Transcribir audio
Archivo de audio o video a texto y subtítulos: sin cuenta y sin elegir idioma
Haz clic o arrastra un archivo multimedia aquíElige un archivo multimedia (audio o video: MP3, M4A, WAV, MP4, MOV…)
Se envían como máximo 25 MB por archivo: los archivos más grandes y los otros formatos se convierten en tu dispositivo antes de subirlos
Acerca de Transcribir audio
Transcribir audio convierte en texto el habla de un archivo de audio o video grabado, con el modelo Whisper de OpenAI. Elige un archivo y la transcripción empieza enseguida; Whisper detecta el idioma hablado, así que no hay nada que configurar. Los archivos FLAC, M4A, MP3, MP4, MPEG, MPGA, OGG, WAV y WEBM de hasta 25 MB se envían tal cual a nuestro servidor. Cualquier otro formato (AAC, WMA, AIFF, AMR, OPUS, MOV, MKV, AVI…) y cualquier archivo más grande se convierten primero en tu dispositivo en un MP3 de su sonido que cabe en 25 MB, y solo ese MP3 se envía a nuestro servidor. Un archivo de hasta 4 MB pasa directamente por nuestro servidor; uno más grande se sube primero por partes a nuestro servicio multimedia. Obtienes la transcripción como texto de solo lectura, además de archivos TXT, SRT y VTT para descargar, con las marcas de tiempo de inicio y fin. No graba desde un micrófono; para dictar en directo, usa Audio a texto.
Ejemplo
Los archivos SRT y VTT de una nota de voz llamada interview.m4a, creados a partir de dos segmentos con tiempos tal como los devuelve nuestro servidor (texto de ejemplo). Las descargas llevan el nombre de tu archivo: interview.txt, interview.srt, interview.vtt, o interview-transcript.zip con los tres. Cuando un iPhone ha nombrado el archivo con un código (81414891159__EE8F0326-….MOV, por ejemplo), las descargas llevan en su lugar la fecha y la hora de la transcripción: transcription-2026-10-19-1430.txt, .srt, .vtt y .zip.
Segmentos con tiempos (inicio y fin en segundos)
{ start: 0, end: 4.2, text: " Gracias por acompañarnos hoy." }
{ start: 4.2, end: 9.86, text: " Empecemos por cómo nació el proyecto." }interview.srt e interview.vtt
1 00:00:00,000 --> 00:00:04,200 Gracias por acompañarnos hoy. 2 00:00:04,200 --> 00:00:09,860 Empecemos por cómo nació el proyecto. --- WEBVTT 00:00:00.000 --> 00:00:04.200 Gracias por acompañarnos hoy. 00:00:04.200 --> 00:00:09.860 Empecemos por cómo nació el proyecto.
Cómo transcribir un archivo de audio
- 1Haz clic en la zona de subida y elige un archivo de audio o video, como MP3, M4A, WAV o MP4.
- 2Espera mientras se muestra «Transcribiendo…», después de «Preparando el audio en tu dispositivo antes de enviarlo» si la página convierte primero el archivo; no hay ningún botón que pulsar.
- 3Lee el texto bajo «Transcripción» y haz clic en «Copiar» para copiarlo.
- 4Haz clic en «Descargar» junto al archivo .txt, .srt o .vtt, o en «Descargar todo» para un ZIP con los archivos.
Formatos y límites
- Entrada
- Archivos de audio y video: los formatos de OpenAI dentro del límite se envían a Whisper sin cambios; los otros formatos y los archivos más grandes se envían como un MP3 de su sonido creado en tu dispositivo
- Formatos
- Se envían tal cual dentro del límite de tamaño: FLAC, M4A, MP3, MP4, MPEG, MPGA, OGG, WAV y WEBM (la lista que publica OpenAI). Se convierten a MP3 en tu dispositivo antes de enviarlos, como cualquier archivo más grande: AAC, WMA, AIFF, AMR, OPUS, AC3, CAF, MKA y los demás formatos de audio que lee el motor ffmpeg de la página, y el sonido de videos como MOV, MKV, AVI, WMV, FLV, 3GP y MPG
- Tamaño máximo de archivo
- 25 MB enviados por archivo (unos 108 minutos de sonido una vez convertido); un archivo convertido en tu dispositivo antes de enviarlo puede ocupar hasta 750 MB en una computadora y 300 MB en un teléfono o una tableta
- Resultado
- Texto, TXT, SRT y VTT (subtítulos cuando Whisper devuelve segmentos con tiempos)
- Idioma
- Lo detecta Whisper; la página no tiene ajuste de idioma
- Nombres de los hablantes
- No se añaden: todas las voces en un solo texto continuo
- Cuenta
- Ninguna: sin registro y sin correo electrónico. Elige, suelta o pega un archivo y la transcripción empieza
- Límites de uso
- Las transcripciones por conexión tienen un límite por hora y por día, en un mismo cupo con las demás herramientas del sitio que dependen de un servicio de pago, dentro de un presupuesto mensual del sitio; los archivos grandes cuentan también para los límites propios del servicio de subida
Usos habituales
- Una entrevista para citar
- Una entrevista telefónica guardada como nota de voz M4A se convierte en texto con las palabras exactas para citar, y el archivo TXT pasa directamente al borrador de un artículo.
- Subtítulos para una charla o un pódcast en video
- Elige el video de la charla: un video MP4, MPEG o WEBM dentro del límite de tamaño se envía tal cual a nuestro servidor; de cualquier otro video, o de uno más grande, se extrae el sonido en tu dispositivo y solo ese sonido se envía. Importa el archivo SRT en un editor de video o súbelo a YouTube; corrige los nombres en el archivo antes de publicar.
- Apuntes de clase
- El MP3 de una clase se convierte en un texto para buscar y anotar; para una versión corta, pega hasta 8000 caracteres en Resumidor de textos.
- Una grabación en otro idioma
- Una grabación en inglés o en francés se transcribe en inglés o en francés, ya que Whisper detecta el idioma; pega el texto en Traductor IA para tener una versión en español.
Qué herramienta elegir
- Audio a texto: Audio a texto añade un modo de micrófono que escribe mientras hablas, con el reconocimiento de voz de tu navegador (Firefox no lo tiene); su modo de archivo envía una grabación al mismo modelo Whisper que esta página.
- Generador de subtítulos: Generador de subtítulos no escucha nada: escribes cada línea con sus marcas de tiempo de inicio y de fin y obtienes archivos SRT y VTT. Sirve para escribir o corregir subtítulos a mano, mientras que esta página los escribe a partir del habla.
- Extraer audio de un video: Esta página toma un video directamente y conserva su sonido solo para la transcripción. Extraer audio de un video guarda ese sonido en un archivo para conservarlo, en MP3 o en otro de sus formatos.
Dónde se procesa tu audio
El habla no se transcribe en tu navegador, sino con la API Whisper de OpenAI, a través de nuestro servidor. Un archivo FLAC, M4A, MP3, MP4, MPEG, MPGA, OGG, WAV o WEBM dentro del límite se envía tal cual a nuestro servidor. Cualquier otro archivo, o uno más grande, se convierte primero en tu navegador, en tu dispositivo, y solo el MP3 de su sonido creado allí se envía a nuestro servidor, nunca el archivo original ni sus imágenes. Un archivo enviado de hasta 4 MB va de nuestro servidor a OpenAI; uno más grande se sube primero por partes a nuestro servicio multimedia en Railway, nuestro servidor lo lee desde allí y se elimina de ese servicio en cuanto la transcripción termina, falla o se cancela; si la página se cierra o se pierde la conexión antes, se elimina al cabo de unos 15 minutos. No guardamos ni el audio ni el texto.
Preguntas frecuentes
¿Qué tamaño puede tener el archivo de audio?
Se envían 25 MB por archivo, lo máximo que acepta Whisper de OpenAI en una solicitud. Un archivo más grande, o en otro formato, se convierte primero en tu dispositivo en un MP3 de su sonido que cabe en 25 MB, y solo ese MP3 se envía a nuestro servidor: grabaciones de hasta unos 108 minutos, a partir de archivos de hasta 750 MB en una computadora y 300 MB en un teléfono o una tableta. Divide una grabación más larga en partes y transcríbelas una por una.
¿Puedo crear subtítulos para un video?
Sí: elige el propio video. Un video MP4, MPEG o WEBM dentro del límite de tamaño se envía tal cual a nuestro servidor; de cualquier otro video, o de uno más grande, se extrae el sonido en tu dispositivo y solo ese MP3 se envía a nuestro servidor. Cada línea de los archivos SRT y WebVTT lleva las marcas de tiempo de inicio y de fin de uno de los segmentos de Whisper, lista para YouTube, VLC o un editor de video.
¿Tengo que elegir el idioma?
No. La página no envía ningún ajuste de idioma, y Whisper detecta por sí mismo el idioma hablado. La transcripción se escribe en ese idioma y no se traduce; para una traducción, pega el texto en Traductor IA.
¿Es gratis? ¿Necesito una cuenta?
Es gratis y no necesita cuenta ni correo electrónico. Cada conexión tiene un número fijo de solicitudes por hora y por día, compartido con las demás herramientas del sitio que dependen de un servicio de pago; cuando se agota uno, la página indica cuántos minutos hay que esperar. Todos los visitantes comparten además un presupuesto mensual: si se agota, la herramienta se detiene hasta el primer día del mes siguiente (UTC) y la página lo indica.
¿Acepta archivos MP3, WAV y M4A?
Sí. Dentro del límite de tamaño, nuestro servidor entrega tu grabación a Whisper sin modificarla, y cuando Whisper no puede leer un archivo, la página dice «El servicio de IA no ha podido leer este archivo. Prueba con otro archivo o con otro formato.» Las descargas de música cifrada, de Apple Music o QQ Music por ejemplo, se detienen antes de subirlas, con una explicación.
¿Qué formatos de audio y video acepta la página?
Whisper de OpenAI acepta FLAC, M4A, MP3, MP4, MPEG, MPGA, OGG, WAV y WEBM: esos archivos se envían tal cual a nuestro servidor cuando están dentro del límite de tamaño. Cualquier otro formato que lea el motor ffmpeg de la página se convierte primero en tu dispositivo, y solo el MP3 resultante se envía a nuestro servidor: AAC, WMA, AIFF, AMR, OPUS, AC3, CAF, MKA y el sonido de videos como MOV, MKV, AVI, WMV, FLV, 3GP y MPG. Un archivo que el motor no puede leer se rechaza antes de enviar nada.
¿Cómo transcribo una grabación que supera el límite?
Un archivo de más de 25 MB se convierte en tu dispositivo en un MP3 compacto antes de enviarlo a nuestro servidor, así que solo hay que cortarlo cuando dura más de unos 108 minutos: una entrevista de 40 minutos guardada como WAV con calidad de CD de unos 404 MB se envía como un MP3 de unos 18 MB (en una computadora; un teléfono acepta archivos de hasta 300 MB). Divide una grabación más larga, una clase de 3 horas por ejemplo, en dos mitades de 90 minutos con Dividir audio y transcribe cada una. Los tiempos de los archivos SRT y VTT de cada parte empiezan en 00:00:00, así que antes de unir los subtítulos, suma 90 minutos a cada tiempo del segundo archivo.
¿Qué tan precisa es la transcripción?
No publicamos ningún porcentaje de precisión: depende de la grabación. Una voz clara y cerca del micrófono da el mejor resultado; la música bajo la voz, las personas que hablan a la vez, el audio de una línea telefónica y los nombres poco comunes o la jerga causan la mayoría de los errores. Con silencios largos o música, Whisper puede escribir una línea dos veces o escribir palabras que nadie dijo, así que revisa los subtítulos en esos puntos antes de publicarlos.
¿OpenAI conserva mi audio?
No guardamos ni el audio ni el texto. El archivo enviado (el tuyo, o el MP3 de su sonido creado en tu dispositivo) va a la API de transcripción de OpenAI; la página de controles de datos de OpenAI indica que ese punto de acceso no se usa para entrenamiento y no tiene retención para la supervisión de abusos (comprobado el 19 de octubre de 2026).
¿Puedo editar la transcripción en la página?
No. El cuadro de la transcripción es de solo lectura. Copia el texto, o descarga el archivo TXT, y corrige los nombres y los términos técnicos en cualquier editor o procesador de textos.
¿Cuántos minutos de audio caben en el límite de tamaño?
Para un archivo enviado tal cual, depende de la codificación, no de la duración: con 25 MB, un MP3 a 128 kbps contiene unos 27 minutos y uno a 64 kbps unos 54 minutos, mientras que un WAV con calidad de CD (16 bits, 44,1 kHz, estéreo) contiene solo unos 2.5 minutos. Un archivo más grande se convierte en tu dispositivo antes de enviarlo, a un MP3 mono a 64 kbps (hasta unos 54 minutos en 25 MB), 48 kbps (unos 72 minutos) o 32 kbps (unos 108 minutos), así que el límite real es la duración: unos 108 minutos.
¿Indica quién está hablando?
No. Whisper devuelve un texto continuo sin nombres de hablantes, así que una entrevista entre dos personas llega como un solo bloque; agrega tú los nombres en el archivo TXT.
¿Dónde están las marcas de tiempo?
Solo en los archivos de subtítulos: cada línea SRT o VTT lleva las marcas de tiempo de inicio y de fin de un segmento de Whisper. El texto de la página y el archivo TXT no tienen marcas de tiempo, y cuando Whisper no envía segmentos, solo se ofrece el archivo TXT.
Consejos y trucos
- ✓Si una grabación dura más de unos 108 minutos, divídela en partes con Dividir audio y transcríbelas una por una.
- ✓Whisper escucha el habla a 16 kHz en mono, así que una tasa de bits alta añade megabytes, no precisión: un MP3 a 128 kbps ocupa algo menos de 1 MB por minuto, mientras que un WAV con calidad de CD ocupa unos 10 MB.