Conversores de audio a texto: cómo funcionan y cómo elegir uno

Un conversor de audio a texto toma una grabación y te devuelve las palabras. Suena sencillo y, para una grabación limpia de una sola persona hablando, casi lo es. Pero la misma herramienta que clava una nota de voz puede tropezar con una reunión ruidosa, y la web gratuita que convirtió tu archivo puede haberse quedado con una copia.

Esta guía explica qué ocurre entre la subida y la transcripción, qué formatos de archivo funcionan, qué decide la precisión y cómo pensar en las herramientas gratuitas y en la privacidad. Si solo quieres una lista de herramientas, consulta nuestra comparativa de los mejores programas de transcripción.

Qué hace realmente un conversor#

Casi todos los conversores siguen los mismos pasos básicos, sea cual sea la marca.

1. Decodificar el archivo#

Tu grabación es un archivo comprimido: mp3, m4a, ogg, etc. El conversor lo decodifica a audio sin comprimir, normalmente mezclado en un solo canal y a una frecuencia de muestreo fija que espera el modelo de voz. Si subes un vídeo, extrae la pista de audio e ignora la imagen.

2. Preparar y dividir el audio#

Los modelos de voz trabajan con ventanas cortas de audio, así que las grabaciones largas se cortan en fragmentos, idealmente en las pausas. Algunas herramientas también detectan dónde no habla nadie y lo omiten, y algunas reducen antes el ruido de fondo.

3. Reconocer la voz#

Este es el núcleo. Un modelo de reconocimiento de voz, entrenado con enormes cantidades de voz grabada y su texto correspondiente, escucha cada fragmento y predice las palabras más probables. Los modelos modernos, como la familia abierta Whisper de OpenAI, lo hacen en una sola red y pueden manejar muchos idiomas, a menudo detectando el idioma por sí solos.

La palabra clave es predice. El modelo elige las palabras más probables dados el sonido y el contexto. Cuando el sonido no es claro, adivina, y una suposición equivocada pero segura se ve exactamente igual que una correcta en la página.

4. Añadir estructura#

El reconocimiento en bruto da un flujo de palabras. Después, los conversores añaden algunas de estas cosas:

• Puntuación y mayúsculas, para que se lea como frases.
• Marcas de tiempo, que vinculan cada frase con su punto en el audio.
• Etiquetas de hablante («Hablante 1», «Hablante 2»), mediante un paso aparte llamado diarización que agrupa las voces.
• Archivos de subtítulos (SRT, VTT) para vídeo.

5. Limpieza opcional#

Las herramientas más nuevas pasan un modelo de lenguaje por la transcripción para quitar muletillas, corregir la gramática, resumir o convertir un divagar en párrafos legibles. Eso es útil para tus propias notas y inadecuado para cualquier cosa que deba ser literal, como una cita o una prueba.

Dónde se hace el trabajo: tu ordenador o el suyo#

Todo conversor hace los pasos anteriores en tu propio dispositivo o en un servidor.

• En tu ordenador. Apps como MacWhisper (Mac) y Buzz (gratis, Mac, Windows y Linux) descargan un modelo y lo ejecutan en tu máquina. El audio no necesita subirse. La velocidad depende de tu hardware, y los modelos más grandes y precisos necesitan más.
• En la nube. Los sitios web y servicios suben tu archivo y lo procesan en sus servidores. A menudo son más rápidos en un portátil modesto, funcionan desde un teléfono y pueden ofrecer extras como resúmenes y uso compartido en equipo. Pero tu audio sale de tus manos.

Ninguno es mejor en general. Depende de lo que haya en la grabación.

Formatos de archivo#

La mayoría de los conversores aceptan los formatos habituales:

Si una herramienta rechaza tu archivo, conviértelo a mp3 o wav con un editor de audio gratuito y vuelve a intentarlo. La compresión rara vez perjudica la transcripción con una calidad normal; un mal micrófono la perjudica mucho más.

Qué decide la precisión#

No hay una cifra de precisión única para un conversor, porque la grabación importa más que el programa. Aproximadamente por orden de impacto:

1. Distancia al micrófono. Un teléfono en el bolsillo o al otro lado de la mesa capta la sala. Un micrófono cerca de la boca capta la voz.
2. Ruido de fondo. Cafeterías, tráfico, aire acondicionado y el tecleo compiten con la voz.
3. Hablantes que se solapan. Cuando las personas se pisan al hablar, ambas salen peor, y las etiquetas de hablante se confunden.
4. Acentos e idiomas. Los modelos son mejores en los idiomas y acentos que más vieron durante el entrenamiento.
5. Nombres y jerga. Un modelo nunca ha oído el apellido de tu cliente ni el código interno de tu producto. Algunas herramientas permiten añadir un vocabulario o una indicación; explicamos cómo funciona en vocabulario personalizado para el dictado.
6. Tamaño del modelo. Los modelos más grandes suelen ser más precisos y más lentos. Las apps locales a menudo te dejan elegir.

Toma con cautela cualquier porcentaje de precisión publicado. Se midió con el audio de otra persona, y el tuyo es distinto.

Gratis o de pago#

Lo gratuito es realmente bueno ahora, gracias a los modelos abiertos:

• Las apps locales como Buzz no cuestan nada y no tienen límite de minutos, si tu ordenador da la talla.
• Las herramientas integradas transcriben tus propias grabaciones: Notas de voz en iPhone y Mac, Grabadora en Pixel. Consulta cómo transcribir notas de voz.
• Los planes gratuitos de los servicios en la nube sirven para un uso ocasional, pero limitan los minutos al mes, los minutos por archivo o el número de subidas.
• Las webs gratuitas sin cuenta son con las que más cuidado hay que tener. Comprueba quién las gestiona y qué hacen con tu archivo.

Las herramientas de pago justifican su precio con comodidad y extras: etiquetas de hablante que funcionan, uso compartido en equipo, bots de reuniones, edición del audio editando el texto y transcripción humana, en la que una persona revisa cada línea. Si tus grabaciones son jurídicas, médicas, de investigación o para publicar, vale la pena presupuestar una revisión humana.

Privacidad: qué pasa con lo que subes#

Antes de subir una grabación a cualquier conversor en línea, busca respuestas a cuatro preguntas en su política de privacidad o sus condiciones:

1. ¿Se almacena el archivo, y durante cuánto tiempo tras el procesamiento?
2. ¿Quién puede acceder a él: empleados, contratistas, subencargados del tratamiento?
3. ¿Se usa para entrenar modelos? Algunos servicios lo hacen por defecto, salvo que te excluyas.
4. ¿Dónde se procesa, si tu organización tiene normas al respecto?

Después piensa en quién aparece en la grabación. Una nota con tus propias ideas es decisión tuya. Una entrevista, un paciente, un cliente o un compañero no es solo tuyo para subirlo. Obtén consentimiento antes de grabar a personas, sigue las normas de tu organización y usa una herramienta local si tienes dudas.

¿Conversor, transcriptor o app de dictado?#

Se solapan, así que ayuda ponerle nombre al trabajo:

• Conversor / transcriptor: existe una grabación y quieres texto. Las etiquetas de hablante y las marcas de tiempo importan en entrevistas y reuniones.
• App de dictado: todavía no hay nada grabado y quieres tus palabras escritas en un correo o un documento mientras hablas. Consulta las mejores apps de voz a texto.

LumeVoice es sobre todo una app de dictado, y sus apps de Mac y Windows también convierten archivos: audio mp3, m4a, wav, aac, aiff, flac y ogg, y vídeo mp4, mov y m4v (Windows también wma, wmv y webm). Abre un archivo desde la barra de menús o la bandeja, con Abrir con en el Finder o con el menú contextual del Explorador, y obtienes prosa limpia, sin muletillas, con las autocorrecciones aplicadas y con párrafos añadidos, copiada en tu portapapeles y guardada en tu historial.

Encaja bien con notas de voz, desahogos grabados y charlas que diste tú mismo. No encaja con reuniones, entrevistas ni subtítulos, porque no genera etiquetas de hablante, marcas de tiempo ni archivos de subtítulos. Es solo para escritorio y funciona en la nube: el audio se envía para procesarlo, no se almacena después y no se usa para entrenar modelos. Si una grabación no debe salir nunca de tu ordenador, usa en su lugar una app local.

Lista de comprobación antes de convertir#

• Graba cerca del hablante, en una sala tranquila.
• Usa un formato que acepte la herramienta (mp3, m4a o wav son apuestas seguras).
• Decide si el audio puede salir de tu ordenador.
• Elige texto literal o limpio, según para qué sea.
• Añade nombres y jerga donde la herramienta lo permita.
• Comprueba nombres, números y citas con el audio.
• Conserva el original hasta que termines.

Lecturas relacionadas#

• Notas de voz a texto
• Voz a texto frente a escritura con IA
• LumeVoice frente a Otter.ai