Archivos · Herramienta

Convertir audio y vídeo a texto online

Elige un archivo para obtener texto en tu dispositivo. La primera vez se descarga un modelo de unos 43 MB; recomendamos un PC para grabaciones largas.

Funciona en tu navegador. No se suben datos.

Funciona en tu navegador. No se suben datos.

Para archivos largos o de alta resolución, es mejor usar un ordenador. Deja esta pestaña abierta; la velocidad, la memoria y la batería dependen de tu equipo.

La primera vez se descargan unos 58 MB del modelo y del motor local. La grabación no se sube; el navegador podría descargarlos de nuevo si borra la caché.

Funciona en tu navegador. No se suben datos.

Acerca de esta herramienta

Convertir audio y vídeo a texto online sin complicaciones.

Whisper Tiny se ejecuta localmente en el navegador. La primera vez se descargan unos 43 MB de archivos del modelo abierto desde Hugging Face; la grabación no se envía allí ni a UsefulVerse. El navegador puede guardar el modelo en caché, aunque puede borrarlo. Revisa nombres, números y puntuación porque el modelo puede equivocarse. No hay una cuota fija de tamaño o duración del servidor: la memoria, los códecs, el navegador, la batería y la velocidad del dispositivo son límites prácticos.

Guía

Usar Convertir audio y vídeo a texto online

Esta página convierte el habla de un archivo de audio o vídeo en texto sin formato. Eliges una grabación, escoges su idioma hablado o dejas la detección en automático, y pulsas Transcribir. Un modelo de voz pequeño llamado Whisper Tiny se ejecuta en tu propio dispositivo, así que la grabación no se envía a ningún servidor. La primera vez hay que descargar el modelo. Sirve para notas de reuniones, clases y notas de voz. Devuelve solo texto, sin marcas de tiempo ni nombres de hablantes, y puede entender mal nombres y números.

Cómo se usa

  1. Pulsa Elegir un archivo de audio o vídeo y selecciona una grabación. El selector de archivos muestra tipos como MP3, M4A, WAV, OGG, MP4, MOV y WebM.
  2. Elige el idioma hablado de la lista de 16, o deja Detectar automáticamente si no estás seguro.
  3. Pulsa Transcribir y mantén la pestaña abierta. En el primer uso se descarga primero el modelo de voz (la página indica unos 58 MB con su motor local), y una barra de progreso muestra cuánto lleva.
  4. El texto aparece en la casilla Resultado a medida que termina cada fragmento de audio de 30 segundos. Pulsa Cancelar para parar antes.
  5. Pulsa Copiar resultado, o Descargar para un archivo .txt con el nombre de tu grabación, y lee el texto completo antes de fiarte de él.

Ejemplos resueltos

Una nota de voz de 75 segundos

Introduces
Archivo
memo.mp3, 75 segundos, inglés hablado
Idioma
Inglés
Obtienes
Casilla de resultado
hasta 3 líneas de texto

El audio se corta en fragmentos de 30 segundos, aquí 30 + 30 + 15. Cada fragmento que devuelve algo de texto se añade como su propia línea. Esto se ha leído en el código y no se ha ejecutado con una grabación real.

No calculado con la herramienta. Tómalo como una ilustración.

Nombre del archivo de texto descargado

Introduces
Archivo
Llamada de equipo (final).mov
Acción
Descargar
Obtienes
Descargar
Llamada-de-equipo-final-transcript.txt

Se elimina la extensión del archivo, cada serie de caracteres que no son letras, dígitos, puntos, guiones bajos ni guiones se convierte en un guion, y se añade -transcript.txt. Las letras con acento se mantienen, así que Reunión 3 de marzo.m4a da Reunión-3-de-marzo-transcript.txt. El paso de nombrado se ejecutó por separado.

No calculado con la herramienta. Tómalo como una ilustración.

Un vídeo sin pista de sonido

Introduces
Archivo
screen-capture.mp4 sin audio
Idioma
Detectar automáticamente
Obtienes
Estado
El archivo o el navegador no pudieron ejecutar la transcripción local. Prueba con otro formato admitido o con un navegador de escritorio.

El lector busca una pista de audio y falla cuando no existe ninguna. Entonces la página muestra un mensaje general para cualquier tipo de fallo. No se ejecutó con un archivo real.

No calculado con la herramienta. Tómalo como una ilustración.

Una grabación sin voz

Introduces
Archivo
piano.wav
Idioma
Detectar automáticamente
Obtienes
Estado
No se detectó voz. Prueba con un audio más claro o elige un idioma.

Cuando ningún fragmento devuelve texto, la página muestra esta línea. La música o el ruido aún pueden producir palabras sueltas en un modelo pequeño, así que lee el cuadro en lugar de fiarte de un resultado vacío o lleno. No se ejecutó con un archivo real.

No calculado con la herramienta. Tómalo como una ilustración.

Cuándo es útil

  • Convierte una clase grabada en apuntes en los que puedas buscar.
  • Redacta los puntos clave de una reunión o de una llamada que grabaste con permiso.
  • Obtén un primer borrador de una nota de voz antes de editarlo.
  • Extrae las palabras habladas de un clip de vídeo corto para subtítulos o un resumen.
  • Comprueba lo que se dijo en una entrevista antes de citarlo.

Límites que conviene tener en cuenta

  • La herramienta no fija un tamaño ni una duración de archivo. Lo que funciona lo decide tu dispositivo, según la memoria, la batería y los códecs de audio que el navegador pueda decodificar.
  • El modelo es Whisper Tiny en una forma compacta de 8 bits, creado para ocupar poco y no para lograr la máxima precisión. Espera errores con nombres, números y signos de puntuación.
  • El resultado es texto sin formato. No hay marcas de tiempo, ni etiquetas de hablante, ni traducción, y el cuadro Resultado es de solo lectura, así que copia el texto a otro sitio para editarlo.
  • El audio se procesa en fragmentos de 30 segundos y cada fragmento se convierte en su propia línea, por lo que una frase que cruza el límite de un fragmento puede partirse en dos líneas.
  • La primera ejecución necesita conexión a internet para descargar el modelo y el motor, y el navegador puede volver a descargarlos si se borra su caché.

Consejos

  • Elige tú el idioma cuando lo conozcas. Con la detección automática, cada fragmento de 30 segundos se comprueba por separado, así que la suposición puede cambiar a mitad de un archivo.
  • Usa una grabación limpia con el micrófono cerca de quien habla. El ruido de fondo es la causa habitual de las palabras equivocadas.
  • Comprueba cada nombre, fecha y cifra con la grabación antes de citar o compartir el texto.
  • Para archivos largos, usa un portátil o un ordenador de sobremesa, conéctalo a la corriente y mantén la pestaña al frente, porque el trabajo se ejecuta en tu propio procesador.

Fuentes

Preguntas frecuentes

Acerca de Convertir audio y vídeo a texto online.

¿Cómo convierto una grabación en texto?

Elige el archivo de audio o de vídeo, selecciona el idioma hablado y pulsa Transcribir. Espera a que se cargue el modelo y luego mira cómo el texto llena la casilla Resultado fragmento a fragmento. Cuando termine, copia el texto o descárgalo como archivo.

¿Se sube mi grabación?

No. El audio se decodifica y se reconoce dentro de tu navegador. Solo los archivos del modelo proceden de internet, de un servidor público de modelos, la primera vez que se usa. La página indica que la grabación en sí nunca se envía a ese servidor ni a UsefulVerse.

¿Qué precisión tiene la transcripción?

No se da ninguna cifra de precisión y no se midió ninguna para esta página. El modelo es deliberadamente pequeño, así que puede oír mal nombres, números y signos de puntuación, sobre todo con ruido o acentos marcados. Trata el texto como un primer borrador y compáralo con el audio.

¿Qué idiomas puede transcribir?

La lista ofrece detección automática y 16 idiomas: inglés, español, francés, portugués, alemán, japonés, coreano, indonesio, hindi, árabe, chino, bengalí, ruso, urdu, turco y vietnamita. No se ofrecen otros idiomas, así que los resultados para ellos no son fiables.

¿Qué duración máxima puede tener el archivo que transcribo?

La herramienta no limita la duración ni el tamaño. En la práctica, pide al motor de voz que use un solo hilo de procesamiento, así que los archivos largos pueden tardar mucho y usar mucha memoria. Se recomienda un portátil o un ordenador de sobremesa para cualquier archivo extenso.

¿Por qué tarda en empezar la primera transcripción?

El modelo de voz tiene que descargarse antes que nada. La página menciona unos 43 MB de archivos de modelo y unos 58 MB con el motor local. Tu navegador puede conservarlos para futuras visitas, pero si se borra la caché habrá que descargarlos otra vez.

¿Añade marcas de tiempo o nombres de los hablantes?

No. La salida es solo texto, una línea por cada fragmento de 30 segundos que devolvió palabras. Si necesitas tiempos o hablantes, tienes que añadirlos a mano mientras escuchas, o usar otra herramienta hecha para eso.

¿Puedo usar un archivo de vídeo?

Sí, si tiene una pista de audio que tu navegador pueda decodificar. La herramienta lee el sonido del vídeo en tu dispositivo e ignora la imagen. Un vídeo sin audio da un mensaje de error general.

¿Traducirá el habla al inglés?

No. El proceso está configurado para transcribir, así que escribe lo que se dice en el idioma hablado. La página no tiene opción de traducción. Usa la lista de idiomas para indicarle qué idioma usa el hablante.

¿Cómo se usa «Transcriptor de audio y vídeo»?

Elige un archivo para obtener texto en tu dispositivo. La primera vez se descarga un modelo de unos 43 MB; recomendamos un PC para grabaciones largas.

¿Se envían mis datos a un servidor?

No. El procesamiento se realiza en tu navegador y tus datos no se suben.