Transcribir audio a texto
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.
Esta página convierte una grabación en texto plano: párrafos de lo que se dijo, sin los códigos de tiempo. Es el mismo motor de escucha que la versión de esta página para subtítulos —los mismos modelos, las mismas ventanas de treinta segundos, la misma regla de hacerlo todo en local—, pero el último paso es distinto. En lugar de escribir un bloque por frase, une las frases en párrafos y descarta por completo los tiempos, así que obtienes algo que puedes pegar en un documento, en un correo o en un conjunto de notas de reunión.
Los párrafos se cortan por las dos cosas que de verdad separan ideas en el habla: una pausa de más de segundo y medio, o cuatro frases seguidas. Una regla basada solo en pausas convertiría un monólogo de cinco minutos en una pared de texto ilegible; una regla basada solo en el número de frases partiría la pausa para respirar de un hablante en un párrafo nuevo. Las dos juntas producen algo que se lee más o menos como habló la persona.
El trabajo es local. El modelo de voz se descarga una vez desde este sitio —unos 45 MB para el nivel rápido y unos 81 MB para el preciso— y el navegador lo guarda después en caché; la grabación no sale nunca de la pestaña. No hay un paso de subida que evitar ni una cuenta que crear, que es lo que hace esto utilizable con entrevistas que no se pueden enviar a un servicio de transcripción.
La salida es un archivo .txt con el nombre de la grabación de origen: film.mkv pasa a film.transcript.txt. Ese sufijo distinto es intencionado: un .txt normal junto a otros archivos de texto debe decir qué es, y una transcripción hecha por una máquina es un tipo de documento distinto de unas notas escritas por una persona.
Como en la versión para subtítulos, lo que sale necesita revisión y el idioma hay que elegirlo a mano: esta versión del modelo supone inglés cuando no se le dice nada, y equivocarse en eso produce un sinsentido fluido en lugar de un error. La descarga del modelo se puede cancelar en cualquier momento, y cancelar durante el reconocimiento surte efecto al inicio de la siguiente ventana de 30 segundos. Esto no es un documento oficial ni una prueba: es un borrador que hay que comprobar contra el audio.
Preguntas frecuentes
¿En qué se diferencia de la página que exporta un archivo de subtítulos como texto?
La diferencia es de dónde salen los tiempos. La página de exportación parte de un archivo de subtítulos que ya tiene bloques y une su texto en párrafos: los tiempos existían y simplemente se descartan. Esta página parte de un audio que no tiene ningún tiempo y lo construye primero, y después lo descarta. Por eso una grabación sin pista de subtítulos funciona aquí y no allí, y por eso esta página necesita descargar un modelo mientras que la otra es instantánea.
¿Por qué los párrafos se cortan en un segundo y medio de silencio?
Porque es más o menos donde los hablantes cambian de idea. Los huecos más cortos caen dentro de las frases y cortarían el texto a mitad de una cláusula; umbrales mucho más largos unen temas distintos en un mismo párrafo. El tope de cuatro frases existe para el caso de una grabación sin silencio alguno —una locución ensayada o un pódcast grabado de una toma—, donde las pausas nunca llegan y una regla basada solo en huecos produciría un único bloque. Las dos reglas juntas son el conjunto más pequeño que cubre los dos extremos.
¿Se puede usar la transcripción como prueba o como registro oficial?
No tal como sale. Es la mejor conjetura de una máquina, y la transcripción automática estropea nombres, números y términos técnicos, justo las palabras que más importan en un registro. En un entorno legal o médico, el flujo correcto es usarla como borrador que después se comprueba línea por línea contra el audio y decirlo así en el documento. Una transcripción más limpia de lo que merece el audio es un riesgo, y por eso también esta página nombra el archivo .transcript.txt en lugar de algo que parezca un acta.
¿Qué pasa si la grabación tiene música o varias personas hablando a la vez?
El habla solapada es donde se degrada cualquier modelo de un solo flujo: dos voces a la vez se convierten en una frase seguida y no se producen etiquetas de hablante. La música de fondo suele ignorarse, pero una música alta bajo la voz puede sacar palabras del texto o inventar otras que nunca se dijeron. Si el resultado se lee de forma extraña en algunos puntos, compáralo con el audio en esos momentos en lugar de fiarte del fluir del texto: una frase que parece segura no es prueba de que se dijera.
¿La transcripción conserva la estructura del archivo, como capítulos o nombres de pista?
No. Solo pasa el audio que se transcribe; los metadatos del contenedor, como marcadores de capítulo, títulos de pista y etiquetas de idioma, no forman parte del texto. Si transcribes una pista de un archivo con varias, la página lee el audio del archivo que soltaste, y los cortes de párrafo vienen de las pausas, no de dónde estaban los capítulos. Partir antes una grabación larga en archivos de capítulo es un flujo razonable si quieres que esos límites aparezcan.