Transcripción de audio y subtítulos

Cómo lee una grabación el reconocimiento de voz

La herramienta Transcribir audio a texto usa Whisper, un modelo de reconocimiento de voz que OpenAI publicó en 2022 con licencia MIT. Según su ficha técnica (model card), Whisper se entrenó con 680.000 horas de audio y transcripciones recogidas de internet, unas dos terceras partes en inglés.

Whisper no escucha el archivo entero de una vez. Lee el audio de 30 en 30 segundos, convertido en un espectrograma (una imagen de qué frecuencias suenan fuerte en cada instante), y escribe el texto más probable para ese tramo, pieza de palabra a pieza de palabra, junto con marcas de tiempo. Por eso una grabación larga se corta en ventanas. La herramienta hace cada corte en la pausa más larga cerca del final de la ventana, para no partir frases, y se salta las ventanas en silencio.

Antes de escribir nada, el modelo también puede saber qué idioma se habla: lo primero que predice es una etiqueta de idioma. La herramienta usa esa predicción sobre los primeros 30 segundos de voz si dejas el idioma en "Detectar automáticamente", y luego usa un solo idioma para todo el archivo.

Qué modelo elegir

Whisper existe en varios tamaños. La herramienta ofrece tres: base y small funcionan con el procesador en cualquier navegador reciente, y large-v3-turbo funciona con la tarjeta gráfica si el navegador admite WebGPU.

* Medido en un ordenador de sobremesa, en el navegador: base y small con pesos de 8 bits en el procesador, large-v3-turbo con pesos de 4 bits en la tarjeta gráfica. Los dispositivos más lentos tardan más. Cada modelo se descarga una sola vez y después queda guardado en el navegador hasta que lo borres en la herramienta.

La diferencia de calidad es mayor fuera del inglés. En nuestra prueba con una grabación de un minuto en coreano leída por una voz sintética, base escribió 후회 (arrepentimiento) en lugar de 회의 (reunión) y 머료일 en lugar de 월요일 (lunes); small acertó en esos dos casos, pero escribió 무늬 (dibujo) en lugar de 문의 (consulta), y large-v3-turbo no cometió ningún error. Usa large-v3-turbo si tu navegador lo ofrece; si no, empieza con base y cambia a small cuando el texto tenga demasiados errores.

Large-v3-turbo es una versión optimizada para la velocidad de large-v3, el modelo más grande de Whisper. Necesita una tarjeta gráfica: solo con el procesador tardó unas 13 veces lo que dura la grabación, así que la herramienta solo lo muestra donde hay WebGPU, por ejemplo en las versiones recientes de Chrome y Edge para ordenador y en Safari en los Mac recientes. También necesita mucha más memoria que base, que muchos móviles no tienen.

Cómo conseguir una transcripción mejor

• Graba cerca del micrófono. La distancia, el eco y el ruido de fondo restan más precisión que cualquier otra cosa.
• Evita la música y las voces superpuestas. Whisper escribe un solo flujo de texto y no distingue entre hablantes.
• Elige el idioma cuando la grabación empiece con música, silencio o un saludo en otro idioma.
• Cuenta con corregir nombres y términos. El modelo deduce la escritura por el sonido y prefiere las palabras comunes.
• Vigila el texto inventado. La ficha técnica advierte que Whisper puede escribir cosas que no se dijeron y repetirse, sobre todo en partes en silencio o con ruido. Lee esos pasajes junto con la grabación.
• Divide los archivos muy largos. Una hora de audio ocupa unos 220 MB de memoria una vez decodificada, y todo se hace en tu propio dispositivo.

Archivos de subtítulos: SRT y VTT

Un archivo de subtítulos es texto plano: una lista de entradas (cues), cada una con un tiempo de inicio, un tiempo de fin y las palabras que se muestran. Los dos formatos habituales son casi iguales.

SubRip (.srt) numera cada entrada y escribe una coma antes de los milisegundos:

1
00:00:00,000 --> 00:00:02,400
Buenos días a todos.

2
00:00:02,400 --> 00:00:05,600
Repasemos los puntos principales de la reunión.

WebVTT (.vtt) es el formato del W3C para subtítulos en páginas web, el que usa el elemento <track> de HTML. El archivo empieza con la palabra WEBVTT, los tiempos llevan punto y los números son opcionales:

WEBVTT

00:00:00.000 --> 00:00:02.400
Buenos días a todos.

00:00:02.400 --> 00:00:05.600
Repasemos los puntos principales de la reunión.

En WebVTT el texto de una entrada no puede contener -->, y los caracteres & y < deben escribirse como & y <; la herramienta lo hace por ti. SRT no tiene una especificación oficial, pero los editores y reproductores de vídeo leen la forma que se ve arriba. Elige el formato que pida tu reproductor o plataforma.

Subtítulos fáciles de leer

Los segmentos de Whisper siguen su propia idea de lo que es una frase, así que algunos son largos. Antes de publicar los subtítulos, reprodúcelos con el vídeo, divide los segmentos que se quedan demasiado tiempo en pantalla u ocupan más de dos líneas y comprueba que cada entrada aparece cuando se dicen las palabras. La mayoría de los editores de subtítulos abren archivos SRT y permiten mover o dividir entradas.

Transcripción en tu dispositivo o en la nube

Los servicios de transcripción en línea suelen subir la grabación a sus servidores, donde modelos grandes la procesan deprisa. Una herramienta en el navegador mantiene la grabación en tu dispositivo: el audio se decodifica y se transcribe en la página, y solo se descargan los archivos del modelo. A cambio, la velocidad depende de tu procesador, y el tamaño del modelo está limitado por lo que puede manejar un navegador.

Lo procese quien lo procese, las grabaciones de otras personas merecen cuidado. La ficha técnica de Whisper desaconseja transcribir grabaciones de personas hechas sin su consentimiento; pide permiso antes de grabar o transcribir una conversación.

Preguntas frecuentes

Fuentes

Fuente: OpenAI, Whisper (README) · Última comprobación: 13 de octubre de 2026

Fuente: OpenAI, Model Card: Whisper · Última comprobación: 13 de octubre de 2026

Fuente: W3C, WebVTT: The Web Video Text Tracks Format (Candidate Recommendation Draft, 20 May 2026) · Última comprobación: 13 de octubre de 2026