Transcribe audio sin enviarlo a ningún sitio.

Una herramienta gratuita de voz a texto que transcribe audio y vídeo localmente en tu navegador, impulsada por un modelo Whisper que se ejecuta en tu propio dispositivo. Está pensada para reuniones, entrevistas, clases, pódcast y notas de voz — incluidas grabaciones sensibles que nunca deberían subirse a un servicio de transcripción en la nube.

No hay cuenta, ni cola de trabajos, ni facturación por minuto. Eliges uno de los tres niveles de Whisper, arrastras un archivo o grabas directamente, y obtienes una transcripción interactiva con marcas de tiempo, etiquetas de turnos de hablante y cinco formatos de exportación — todo en la pestaña que abriste.

Cómo funciona

Los archivos se decodifican en el navegador con la Web Audio API y se remuestrean al audio mono de 16 kHz que espera Whisper. El modelo se ejecuta a través de Transformers.js en ventanas solapadas de 30 segundos con un solapamiento de 10 segundos, de modo que las grabaciones de una hora muestran el progreso a medida que avanzan y las marcas de tiempo se mantienen precisas al cruzar los límites entre ventanas. En Chrome o Edge compatibles con WebGPU, el modelo se ejecuta en la GPU y un archivo de una hora puede terminar en bastante menos de su tiempo real; Safari, Firefox y los equipos más antiguos usan una ruta de WebAssembly con exactamente las mismas funciones. Los pesos del modelo se descargan una vez y el navegador los guarda en caché, tras lo cual la transcripción funciona sin conexión.

Tres modelos Whisper, 99 idiomas

Tú eliges el equilibrio: tiny es un modelo de 39 millones de parámetros de unos 150 MB y es rápido en cualquier dispositivo; base (74 millones, unos 220 MB) es el balance recomendado de precisión y velocidad; small (244 millones, aproximadamente 600 MB) es el nivel más preciso y compensa en acentos y grabaciones ruidosas a cambio de un mayor tamaño de descarga y tiempo de inferencia. Las versiones con marcas de tiempo de los tres modelos ofrecen tiempos palabra por palabra, que alimentan la reproducción con clic para desplazarse y las exportaciones a nivel de palabra.

La detección automática del idioma está a un clic, o puedes fijar cualquiera de los aproximadamente 99 idiomas compatibles — desde inglés, mandarín y japonés hasta opciones con menos recursos —, lo que también ayuda a la precisión en clips cortos donde la detección tiene poca señal.

Etiquetas de turnos de hablante

Cuando una transcripción contiene pausas entre personas, la herramienta rota entre Hablante A, Hablante B (y así sucesivamente) a lo largo de los turnos, basándose en la duración de las pausas — por defecto, huecos de unos 0,8 segundos — y no en las características de la voz. Las etiquetas aparecen en la transcripción y en los archivos exportados, y puedes cambiarlas de nombre (por nombres reales, roles, lo que quieras) y fusionar turnos adyacentes que pertenezcan al mismo bloque.

Es una formulación deliberadamente honesta: se trata de etiquetado de turnos, no de reconocimiento de huella vocal ni de reconocimiento de hablante. El modelo nunca analiza quién es cada persona, así que un mismo hablante que vuelve tras una pausa larga puede recibir una etiqueta nueva, del mismo modo que lo haría un hablante genuinamente distinto.

Grabación, edición y exportaciones

Más allá de arrastrar archivos, puedes grabar directamente con el micrófono: un medidor de nivel en vivo muestra la entrada, puedes pausar y reanudar, y al terminar la grabación se pone en cola para transcripción automáticamente. La transcripción terminada combina un reproductor de audio personalizado — haz clic en cualquier línea para desplazarte y observa cómo se resalta la línea actual — con edición de texto en línea, búsqueda de texto completo y estadísticas de duración, número de palabras y tiempo de procesamiento transcurrido.

Exporta el resultado como SRT o WebVTT con marcas de tiempo y etiquetas de hablante, TXT sin formato, Markdown o JSON estructurado, o simplemente cópialo al portapapeles. Nada lleva marca de agua.

Límites de los planes gratuito y Pro

El nivel gratuito transcribe archivos de hasta 30 minutos cada uno y pone en cola hasta 5 archivos por lote, que se descargan por separado o juntos en un ZIP. Pro amplía el archivo individual a 180 minutos y los lotes a 50 archivos. Ningún nivel tiene límite de ejecuciones, cuota mensual de minutos ni marca de agua, y ambos incluyen uso comercial: las únicas diferencias son la duración por archivo y el tamaño del lote. Los archivos que superan tu límite se rechazan con un mensaje claro y una vía de mejora; nunca se recortan en silencio.

Preguntas frecuentes

¿Sustituye el etiquetado de hablantes a la diarización profesional? No: rota las etiquetas según las pausas y lo dice con honestidad; para una atribución de nivel de producción, aún debes revisar y renombrar los turnos.

¿Puedo trabajar sin conexión? Sí, una vez que el nivel de modelo elegido se haya descargado una vez; el navegador lo conserva y reutilizarlo no requiere conexión.

¿Qué ocurre con grabaciones muy largas en un dispositivo con poca RAM? El procesamiento escala con la memoria del dispositivo, así que dividir las grabaciones de varias horas es la solución práctica; el modo WASM mantiene todas las funciones disponibles cuando falta WebGPU.

¿El uso comercial está realmente incluido en el nivel gratuito? Sí: los resultados son tuyos, sin marca de agua y sin tarifa por uso.