Transcribir vídeo a texto: sube el archivo y obtén la transcripción

Transcribir vídeo a texto: se lee la pista de sonido, no la imagen

Una transcripción de vídeo es reconocimiento de voz aplicado a la pista de sonido de un clip: ffmpeg, la herramienta multimedia de código abierto, copia la primera pista de audio del archivo dejando la imagen de lado, la convierte en un MP3 de 16 kHz en mono y se la entrega al modelo Whisper de OpenAI; el códec de la imagen, H.264 o HEVC, no interviene.

• La imagen se ignora. Las diapositivas, los subtítulos quemados y cualquier otro rótulo en pantalla no se leen; a la transcripción solo entra lo que se dice.
• Sin sonido no hay texto. Una grabación de pantalla sin micrófono ni audio del sistema se rechaza con el mensaje «Este archivo no tiene sonido.»
• Una sola pista. Si un clip trae varias pistas de audio, como una película con dos doblajes, se usa la primera.
• ¿Pesa demasiado? Sube solo el sonido: QuickTime Player también guarda un clip como solo audio, y el M4A resultante se transcribe igual que una nota de voz. Lo escrito no cambia y el envío pesa una fracción del vídeo.

Como el camino es el mismo, un minuto de vídeo cuesta lo que un minuto de audio, y para pasar a texto una grabación de audio, es decir, un sonido sin imagen, se sigue exactamente esta ruta. Por eso transcribir el audio de un vídeo y transcribir el vídeo entero dan el mismo resultado.

Transcribir un archivo de vídeo en cuatro pasos

Cuatro pasos llevan un clip de tu ordenador o de tu móvil a una transcripción descargable, y no hace falta ninguno más: nada que instalar ni vuelta atrás para apuntar lo que se dijo.

1. Elige el vídeo. Arrastra un archivo MP4, MOV, MKV, WEBM o de otro formato a la zona de carga, o haz clic en ella para buscarlo. Tu navegador comprueba el tipo y el tamaño antes de enviar nada.
2. Lanza la transcripción. La primera grabación de un invitado arranca al momento y gratis: entera si dura hasta 10 minutos, y sus primeros 10 minutos si es más larga. Con la sesión iniciada ves cuántos minutos consumirá el archivo, y nada se pone en marcha hasta que pulsas «Transcribir».
3. Mira y lee a la vez. El clip se reproduce desde tu propio dispositivo, junto a la transcripción; un clic en una marca de tiempo lleva el reproductor a ese momento.
4. Descarga el texto o los subtítulos. Guarda un TXT o un Markdown para leer y retocar, o un SRT o un VTT para usarlo como subtítulos.

El reconocimiento de voz trabaja en nuestro servidor, de modo que este transcriptor de vídeo a texto no pide extensiones ni aplicaciones de escritorio. Una grabación larga muestra su avance en minutos procesados: con un seminario web de 90 minutos ves por dónde va el trabajo en vez de mirar un icono de carga. En una pantalla más ancha puedes abrir el espacio de trabajo con tu archivo, donde el reproductor, la transcripción y las herramientas de IA quedan uno al lado del otro.

Formatos de vídeo y límites de tamaño

Para pasar un vídeo a texto, el sitio acepta los contenedores de móviles, cámaras, aplicaciones de reuniones y grabadores de pantalla; solo el tamaño y la duración tienen un límite estricto.

El tamaño y la duración dependen de si has iniciado sesión:

• Sin cuenta: archivos de hasta 100 MB; la primera grabación se transcribe gratis, entera hasta 10 minutos, y después llegan fragmentos cortos gratuitos.
• Con la sesión iniciada: archivos de hasta 500 MB y de hasta 4 horas.
• Pasadas las 4 horas, corta antes la grabación en varias partes.

La imagen pesa mucho más que la voz: una hora de grabación de pantalla en 1080p puede superar el límite de 500 MB, mientras que esa misma hora de sonido ocupa unas pocas decenas de megabytes. La extensión es solo un primer filtro; el servidor lee con ffprobe el contenedor real y rechaza lo que no sea un archivo multimedia antes de mostrar ningún precio.

Qué vídeos se transcriben bien

Los vídeos se transcriben mejor cuando una persona habla a cámara, en una clase, una entrevista, un seminario web o una grabación de pantalla comentada, porque entonces una voz clara suena cerca del micrófono.

• Bien: un micrófono de solapa o unos auriculares con micro, una sala tranquila, una sola persona hablando cada vez.
• Peor: música bajo la voz, el ruido de un público, gente que se pisa al hablar, viento sobre un móvil que graba en la calle.
• Videoclips: la letra cantada sale menos limpia que la voz hablada.

OpenAI entrenó Whisper con 680 000 horas de audio recogidas en la web, según el artículo «Robust Speech Recognition via Large-Scale Weak Supervision», publicado en 2022; los acentos y el habla coloquial entran, por tanto, en aquello para lo que se diseñó el modelo, mientras que las voces superpuestas y la música bajo el habla siguen siendo las fuentes de error habituales. No publicamos tasas de acierto en porcentaje: dependen mucho más de la grabación que del programa. Tu primera grabación gratuita sirve de prueba honesta con tus propias imágenes, y la marca de tiempo junto a una línea deformada te lleva directo al pasaje que hay que volver a escuchar.

Ejemplo de transcripción de vídeo

Una transcripción de vídeo llega como una línea por frase dicha, y cada línea empieza con el minuto y el segundo en que arranca esa frase.

Texto de ejemplo en el formato TXT exacto, no una grabación real:

[0:00] Hola a todos, esta es la demo del nuevo panel de control.
[0:06] A la izquierda están los filtros que añadimos la semana pasada.
[0:13] Abro el informe de ventas, que es el que más preguntas ha generado.
[0:21] Como se ve, los totales se actualizan sin recargar la página.

La puntuación y las mayúsculas las pone Whisper, y el idioma hablado se detecta solo: no hay nada que ajustar antes de empezar. A partir de la primera hora, la marca gana un campo para las horas, como [1:04:10]. Cada marca señala el comienzo de una frase, no el de cada palabra.

Después de transcribir: subtítulos, exportación e IA

Una transcripción de vídeo terminada se descarga en cuatro formatos incluidos en el precio, y dos de ellos son archivos de subtítulos.

• TXT y Markdown para leer, tomar notas y retocar, con o sin las marcas [m:ss].
• SRT para Premiere Pro, DaVinci Resolve y YouTube Studio; VTT para reproductores HTML5.

El mismo envío sirve para generar subtítulos SRT a partir del vídeo, con las horas de inicio y de fin que salen del reconocimiento, en una sola pasada. Para convertir esos subtítulos o quitarles los tiempos hay conversores de subtítulos que funcionan en tu navegador, para SRT, VTT y texto plano.

Las acciones de IA parten de la transcripción terminada: resumen, apuntes detallados, momentos clave, capítulos y marcas de tiempo, artículo, publicación para redes, un Pro Transcript limpio, chat sobre la grabación o un prompt propio. Están incluidas con la grabación transcrita, sin un segundo cobro: se pagan los minutos de reconocimiento de voz, no cada botón.

Transcribir vídeo a texto gratis, y cuándo entran en juego los minutos

Tu primera grabación es gratis sin cuenta, entera hasta 10 minutos y sus primeros 10 minutos si es más larga; a partir de ahí, un archivo completo cuesta un minuto de saldo por minuto de grabación, desde $0.033 el minuto.

En la práctica, el regalo cubre una grabación de pantalla de 10 minutos o una entrevista corta. Una clase de 75 minutos pide además un paquete, y la página lo dice antes de cobrar nada. La «primera grabación» existe una sola vez por invitado: un vídeo de YouTube sin subtítulos que ya se haya transcrito también cuenta como esa grabación.

¿Hay que subir un vídeo que ya está en YouTube?

No: la mayoría de los vídeos de YouTube tienen subtítulos, y sus palabras se leen directamente, sin subir nada ni pasar por el reconocimiento de voz.

El texto gratis de un vídeo de YouTube con subtítulos sale de la pista de subtítulos, sin registro y sin límite, y los análisis de IA sobre ese texto también son gratis. El reconocimiento de voz, y con él los minutos, solo entra cuando no existe ningún texto de partida: para tu propio archivo o para un vídeo de YouTube sin subtítulos.

Adónde va tu vídeo

Al transcribir un vídeo aquí solo queda lo escrito: el propio archivo se borra de nuestro servidor en cuanto se ha extraído su sonido.

• El sonido extraído va a Whisper de OpenAI para el reconocimiento; sus trozos se borran en cuanto la transcripción está lista.
• Sin cuenta, la transcripción no se guarda en el servidor: la retiene una hora más o menos, lo justo para que la página la recoja, y después solo vive en tu navegador.
• Un envío que nunca llega a empezar, por ejemplo mientras recargas minutos, se borra pasada una hora aproximadamente.
• Con la sesión iniciada, la transcripción se guarda en tu cuenta.
• El reproductor muestra el clip desde tu propio dispositivo. Si recargas la página, vuelve a elegirlo para verlo; lo escrito ya está guardado.
• Cuando eliges un archivo en esta página, tu navegador conserva una copia temporal para pasarla al espacio de trabajo y la borra en cuanto este la recoge, como mucho al cabo de una hora.

Todas las reglas están en nuestra política de privacidad.

Lo que la transcripción de vídeo no hace

Los rótulos que aparecen en pantalla escapan a esta transcripción de vídeo: convierte la voz en palabras escritas y no lee la imagen.

• No identifica a los hablantes; da un único flujo de líneas con marca de tiempo.
• No quema subtítulos en la imagen; recibes archivos SRT o VTT para el editor o el reproductor.
• No lee las pistas de subtítulos que ya trae un MKV o un MP4; lo escrito nace de la voz.
• No abre enlaces de Google Drive, Dropbox, Vimeo o TikTok: descarga antes el clip a tu dispositivo.
• Rechaza archivos de más de 500 MB o de más de 4 horas; sube solo el sonido o corta la grabación.
• Usa solo la primera pista de audio.

Lo que sí queda garantizado cuando quieres convertir tu propio vídeo a texto: el precio aparece antes de empezar, los minutos se descuentan solo tras una transcripción correcta y la exportación del resultado está incluida.

Guías por formato y por tarea: MP4 a texto · MP4 to SRT

Preguntas frecuentes

¿Se puede transcribir un vídeo gratis?

Sí, tu primera grabación: sin cuenta se transcribe gratis, entera hasta 10 minutos y los primeros 10 minutos si es más larga. Después, un invitado recibe un fragmento corto gratuito; el archivo completo consume minutos de tu saldo, y al registrarte te regalamos 10.

¿Necesito una cuenta?

No para la primera grabación ni para los fragmentos cortos gratuitos. Sí para los archivos completos que vengan después: se entra con un enlace que te llega por correo, sin inventar ninguna contraseña.

¿Qué formatos de vídeo y qué tamaños puedo subir?

MP4, MOV, MKV, WEBM, AVI, MPEG, TS y WMV, además de archivos de sonido como MP3, M4A y WAV. Hasta 100 MB sin cuenta; hasta 500 MB y 4 horas con la sesión iniciada.

Mi vídeo pasa del límite. ¿Qué hago?

Sube solo el sonido. Exporta la pista de audio, en M4A desde QuickTime Player por ejemplo, y súbela: la transcripción sale igual, porque solo se reconoce la voz, y el envío pesa una fracción del vídeo.

¿Se queda mi vídeo en vuestro servidor?

No. El vídeo se borra del servidor en cuanto se extrae su sonido, o al cabo de una hora más o menos si la transcripción no llega a empezar; los trozos de audio se eliminan tras el reconocimiento. Lo escrito queda en tu navegador o, si has iniciado sesión, en tu cuenta.

¿Lee el texto de la pantalla o los subtítulos incrustados?

No. Solo la voz se convierte en texto. Las diapositivas, los subtítulos quemados en la imagen y cualquier otro rótulo en pantalla no se leen.

¿Distingue a las personas que hablan?

No. No hay etiquetas de hablante: la transcripción es un único flujo de líneas con marca de tiempo, hable quien hable.