Ajustes
Elegirlo ayuda con clips cortos o con ruido. La detección escucha los primeros 30 segundos.
En la transcripción, al copiar y en el archivo .txt. Los subtítulos siempre las llevan.
Con WebAssembly, Base tardó unos 25 segundos por minuto de audio en un procesador de escritorio de 2012, y los portátiles recientes son más rápidos. Tiny tarda más o menos la mitad y Small unas dos veces y media más. Deja esta pestaña abierta con los archivos largos.
Whisper Base (80 MB) se descarga una vez desde Hugging Face y después tu navegador lo guarda. Tu audio nunca sale de este dispositivo.
Transcripción
La transcripción se hace en tu navegador: ni el audio ni el texto se suben a ningún sitio. Tus ajustes y la última transcripción se guardan solo en este dispositivo, hasta que los borres.
Integra esta herramienta en tu web
Gratis y sin cuenta: copia el código y pégalo en tu web, tu blog o tu documentación.
Sobre el transcriptor de audio
Pasa a texto entrevistas, clases, notas de voz y vídeos sin subirlos a ningún sitio. El transcriptor usa el modelo de reconocimiento de voz Whisper de OpenAI dentro de tu navegador: suelta un archivo o graba con el micrófono, elige un modelo y el idioma o deja que se detecte, y el texto aparece a medida que se transcribe, con marcas de tiempo en las que puedes hacer clic para escuchar cada línea. Expórtalo como texto o como subtítulos SRT y VTT.
Cómo usar el transcriptor de audio
-
Añade el audio
Suelta un archivo de audio o vídeo en la página (MP3, WAV, M4A, OGG, WebM, MP4, MOV…) o pulsa Grabar con el micrófono. El archivo se decodifica en tu navegador y un reproductor te deja escucharlo.
-
Elige el modelo y el idioma
Base es el modelo recomendado; Tiny es más rápido y Small más preciso. Deja Detectar automáticamente o elige el idioma, y marca Traducir al inglés si quieres el texto en inglés. Pulsa Transcribir: la primera vez, el modelo se descarga una sola vez y tu navegador lo guarda.
-
Revisa y exporta
La transcripción crece a medida que se procesa cada tramo de 30 segundos. Haz clic en una marca de tiempo o en una frase para reproducir el audio desde ahí, y después copia el texto o descárgalo en TXT, SRT o VTT.
Casos de uso
Entrevistas y reuniones
Consigue una transcripción en la que buscar de una entrevista, un pódcast o una reunión grabada para citarla, resumirla o tomar notas, sin enviar una grabación confidencial a un servicio de transcripción.
Subtítulos para vídeos
Genera un archivo SRT o VTT para un vídeo de YouTube, un curso en línea o un clip para redes sociales, y corrige en un editor de subtítulos las palabras mal entendidas antes de publicarlo.
Notas de voz y clases
Convierte mensajes de voz, ideas dictadas o grabaciones de clase en texto que puedes leer, buscar y copiar, en el idioma en que se grabaron o traducido al inglés.
Preguntas frecuentes
¿Se sube mi audio a algún sitio?
No. Tu navegador decodifica y transcribe el audio en tu dispositivo, y el texto también se queda ahí. Lo único que se descarga, la primera vez, es la biblioteca Transformers.js y los archivos del modelo Whisper, desde jsDelivr y Hugging Face; tu grabación nunca forma parte de ninguna petición. Tus ajustes y la última transcripción se guardan solo en este navegador, hasta que los borres.
¿Qué modelo de Whisper elijo y cuánto pesa?
Whisper es el modelo abierto de reconocimiento de voz de OpenAI, publicado con licencia MIT; esta herramienta usa sus versiones ONNX publicadas en Hugging Face. Tiny (39 millones de parámetros, unos 44 MB) es el más rápido y el que más se equivoca. Base (74 millones, unos 80 MB) es el equilibrio recomendado. Small (244 millones, unos 250 MB) es el más preciso, pero unas dos veces y media más lento que Base. Con WebGPU se usan archivos más grandes (unos 120, 210 y 590 MB), porque funcionan más rápido en una tarjeta gráfica. Cada modelo se descarga una vez; después se carga desde la caché del navegador y también funciona sin conexión.
¿Cuánto tarda una transcripción?
Depende de tu dispositivo y del modelo. Con WebGPU, disponible en las versiones recientes de Chrome y Edge, un minuto de audio suele llevar unos segundos. Sin WebGPU el modelo funciona en el procesador con WebAssembly: en un procesador de escritorio de 2012, Base tardó unos 25 segundos por minuto de audio, Tiny más o menos la mitad y Small unas dos veces y media más, y los portátiles recientes son más rápidos. Las grabaciones largas llevan un rato, así que deja la pestaña abierta; puedes leer y copiar el texto mientras crece.
¿Qué formatos de archivo e idiomas admite?
Cualquier archivo de audio o vídeo que tu navegador pueda reproducir: normalmente MP3, WAV, M4A y AAC, OGG y Opus, FLAC, WebM y MP4, y MOV en la mayoría de navegadores. Whisper entiende unos 100 idiomas y detecta el idioma con los primeros 30 segundos; es más preciso en idiomas muy hablados como el español, el inglés, el portugués, el francés o el alemán. También puede traducir al inglés lo que se dice en cualquiera de ellos.
¿Qué precisión tiene y qué límites?
Whisper acierta mucho con voz clara, pero ninguna transcripción es perfecta: los nombres, los términos técnicos, las voces que se pisan, la música y el ruido de fondo provocan errores, y los modelos pequeños cometen más. No distingue entre hablantes y, en silencios largos o con música, a veces se inventa una frase corta. Las marcas de tiempo señalan cada segmento, una o dos frases, no cada palabra, así que revisa los subtítulos antes de publicarlos.
Herramientas relacionadas
Explora todas las herramientas online gratis de Tooly: todas funcionan en tu navegador y ninguna necesita cuenta.