Voz a texto

Cómo se convierte la voz en TXT en esta página

Su navegador graba el micrófono como audio Opus (Chrome, Firefox, Edge) o AAC (Safari) y lo mantiene en memoria. Cuando confirma, el archivo se carga mediante HTTPS en uno de nuestros servidores de transcripción.

Allí, ffmpeg descodifica el audio y Whisper —un modelo de reconocimiento de voz de código abierto— lo convierte en texto de una sola vez, incluida la puntuación y las separaciones de oraciones. Si la detección de hablantes está activada, un modelo de diarización primero separa el audio por hablante y la transcripción se anota en consecuencia.

La transcripción se guarda como un archivo de texto UTF 8 sin formato, con puntuación normal y saltos de párrafo, por lo que se abre en cualquier editor, procesador de textos o aplicación de notas y puede pegarse en cualquier lugar. La página de resultados le permite descargarla; el audio y la transcripción se eliminan automáticamente después.

Consejos de grabación más importantes que cualquier ajuste

El reconocimiento de voz solo es tan bueno como el audio. Tres factores marcan la mayor diferencia: la distancia, el ruido y las voces superpuestas. Mantenga el micrófono a 10–20 cm de la boca; un teléfono sostenido cerca funciona mejor que un portátil al otro lado de la mesa. Apague los ventiladores, cierre la ventana y evite las habitaciones con mucho eco.

Hable a un ritmo normal y termine las frases: el modelo utiliza el contexto, por lo que las frases a medias y las muletillas generan peor texto que un discurso completo, aunque sea un poco más lento. En las entrevistas, pida a las personas que no hablen unas encima de otras; las voces superpuestas son el caso más difícil para cualquier sistema de reconocimiento.

Escuche la vista previa antes de empezar. Si el medidor de nivel apenas se mueve o permanece constantemente al máximo, vuelva a grabar en lugar de confiar en que la transcripción salga bien.

Usos habituales de la conversión de voz a TXT

Esta herramienta la utilizan profesores, podcasters, periodistas y cualquier persona que piensa más rápido hablando que escribiendo con el teclado: para redactar un correo electrónico o un artículo hablando, registrar actas de reuniones, convertir una clase o una nota de voz en apuntes con búsqueda, transcribir respuestas de entrevistas para investigaciones y obtener una versión legible de un mensaje de voz que no se puede reproducir en ese momento.

Como Whisper detecta el idioma automáticamente, la misma página funciona con un dictado en alemán, una nota de voz en español o una clase en inglés sin necesidad de configurarla. La transcripción no se traduce: se escribe en el idioma hablado.

Para audios que ya existen como archivo —podcasts, clases, llamadas—, los conversores de audio a texto y de MP3 a texto de este sitio utilizan el mismo motor con las mismas opciones.

Lo que esta herramienta no hace

No traduce: las transcripciones están en el idioma hablado. No genera marcas de tiempo para subtítulos; para archivos SRT o VTT, utilice los conversores de subtítulos de este sitio. No identifica a los hablantes por su nombre, solo detecta cambios de hablante cuando está activada la detección de hablantes. Tampoco puede recuperar palabras que no se oyen en la grabación.

Los nombres propios, los nombres de productos y las abreviaturas poco frecuentes son los errores más habituales; normalmente, una revisión rápida del resultado teniendo esto en cuenta es toda la edición que necesita una grabación nítida.