Cómo transcribir audio a texto
Respuesta rápida: Para transcribir audio a texto, añade tu audio, elige un modelo, elige el idioma, pulsa Transcribir y corrige y descarga el texto.
- Añade tu audio. Suelta un archivo de audio o vídeo (hasta 60 minutos) o graba directamente desde tu micrófono.
- Elige un modelo. Rápido va bien con voz clara; Mejor es el punto justo para casi todo el mundo; Máximo es para grabaciones difíciles si no te importa una descarga grande.
- Elige el idioma. Déjalo en Detectar automáticamente o elígelo tú. Marca Traducir al inglés si quieres el texto en inglés desde otro idioma.
- Pulsa Transcribir. La primera vez se descarga el modelo; después empieza al momento. Las líneas aparecen a medida que se termina cada parte.
- Corrige y descarga. Haz clic en cualquier línea para corregir una palabra y luego copia el texto o descárgalo en TXT, SRT o VTT.
¿Es privado de verdad?
Sí, y puedes comprobarlo. Tu navegador decodifica el archivo y el modelo Whisper funciona en tu propia CPU o GPU, en un proceso en segundo plano de esta página. La política de seguridad de la página solo le deja hablar con nuestra web y con Hugging Face, donde están los archivos del modelo, y esas peticiones descargan el modelo; no sale nada en sentido contrario. Cuando el modelo está en caché, podrías incluso apagar el wifi y seguiría funcionando.
¿Qué precisión tiene y cuánto tarda?
Whisper es muy bueno con voz clara en una habitación tranquila, y empeora con música, gente hablando a la vez, acentos muy marcados o un móvil lejos de quien habla. Los modelos más grandes lo llevan mejor. La velocidad depende de tu dispositivo: con WebGPU en un portátil reciente, una hora de audio puede tardar unos minutos; en la CPU de un móvil antiguo cuenta con más o menos tiempo real o más lento con el modelo Rápido. Los archivos largos se cortan en partes de 30 segundos en los silencios, para que no se partan palabras.
Preguntas frecuentes
¿Mi audio se sube a algún sitio?
No. El audio se procesa en tu dispositivo y nunca sale de tu navegador. El único tráfico de red es la descarga del modelo de voz desde Hugging Face la primera vez; después sale de la caché de tu navegador.
¿Cuánto ocupa la descarga?
Unos 40 MB el modelo Rápido, 77 MB el Mejor y 250 MB el Máximo en la CPU. Con GPU los archivos son más grandes (unos 120–300 MB) porque la GPU necesita pesos de más precisión. Cada modelo se descarga una sola vez.
¿Qué idiomas admite?
Whisper entiende unos 100 idiomas. El selector muestra 36 habituales, como inglés, español, francés, alemán, árabe, urdu, hindi, chino y japonés, y la detección automática también funciona con ellos. Además puede traducir cualquiera de ellos al inglés.
¿Puedo hacer subtítulos para un vídeo?
Sí. Suelta el propio archivo de vídeo, transcríbelo, corrige las palabras que haga falta y descarga SRT o VTT. La mayoría de editores de vídeo, YouTube y VLC aceptan los dos.
¿Hay límite de duración?
Hasta 60 minutos y 500 MB por archivo, porque toda la grabación tiene que caber en la memoria del navegador. Para grabaciones más largas, divídelas antes en partes con Recortar vídeo.
¿Por qué va lento en mi móvil?
Sin WebGPU el modelo funciona en la CPU, que es mucho más lenta. Elige el modelo Rápido, deja la pantalla encendida y cierra otras pestañas. En un portátil con Chrome o Edge suele ir mucho más rápido.
¿Es gratis?
Sí, gratis, sin registro, sin marca de agua y sin límite de minutos, porque el trabajo lo hace tu propio dispositivo.