Transcripción de Audio
De una grabación al texto: idiomas, modelos y exportación
Convierte una grabación de voz o la pista de audio de un vídeo en texto que puedas revisar y editar. Elige el idioma, solicita una traducción y añade marcas de tiempo o etiquetas de hablante según lo que necesites. Puedes copiar el resultado o descargarlo como TXT o DOCX.
Coste: Gratis dentro de la cuota disponible. Se aplican límites de uso; consulta la guía de abajo.
Cómo transcribir audio o vídeo
Añade una grabación
Pulsa Sube un archivo de audio para transcribir o arrastra el archivo a la vista previa. El límite es de 200 MB por archivo. En Archivos, bajo Subidas, puedes elegir una grabación que hayas subido o creado en otra herramienta.
Elige el modelo
Gemini 3.5 Flash Lite · fast está seleccionado inicialmente. En Modelo de IA también encontrarás Gemini 3.6 Flash · advanced y Experimental; consulta sus diferencias más abajo.
Indica el idioma
Deja Idioma de audio en Detección automática o selecciona el idioma hablado. Usa Traducir al (opcional) si necesitas el texto en otro idioma, por ejemplo para pasar audio a texto en inglés.
Configura los detalles
En la tarjeta Transcript detail, activa Incluir marcas de tiempo, Identificar diferentes hablantes o ambas opciones si quieres localizar pasajes y seguir los turnos de una conversación.
Transcribe y guarda
Pulsa Transcribir audio y mantén la pestaña abierta hasta que aparezca Texto transcrito. Revisa el contenido y usa Copiar al portapapeles, Descargar como TXT o DOCX.
Opciones de idioma y transcripción
- Modelo de IA
- El valor inicial es Gemini 3.5 Flash Lite · fast. Los dos modelos Gemini admiten instrucciones de traducción, marcas de tiempo y etiquetas de hablante. Experimental utiliza GLM-ASR de Z.ai y acepta clips de hasta 30 segundos.
- Idioma de audio
- Detección automática es la opción inicial. Las opciones visibles son Inglés, Español, Francés, Alemán, italiano, portugués, ruso, japonés, Chino y árabe. Indicar el idioma puede orientar al modelo en clips breves o con muchos nombres y términos prestados. Para un idioma que no figura en la lista, usa la detección automática.
- Traducir al (opcional)
- Inicialmente está en Sin traducción (idioma original). Puedes elegir cualquiera de los diez idiomas anteriores, además de hindi, coreano, Holandés, Polaco y turco. El modelo transcribe y traduce en una misma petición; entrega solo la traducción y conserva las etiquetas de hablante. Haz dos transcripciones si necesitas también la versión original.
- Incluir marcas de tiempo
- Está desactivado inicialmente. Añade referencias como
[00:01:23], en horas:minutos:segundos, a intervalos regulares y en líneas separadas. Las calcula el modelo: sirven para orientarte en la grabación, sin asegurar una sincronización exacta. Para archivos de subtítulos con tiempos, utiliza Vídeo a subtítulos. Sin esta opción, el texto se organiza en párrafos. - Identificar diferentes hablantes
- Está desactivado inicialmente. Añade etiquetas como
Speaker 1:ySpeaker 2:al cambiar la voz. Con marcas de tiempo, una línea puede comenzar por[00:04:10] Speaker 2:. La identificación se basa en las voces: primero se mezclan los canales en mono, así que grabar a cada persona en un canal estéreo distinto no mantiene esa separación. Puedes sustituir las etiquetas por nombres en tu editor.
Qué modelo elegir
La selección de Modelo de IA determina el modelo utilizado para tu grabación.
Gemini 3.5 Flash Lite · fast
Es la opción inicial para notas de voz, clases y grabaciones con habla clara. También puedes usarla con archivos largos, dentro de los límites de tamaño y procesamiento.
Gemini 3.6 Flash · advanced
Es el modelo Gemini de mayor tamaño. Puedes elegirlo para material más complejo, como voces que se solapan, acentos marcados o vocabulario técnico; revisa igualmente la transcripción.
Experimental: hasta 30 segundos
GLM-ASR de Z.ai está orientado al reconocimiento de voz en clips cortos. Una grabación de más de 30 segundos se rechaza al iniciar la transcripción. Elige Gemini si necesitas traducción, marcas de tiempo o identificación de hablantes.
Qué audio se procesa y cómo reducir el tamaño
En nuestro servidor, FFmpeg extrae la primera pista y prepara audio mono de 16 kHz. Para los modelos Gemini utiliza FLAC. Descarta los fotogramas de vídeo, las carátulas y los metadatos. Solo el audio preparado se envía al servicio de IA elegido; la copia temporal se elimina de nuestro servidor después de la petición.
Todas las entradas pasan por esa conversión a mono de 16 kHz. Un MP3 o M4A puede ocupar menos que un WAV estéreo, pero la compresión con pérdida previa modifica la grabación y no garantiza el mismo texto reconocido. Escucha el archivo reducido y comprueba que la voz siga siendo clara.
El límite mostrado como 200 MB equivale a 200 MiB. Un WAV estéreo de 16 bits y 44,1 kHz ocupa aproximadamente 10,1 MiB por minuto: caben unos 19 minutos. Un MP3 de 128 kbps ocupa cerca de 0,92 MiB por minuto y puede permitir unas 3,5 horas; esto es una estimación de tamaño, no una garantía de duración admitida por el modelo.
Formatos, servicios y límites
- Entradas
- Audio: MP3, WAV, FLAC, M4A, AAC, OGG/OGA, Opus y WebM. Vídeo: MP4, M4V, MOV, MKV, WebM, AVI, MPEG/MPG y OGV. Deben contener una pista de audio decodificable.
- Resultados
- Texto en la página, TXT en UTF-8 y DOCX.
- Tamaño máximo
- 200 MB por archivo, equivalentes a 200 MiB.
- Duración
- Experimental: hasta 30 segundos; su copia FLAC preparada debe estar dentro de 25 MiB. Gemini: sin un máximo fijo de duración, sujeto al tamaño, al límite de salida de texto y al tiempo de procesamiento.
- Archivos por transcripción
- Uno.
- Procesamiento
- Preparación en nuestro servidor y reconocimiento por el modelo de IA. Cada trabajo dispone de hasta 60 minutos.
- Servicios externos
- Gemini recibe el audio preparado a través de la API de Google Gemini o de OpenRouter. Experimental lo envía a la API GLM-ASR de Z.ai.
- Límites de uso
- Se aplican límites diarios; la herramienta muestra un aviso cuando alcanzas uno.
- Marca de agua
- No se añade.
- Conservación
- Las subidas y los resultados alojados se eliminan tras 48 horas para invitados y 30 días para cuentas gratuitas. Los planes de pago pueden conservarlos más tiempo.
Preguntas frecuentes
¿Puedo obtener texto de un vídeo?
Sí, puedes subir MP4, M4V, MOV, MKV, WebM, AVI, MPEG/MPG u OGV. Se transcribe la primera pista de audio. Si contiene varias pistas y el idioma que necesitas no es el primero, extrae esa pista previamente en un editor de vídeo. Un vídeo sin sonido no se puede transcribir.
¿Se envía mi grabación a un servicio de IA?
Sí, se envía el audio preparado en mono a 16 kHz. Los modelos Gemini lo reciben mediante Google Gemini u OpenRouter; Experimental, mediante Z.ai. No se envían los fotogramas ni los metadatos del archivo. La subida y el DOCX alojados en nuestro servidor siguen la conservación de tu cuenta: 48 horas para invitados y 30 días para cuentas gratuitas.
¿Por qué termina el texto antes que la grabación?
Los modelos tienen un límite de texto por respuesta. Si lo alcanzan, aparece una advertencia encima del resultado que indica que la transcripción quedó truncada. Puedes usar Dividir audio, descargar las partes en un ZIP y transcribirlas de una en una.
¿Qué significa «No se pudo transcribir ningún texto de este audio.»?
El modelo no devolvió texto. Puede ocurrir con silencio, música, ruido sin habla clara o una voz muy baja. Reproduce el archivo para comprobar que contiene voz y selecciona el idioma hablado en Idioma de audio antes de volver a intentarlo.
¿Qué puedo hacer si el archivo supera los 200 MB?
MP3 o M4A pueden reducir el tamaño frente a WAV. Comprueba que la compresión mantenga la voz clara, ya que puede afectar al reconocimiento aunque todas las entradas se conviertan después a mono de 16 kHz. Para un vídeo grande, Comprimir vídeo admite archivos mayores: conserva su audio y selecciona el resultado reducido en Archivos.
¿Qué precisión tiene la transcripción?
Depende de la grabación. El ruido, el eco, las voces superpuestas y el sonido de una llamada dificultan el reconocimiento. Revisa especialmente nombres, cifras y términos técnicos. El modelo puede omitir muletillas o frases empezadas y abandonadas; el resultado no asegura una transcripción literal palabra por palabra.