Deja que la IA escuche por ti — transcripciones precisas y puntuadas de cualquier grabación.
Con OpenAI Whisper, 99 idiomas, marcas de tiempo. Empieza gratis.
El enlace debe ser de acceso público.
La IA de voz moderna convierte grabaciones en texto limpio mucho más rápido y barato que un mecanógrafo — así funciona.
Suelta cualquier grabación o pega un enlace de YouTube, TikTok, Instagram, Vimeo y otros. No hay modelo que configurar ni idioma que declarar: ambos se deciden a partir del propio audio.
La grabación se decodifica, se divide si es larga y se envía a OpenAI Whisper, que devuelve texto puntuado y con mayúsculas, repartido en segmentos por frases con un tiempo de inicio y de fin en cada uno.
La transcripción queda junto al reproductor, así que cualquier segmento se vuelve a escuchar y se corrige. Exporta a TXT, Markdown, DOCX, PDF, SRT o VTT, con el mismo código que usan las herramientas de subtítulos.
La IA de voz maneja volumen, velocidad e idiomas a un ritmo que la transcripción manual no puede seguir.
Una grabación larga se corta en trozos que se transcriben varios a la vez, así que una hora de audio no significa una hora de espera.
Un solo modelo cubre casi cualquier idioma, y el idioma se lee del audio en lugar de elegirse en un menú donde puedes equivocarte.
Las frases, las comas y las mayúsculas vuelven con el texto, que es la diferencia entre una transcripción legible y un muro de palabras en minúsculas.
Cada frase lleva el momento en que se dijo, y de ahí salen el clic para reproducir, la exportación de subtítulos y la búsqueda dentro de la grabación.
Sin cansancio ni deriva: el archivo cincuenta sale al mismo nivel que el primero y al mismo coste por minuto.
Entrevistas, llamadas, clases, notas de voz, grabaciones de campo: si hay habla, el modelo la escribe.
La transcripción manual es lenta y cara — unas cuatro horas de trabajo por cada hora de audio. La transcripción con IA usando OpenAI Whisper hace el mismo trabajo en minutos, añade puntuación y marcas de tiempo, y maneja 99 idiomas sin despeinarse. Tú mantienes el control: la transcripción queda junto al audio para verificar y corregir lo que el modelo haya pasado por alto.
El motor, las decisiones que hay detrás y los sitios donde todavía se equivoca.
OpenAI tiene modelos de voz más rápidos y más precisos —gpt-4o-transcribe y su variante mini— y no los usamos, a propósito. Devuelven texto plano y nada más. whisper-1 es el único que devuelve marcas de tiempo por segmento, y sobre esas marcas están construidos el reproductor, la exportación a SRT y VTT y la función de traducción. Cambiar al modelo más preciso subiría la exactitud de las palabras y rompería tres funciones en silencio, así que el intercambio va en el otro sentido.
El audio que pasa de cierta duración no se envía de una pieza. El archivo se recorre buscando silencios y se corta en el último punto callado antes de cada límite, de modo que la división cae entre frases y no dentro de una palabra, y los trozos se transcriben varios a la vez en lugar de uno detrás de otro. Si el trabajo se interrumpe, los puntos de corte ya están guardados, así que se reanuda en el trozo donde se detuvo en lugar de empezar el archivo entero de nuevo.
El idioma se detecta en el primer trozo y se reutiliza para el resto del archivo. Es deliberado: si se le deja detectarlo en cada trozo, el modelo puede cambiar de idioma a mitad de la grabación en un pasaje bajo o con acento y devolver una transcripción que cambia de lengua por el camino. El precio de la regla es que una grabación realmente bilingüe se transcribe en el idioma con el que empezó.
La precisión es una propiedad de tu audio, no de la página de marketing, así que no publicamos un porcentaje. Lo que la mueve: voces superpuestas, ruido y música de fondo, compresión de calidad telefónica, acentos marcados y nombres propios que el modelo no tiene forma de conocer: personas, medicamentos, nombres internos de producto. La respuesta práctica es el editor: el texto sigue junto al audio, cada segmento es clicable, y arreglar un puñado de nombres cuesta una fracción de lo que costaría escribirlo todo.
Un archivo más largo que el límite de visualización gratuito se transcribe igualmente entero —en la llamada al modelo no se recorta nada—, pero solo se muestran y se exportan los primeros 30 minutos mientras la cuenta no sea Pro. De tu cuota se descuenta lo que se te mostró, con un tope de 30 minutos, no la duración completa del archivo. El límite se dice antes de empezar la subida, no se descubre después, y Pro lo elimina por completo.
La transcripción funciona con OpenAI whisper-1, elegido por encima de los más nuevos y precisos gpt-4o-transcribe porque es el único que devuelve marcas de tiempo por segmento, de las que dependen el reproductor, la exportación de subtítulos y la traducción.
La precisión depende de la grabación y no del plan: el habla limpia vuelve casi literal, mientras que las voces superpuestas, la música de fondo, el audio de calidad telefónica y los nombres propios poco frecuentes son donde aparecen los errores. Cada segmento es clicable junto al audio, así que corregir es cuestión de minutos y no de volver a teclear.
La mayoría de los archivos termina en minutos y no en lo que dura la grabación, porque un archivo de 60 minutos se parte en trozos y varios se transcriben a la vez en lugar de uno tras otro. Las subidas largas siguen corriendo en segundo plano aunque cierres la pestaña.
Habla en 99 idiomas, reconocidos automáticamente a partir del audio y sin ningún ajuste que elegir. El idioma se detecta en el primer trozo y se mantiene para el resto del archivo, así que una grabación que cambia de lengua a mitad se transcribe en la que empezó.
La transcripción se exporta a TXT, Markdown, DOCX, PDF, SRT y VTT, todo generado con los mismos segmentos cronometrados, de modo que los subtítulos cuadran con el audio al milisegundo.
Las etiquetas de hablante no forman parte del resultado hoy: la transcripción es lo que se dijo, en orden y con tiempos. En una entrevista, el apaño habitual es que los turnos de palabra se ven en los cortes entre segmentos.
La transcripción escribe lo que se dijo y nada más; el resumen con IA es una acción aparte que lanzas tú, así que la transcripción nunca se reescribe ni se acorta a tus espaldas.
El archivo se transcribe entero, pero una cuenta sin Pro ve y exporta los primeros 30 minutos, y se le descuentan como mucho 30 minutos de su cuota. El tope se muestra antes de la subida, no después de la espera.
Un solo archivo puede llegar a 60 minutos en Free y a 10 horas en Pro, dentro de 5 GB de subida en ambos casos.
La transcripción con IA es gratis dentro de una cuota mensual de 60 minutos sin tarjeta; Pro la sube a 30 horas al mes, levanta el tope de visualización y quita el límite diario de subidas.
Pásate a Pro para transcribir horas de audio y video, con más minutos mensuales y subidas ilimitadas — texto preciso en 99 idiomas.
Ver planes Pro