Transcribir audio a texto: grabaciones, vídeos y subtítulos
Transcribe un archivo de audio o vídeo con el modelo de reconocimiento de voz Whisper, en tu navegador, y guarda el texto o subtítulos SRT y VTT. La grabación no se sube.
Suelta aquí un archivo de audio o vídeo, o elígelo
MP3, M4A, WAV, OGG, OPUS, FLAC, WebM y MP4 funcionan en la mayoría de los navegadores. Otros formatos funcionan si tu navegador puede reproducirlos.
Esta grabación dura más de una hora. Transcribirla puede tardar tanto como la grabación o más, y con archivos muy largos el navegador puede quedarse sin memoria. Si ocurre, divide el archivo en partes.
Tu navegador indica que usas datos móviles o el modo de ahorro de datos. Es mejor esperar a tener wifi.
Elige el idioma y el modelo, y luego añade un archivo.
Notas
- La grabación se decodifica y se transcribe en tu navegador. No se sube a LeedyBox ni a ningún otro sitio, y mientras trabaja la herramienta solo puede conectarse con leedybox.com.
- La primera vez, tu navegador descarga de leedybox.com el motor de reconocimiento de voz y el modelo elegido: unos 90 MB con base, 250 MB con small o 750 MB con large-v3-turbo. Después quedan guardados en el almacenamiento de este navegador, así que las siguientes visitas no los vuelven a descargar. Puedes borrarlos con "Borrar modelos guardados", debajo de la elección del modelo, o borrando los datos del sitio en el navegador.
- Base y small funcionan con tu procesador y large-v3-turbo con tu tarjeta gráfica, en ventanas de 30 segundos, una tras otra. En nuestro ordenador de pruebas, base tardó más o menos la mitad de lo que dura la grabación, small una vez y media y large-v3-turbo un tercio; los móviles y los ordenadores antiguos son más lentos. Deja esta pestaña abierta hasta que termine.
- Funciona mejor con una sola persona que habla con claridad cerca del micrófono. La música de fondo, el ruido, varias personas hablando a la vez, los acentos y los términos especializados provocan errores, y los nombres suelen salir mal escritos. Whisper también puede repetir una frase o escribir palabras que no se dijeron, sobre todo en partes en silencio o con mucho ruido.
- Se usa un solo idioma para todo el archivo. Los fragmentos en otro idioma se escriben en ese idioma como pueda el modelo, o se traducen. No se distingue entre hablantes.
- Los subtítulos siguen los segmentos que encuentra Whisper, normalmente una frase o parte de una frase cada uno. Revisa los tiempos en un reproductor antes de publicarlos; puede que haya que dividir los segmentos largos para que se lean bien.
- Las grabaciones muy largas necesitan mucha memoria: una hora de audio ocupa unos 220 MB una vez decodificada, más el modelo. Si el navegador detiene la página, divide el archivo en partes más cortas.
¿Algo no funciona? Si un archivo no se abre, el modelo no carga, la página se detiene o la transcripción es mucho peor de lo esperado, escríbenos. Indica el modelo y el idioma que elegiste, el tipo y la duración del archivo, y tu dispositivo y navegador. No envíes la grabación.
¿Alguna frase de esta página suena poco natural en tu idioma? Avísanos también.
Cómo se usa
- Elige el idioma que se habla en la grabación o deja "Detectar automáticamente".
- Elige el modelo: base es el más rápido, small es más preciso y large-v3-turbo, que aparece si tu navegador admite WebGPU, es el más preciso.
- Suelta un archivo de audio o vídeo en el recuadro o elígelo, y pulsa "Empezar a transcribir". La primera vez se descargan el motor y el modelo desde leedybox.com.
- El texto aparece a medida que se transcribe cada parte de la grabación. Puedes detenerte en cualquier momento y conservar lo que ya está transcrito.
- Revisa la transcripción con la grabación y cópiala o descárgala como .txt, o como subtítulos .srt o .vtt para un vídeo.
Preguntas frecuentes
¿Se sube mi grabación a un servidor?
No. El archivo se decodifica y se transcribe en tu navegador. LeedyBox solo envía a tu navegador el motor de reconocimiento de voz y el modelo; el audio y la transcripción no se envían a ningún sitio, y la parte de la página que ejecuta el modelo tiene bloqueada la conexión con otros sitios.
¿Qué idiomas admite?
Los 99 idiomas de los modelos multilingües de Whisper, entre ellos español, inglés, portugués, francés, italiano, alemán, ruso, chino, japonés, coreano, vietnamita, indonesio, tailandés y turco. La precisión varía mucho de un idioma a otro: es mejor en los idiomas más hablados, con más datos de entrenamiento.
¿Qué modelo elijo?
Si en un ordenador tu navegador ofrece large-v3-turbo, úsalo: en nuestras pruebas no cometió ninguno de los errores de base y small, y fue el más rápido porque funciona con la tarjeta gráfica; descarga unos 750 MB una sola vez. Si no, empieza con base (unos 90 MB, más o menos la mitad de lo que dura la grabación en un ordenador reciente) y pasa a small (unos 250 MB, unas tres veces más lento) si la transcripción tiene demasiados errores. En el móvil, usa base.
¿Cuánto puede durar la grabación?
No hay un límite fijo, pero el tiempo de proceso crece con la duración y todo se hace en tu dispositivo. En un ordenador, las grabaciones de hasta una hora van bien. Los archivos más largos pueden tardar horas y quedarse sin memoria; es más seguro dividirlos en partes.
¿Qué diferencia hay entre SRT y VTT?
Los dos son archivos de subtítulos con el texto y el momento en que aparece. SRT (SubRip) es el formato que más aceptan los editores y reproductores de vídeo. VTT (WebVTT) es el formato del W3C para subtítulos en páginas web y vídeo HTML5. Elige el que pida tu reproductor o plataforma.
¿Por qué hay palabras mal o inventadas?
Whisper adivina el texto más probable a partir del sonido. El ruido, la música, las voces que se solapan, los acentos, los nombres y los términos técnicos provocan errores, y en partes en silencio o con mucho ruido a veces repite frases o escribe cosas que no se dijeron. Ayuda elegir el idioma, usar el modelo small y grabar más cerca del micrófono.
¿Por qué mi navegador no ofrece large-v3-turbo?
Funciona con la tarjeta gráfica a través de WebGPU, una función del navegador para hacer cálculos en la GPU. La ofrecen las versiones recientes de Chrome y Edge en Windows, macOS y ChromeOS, y Safari en los Mac recientes; otros navegadores y muchos móviles no. Solo con el procesador, este modelo tardaría varias veces lo que dura la grabación, así que solo aparece donde hay WebGPU.