se dice, pero no indica quién lo dijo. En las entrevistas, usa las marcas de tiempo para encontrar cada respuesta y añade los nombres de los hablantes al editar.
¿Qué diferencia hay entre TXT, SRT y DOCX?
TXT es texto plano, con marcas de tiempo opcionales. SRT y VTT son archivos de subtítulos con tiempos de inicio y fin para cada segmento, para reproductores y editores de video. DOCX se abre en Microsoft Word, Google Docs y LibreOffice.
¿Se prueban todas las herramientas de FreeToolCabin para comprobar su calidad y precisión?
Sí. Cada herramienta del sitio pasa pruebas automáticas en navegadores reales para comprobar que el resultado es correcto y que no hay errores. Si encuentras un fallo o tienes una sugerencia, escríbenos a [email protected] y lo revisaremos.