Transcribir audio a subtítulos
La primera ejecución descarga el modelo de voz: unos 45 MB para el nivel rápido y 81 MB para el preciso, servidos por este sitio y almacenados en caché por el navegador después. No se sube nada, y la transcripción la hace una máquina: revisa el texto y los tiempos antes de publicarla.
Opciones
Dos niveles del mismo modelo. El rápido ocupa unos 45 MB y transcribe aproximadamente el doble de rápido; el preciso ocupa unos 81 MB y acierta más en mayúsculas y puntuación. Los dos se ejecutan aquí, y la descarga ocurre una vez por navegador. En una grabación larga, prueba primero el nivel rápido para comprobar que el idioma es el correcto.
El idioma que se habla en la grabación. No hay opción automática: esta versión del modelo no detecta el idioma, y sin ninguno elegido asume inglés. Una grabación en chino leída como inglés no falla: produce un sinsentido que parece fluido, que es mucho más difícil de notar. Elige el idioma que realmente oyes.
.srt se reproduce en todas partes, incluidos editores y televisores antiguos; .vtt es el formato web y lleva algo más de estructura. Los dos contienen exactamente los mismos bloques con exactamente los mismos tiempos, así que elige el que espere la siguiente herramienta de tu cadena.
Esta página escucha una grabación y escribe lo que oye como archivo de subtítulos: un bloque por frase, con el inicio y el fin de cada bloque colocados donde ocurren realmente las palabras. Suelta una entrevista, una clase, una nota de voz o la pista de audio de una película que no tiene ninguna pista de subtítulos y obtendrás un .srt o un .vtt que se reproduce en cualquier reproductor. No hace falta que exista antes una pista de subtítulos: esta es la página para cuando no hay nada que extraer.
La escucha ocurre en la pestaña. El modelo de voz se ejecuta sobre WebAssembly a través de onnxruntime, los archivos del modelo se sirven desde este sitio y el único tráfico de red es esa descarga: unos 45 MB para el modelo rápido y unos 81 MB para el preciso, que el navegador guarda después en caché. La grabación no se envía a ningún sitio. Si miras el panel Red mientras se transcribe un archivo, verás peticiones de bajada de datos del modelo y ni un solo byte de subida.
Lo que sale es la mejor conjetura de una máquina, no una transcripción oficial. Las palabras que oye mal se quedan mal, y los tiempos son exactos más o menos al tamaño de una frase, no a un fotograma. Revisa el texto antes de publicarlo y trátalo como tratarías una primera pasada escrita por una persona rápida que no conocía el tema. Es la misma regla de honestidad que siguen las páginas de OCR, y es la razón por la que esta página lo dice arriba y no en una nota al pie.
La grabación se corta en ventanas de 30 segundos con un solapamiento de 5 segundos, y cada ventana se transcribe por separado. Eso es lo que hace posibles los archivos largos sin mantener una hora de audio dentro del modelo a la vez, y también la razón por la que cancelar surte efecto en la ventana siguiente y no al instante. Las frases que cruzan un límite se deduplican descartando lo que la ventana siguiente informa y empieza antes de que terminara la anterior: gana la lectura anterior, porque oyó la frase entera.
Las frases largas se parten en límites de frase y después por dos límites: ningún bloque de más de siete segundos y ninguno de más de 84 caracteres, ajustado a un máximo de 42 caracteres por línea. Son los mismos límites que especifican la mayoría de los radiodifusores, así que la salida suele pasar una primera comprobación de cumplimiento sin edición.
Preguntas frecuentes
¿Qué ocurre cuando la grabación está en un idioma distinto del inglés?
Tienes que decirle a la página qué idioma se habla, porque esta versión del modelo no lo detecta. No hay una opción automática, y es deliberado: sin idioma elegido, el modelo supone inglés. Una grabación en chino leída como inglés no falla: devuelve palabras inglesas que parecen seguras y suenan vagamente al original, algo mucho más difícil de notar que un mensaje de error. Elige el idioma que oyes de verdad y, si dudas, transcribe primero treinta segundos con el modelo rápido y compruébalo.
¿Qué precisión tienen los tiempos comparados con un subtítulo hecho a mano?
Suficiente para reproducir, no suficiente para emitir sin editar. El inicio y el fin de cada bloque vienen de los límites de segmento del propio modelo, que caen en bordes de frase y no en el fotograma exacto en que empieza una palabra. Donde dos bloques se solaparían, el posterior se empuja hacia adelante y el ajuste se cuenta en la lista de pérdidas, así que nada se solapa y nada retrocede en el tiempo. Si un cliente necesita sincronía exacta al fotograma —una casa de subtitulado que entrega a un radiodifusor—, la respuesta honesta es que esta salida es un borrador para cronometrar a mano, no una entrega.
¿Por qué se ofrece el modelo rápido si existe el preciso?
Porque en un archivo largo la diferencia es la diferencia entre esperar y rendirse. Medido sobre un minuto de habla clara, el modelo rápido tarda unos 3,7 segundos y el preciso unos 7,5: más o menos el doble de espera por cada minuto de audio. El rápido además pone mayúsculas con más agresividad y a veces inventa puntuación; el preciso se acerca más a lo que escribiría una persona. Un patrón habitual es pasar el modelo rápido por una entrevista de una hora para comprobar el idioma y la calidad del audio, y volver a ejecutar con el preciso cuando ya sabes que el archivo está bien.
¿Qué significa "no se ha reconocido habla" cuando yo oigo hablar?
Significa que el modelo no oyó nada que pudiera escribir, y hay tres causas habituales: el idioma elegido no coincide con el que se habla, la voz queda sepultada bajo música o ruido, o la pista de audio suena muy baja. El archivo está intacto: la página distingue este caso del de un archivo cuyo audio no se pudo descodificar en absoluto, porque los dos necesitan arreglos distintos. Cambia el idioma hablado o comprueba que la pista de audio que soltaste es la que querías (la pista de comentarios de una película es un flujo distinto del de su diálogo).
¿Puedo detener una transcripción que va a tardar demasiado?
Sí, y la página dice con claridad cuándo se detiene. La descarga del modelo se puede cancelar en cualquier momento. Durante el reconocimiento, el modelo no se puede interrumpir en mitad de una ventana, así que cancelar surte efecto al inicio de la siguiente ventana de 30 segundos, que con el modelo rápido está a un par de segundos. No se ofrece ninguna parte parcial como descarga. El modelo sigue en caché, así que volver a intentarlo no lo descarga otra vez.
¿El .srt resultante conserva las etiquetas de hablante o la puntuación?
Conserva la puntuación que haya producido el modelo, que suele ser sensata pero no fiable, y no inventa etiquetas de hablante: este modelo no separa voces, así que dos personas hablando se convierten en un único flujo de texto. Añadir etiquetas de hablante es aquí un trabajo manual. Si las necesitas, transcribe primero y edita después: el archivo se abre en cualquier editor de subtítulos y los bloques ya están cortados en límites de frase, lo que hace la pasada mucho más rápida que empezar con una línea de tiempo en blanco.