La privacidad es lo primero
Los archivos subidos se eliminan automáticamente y de forma permanente en un plazo de dos horas.
Eliminación automática
Voz a texto
Dicte una nota de voz, un recordatorio, un mensaje para un compañero o una breve nota directamente en el navegador, o suba una grabación, y reciba las palabras como un archivo de texto sin formato (.txt, UTF 8). La transcripción se realiza con Whisper, el modelo de reconocimiento de voz de código abierto, en nuestros propios servidores y en aproximadamente 100 idiomas, detectados automáticamente.
-
Grabar: hable en la grabadora del navegador —hasta 30 minutos por toma— o suba archivos MP3, WAV, M4A, AAC, OGG, FLAC o WebM.
-
Transcripción: Whisper escribe las palabras con puntuación; opcionalmente, marca los cambios de interlocutor en entrevistas y reuniones. Salida: un archivo de texto sin formato (.txt, UTF 8).
-
Privado: no se sube nada hasta que lo confirme. El audio y la transcripción se eliminan automáticamente tras el procesamiento, como máximo en unas horas.
Transcripción
Cómo funciona la conversión de voz a texto
La página combina una grabadora en el navegador con un sistema de transcripción basado en GPU. La grabación utiliza la interfaz MediaRecorder integrada en Chrome, Firefox, Edge y Safari; el reconocimiento lo realiza Whisper, el modelo de código abierto publicado por OpenAI, que se ejecuta en nuestro propio hardware en lugar de mediante una API de terceros.
Cómo usar Converter App
1
Grabe o suba un archivo
Pulse «Grabar con su micrófono», permita el acceso una vez y hable. Un temporizador y un medidor de nivel confirmarán que está entrando audio. También puede subir una grabación existente: las notas de voz de cualquier teléfono sirven.
2
Revisar e iniciar
Escuche la grabación en el cuadro de diálogo. Active «Detectar varios hablantes» para entrevistas y reuniones (indica quién está hablando, pero tarda considerablemente más). A continuación, inicie la transcripción.
3
Descargar la transcripción
Se muestra el progreso mientras el modelo trabaja; unos minutos de audio suelen tardar bastante menos de un minuto. Descargue un archivo de texto sin formato (.txt, UTF 8) desde la página de resultados.
Características principales
Whisper integrado
Whisper está entrenado con 680.000 horas de audio multilingüe y gestiona los acentos, el ruido de fondo y el vocabulario técnico mucho mejor que los motores de dictado de hace unos años. El idioma se detecta automáticamente.
Detección de hablantes bajo demanda
Para conversaciones, la detección opcional de hablantes etiqueta los cambios de interlocutor en la transcripción. Duplica aproximadamente el tiempo de procesamiento, por lo que está desactivada de forma predeterminada.
Salida de texto adaptada a su flujo de trabajo
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.
Gratis y privado
Sin cuenta, sin marca de agua y sin límite de pruebas. La grabación no sale de su dispositivo hasta que lo confirme, y el audio y la transcripción se eliminan automáticamente tras el procesamiento.
Experiencia y privacidad
Diseñado para flujos de trabajo de transcripción fiables.
Desarrollado por ingenieros con más de 10 años de experiencia en infraestructura a gran escala, sistemas de datos y computación científica. Diseñado para flujos de trabajo de audio reales en los que la privacidad, el procesamiento fiable y la usabilidad práctica son importantes.
Con la confianza de los usuarios
Valorado con 5 estrellas en Trustpilot por su rapidez, fiabilidad y facilidad de uso.
Confianza del usuario
Uso académico
Mencionado en investigaciones publicadas y utilizado para la transcripción de entrevistas y el análisis cualitativo de datos.
Uso para investigación
Medido en nuestros servidores
Qué esperar al convertir Voice a Text
Datos reales de cada conversión realizada con esta herramienta desde 24 octubre 2026. No hay estimaciones: registramos cuánto tardó cada tarea y el tamaño de los archivos. Los nombres y el contenido de los archivos nunca se almacenan.
1.6 min
Tiempo de procesamiento habitual
para un archivo de 10 MB (mediana)
27
Conversiones
desde 24 octubre 2026
131 MB
Archivo más grande convertido
desde 24 octubre 2026
Tiempo estimado según el tamaño del archivo
Cuánto tardan las conversiones
porcentaje de todas las conversiones
- menos de 1 s0%
- 1–10 s4%
- 10–60 s26%
- 1–5 min44%
- más de 5 min26%
Los tiempos corresponden únicamente al procesamiento en el servidor y se miden tras finalizar la carga; la subida y la descarga no están incluidas. Los archivos grandes tardan más, pero el límite es el mismo para todos: sin cuenta ni prioridad en la cola de pago. Actualizado 2026-10-29
Cómo se convierte la voz en texto 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 decodifica el audio y Whisper –un modelo de reconocimiento de voz de código abierto– lo convierte en texto de una sola vez, incluidos los signos de puntuación y los saltos de frase. Si la detección de hablantes está activada, un modelo de diarización divide primero 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 permite descargarla; el audio y la transcripción se eliminan automáticamente después.
Consejos de grabación más importantes que cualquier ajuste
El reconocimiento de voz depende en gran medida de la calidad del audio. Hay tres factores que 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 ofrece mejores resultados 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 producen peor texto que una locución completa, aunque sea ligeramente más lenta. 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 texto
Esta herramienta la utilizan quienes prefieren hablar en lugar de escribir o necesitan un mensaje de voz fuera de una aplicación de chat: redactar un correo electrónico o un artículo hablando, registrar actas de reuniones, convertir una conferencia o una nota de voz en notas con búsqueda, transcribir respuestas de entrevistas para investigación y obtener una versión legible de un mensaje de voz que no se puede reproducir en este momento.
Como Whisper detecta el idioma automáticamente, la misma página funciona para un dictado en alemán, una nota de voz en español o una conferencia en inglés sin necesidad de configuración. La transcripción no se traduce; se escribe en el idioma hablado.
Para audio que ya existe como archivo —podcasts, conferencias o 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 se generan en el idioma hablado. No crea 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 los cambios de hablante cuando la detección de hablantes está activada. Tampoco puede recuperar palabras que no se escuchan en la grabación.
Los nombres propios, nombres de productos y abreviaturas poco frecuentes son los errores más habituales; por lo general, una revisión rápida del resultado teniendo esto en cuenta es toda la edición que necesita una grabación limpia.
FAQ
Preguntas frecuentes
¿Qué precisión tiene la transcripción?
Con una grabación clara y una sola persona hablando, Whisper suele reconocer correctamente bastante más del 90 % de las palabras en los principales idiomas, incluida la puntuación. La precisión disminuye si hay mucho ruido de fondo, varias personas hablando a la vez, audio muy bajo o un dialecto marcado; los consejos de grabación que se indican a continuación ayudan más que cualquier ajuste.
¿Qué idiomas se admiten?
Whisper reconoce დაახლოებით 100 idiomas y detecta automáticamente el idioma a partir de los primeros segundos de audio, por lo que no es necesario configurar nada. Las grabaciones con varios idiomas se transcriben en el idioma predominante. La transcripción se genera en el idioma hablado; no se traduce.
¿El audio se sube mientras hablo?
No. La grabadora conserva el audio en su navegador hasta que pulse el botón del cuadro de diálogo. Si cancela o cierra la pestaña, no se habrá enviado nada. Los archivos subidos y las transcripciones se eliminan automáticamente después del procesamiento.
¿Cuánto puede durar la grabación?
La grabadora del navegador se detiene después de 30 minutos; los archivos subidos pueden ser más largos. El tiempo de procesamiento aumenta con la duración del audio, y la detección de hablantes añade aproximadamente el mismo tiempo adicional.
¿Qué hace «Detectar varios hablantes»?
Ejecuta un paso de diarización de hablantes antes de la transcripción e inserta un marcador cada vez que cambia el hablante. Úselo para entrevistas, reuniones y podcasts; déjelo desactivado para dictados y notas de voz, donde solo añade tiempo de espera.
¿Puedo editar el texto después?
Sí: el resultado es un archivo .txt sin formato. Ábralo en cualquier editor, corrija los nombres o términos técnicos que el modelo haya interpretado mal y péguelo donde lo necesite. Los nombres propios y las abreviaturas poco frecuentes son los elementos que más conviene revisar.