DevToolPal
ES

Voz a texto

Transcribe archivos de audio y vídeo a texto o subtítulos SRT y VTT en tu navegador con OpenAI Whisper, en más de 90 idiomas, o traduce la voz al inglés. No se sube nada.

Se ejecuta en local, nunca se sube

Opciones

Modelo

Tiny es el más rápido y Small el más preciso. Base es un buen equilibrio.

Tarea
Formato de salida

Archivo de audio o vídeo

Suelta aquí un archivo de audio o vídeo (MP3, WAV, M4A, OGG, WebM, MP4…) o elige uno. Hasta 500 MB.

El modelo se descarga una vez desde Hugging Face y luego queda en la caché del navegador. El audio nunca sale de tu dispositivo.

Transcripción

Qué hace

Esta herramienta de voz a texto convierte un archivo de audio o vídeo en una transcripción escrita o en subtítulos SRT o VTT sin subir nada. Ejecuta el modelo de reconocimiento de voz Whisper de OpenAI directamente en tu navegador, así que puedes transcribir entrevistas, reuniones, clases, notas de voz y pódcasts de forma privada y gratuita. Whisper también puede traducir al inglés la voz en otros idiomas.

Al elegir un archivo, la página decodifica su pista de audio con la Web Audio API del navegador, la remuestrea a 16 kHz mono (el formato que espera Whisper) y la transcribe en un worker en segundo plano en ventanas de 30 segundos con un pequeño solapamiento, de modo que también funciona con grabaciones largas. El resultado aparece en el cuadro de salida, listo para copiar o descargar como .txt, .srt o .vtt.

Cómo se usa

  1. Elige un modelo: Tiny es el más rápido, Small el más preciso y Base (el predeterminado) un buen equilibrio.
  2. Pulsa Descargar el modelo y empezar. La primera vez se descarga con una barra de progreso; después el navegador lo carga desde la caché en un momento.
  3. Suelta un archivo de audio o vídeo en la página o pulsa Elegir archivo. MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM y MP4 funcionan en la mayoría de navegadores, hasta 500 MB. Se muestran el nombre, la duración y el tamaño.
  4. La transcripción empieza sola y muestra cuántos segmentos lleva. Pulsa Transcribir de nuevo tras cambiar el idioma o la tarea.
  5. Cambia el formato de salida entre texto, SRT y VTT cuando quieras, sin repetir la transcripción. Después cópiala o descárgala.

El idioma hablado se detecta automáticamente con los primeros 30 segundos. Indicarlo tú es más rápido y evita errores con clips cortos. Elige Traducir al inglés para obtener texto en inglés a partir de voz en otro idioma. El modelo, el idioma, la tarea y el formato se guardan en la dirección de la página, así que el botón Compartir enlaza con la misma configuración; tu archivo nunca forma parte del enlace.

Ejemplo

Un clip de dos frases exportado como SRT se ve así:

1
00:00:00,000 --> 00:00:03,240
Welcome back to the show.

2
00:00:03,240 --> 00:00:07,800
Today we are talking about speech recognition.

VTT usa los mismos fragmentos con una cabecera WEBVTT y un punto antes de los milisegundos, el formato que leen los reproductores de vídeo HTML5.

Privacidad, precisión y requisitos

Todo lo que ocurre tras descargar el modelo sucede en tu dispositivo, por lo que sirve para grabaciones confidenciales. Necesita un Chrome, Edge, Firefox o Safari reciente con WebAssembly. Si hay WebGPU (Chrome y Edge en la mayoría de ordenadores) se usa automáticamente y es mucho más rápido; si no, se recurre a WebAssembly. Los archivos largos necesitan memoria: una hora de audio ocupa unos cientos de megabytes ya decodificada, y Small necesita más que Tiny o Base, así que cierra otras pestañas pesadas en el móvil. Mantén la pestaña abierta hasta que termine.

Whisper funciona bien con voz clara y tolera razonablemente acentos y ruido de fondo, pero puede entender mal nombres y términos técnicos, y con silencio o música a veces repite o inventa una frase. Revisa la transcripción antes de publicarla. La herramienta no identifica hablantes, y los vídeos solo se transcriben si tu navegador puede decodificar su códec de audio.

Preguntas frecuentes

› ¿Se sube mi audio a un servidor?

No. El archivo se decodifica y transcribe dentro del navegador. La única petición de red es la descarga única de los archivos del modelo Whisper desde Hugging Face; tu audio, tu vídeo y la transcripción nunca salen de tu dispositivo.

› ¿Qué modelo usa y con qué licencia?

OpenAI Whisper (tiny, base o small), en las versiones ONNX que publica onnx-community en Hugging Face, ejecutado con la biblioteca transformers.js (Apache-2.0). OpenAI publica el código y los pesos de Whisper con licencia MIT.

› ¿Cuánto ocupa la descarga y cuánto tarda?

Unos 40 MB Tiny, 80 MB Base y 250 MB Small (algo más con WebGPU, que usa un codificador de precisión completa). Se descarga una vez y queda en la caché del navegador. La velocidad depende del dispositivo: con WebGPU, Base suele ir varias veces más rápido que el tiempo real; con WebAssembly puede acercarse al tiempo real.

› ¿Qué idiomas admite?

Whisper reconoce unos 99 idiomas y el selector muestra los más comunes, como español, inglés, chino, japonés, coreano, francés y alemán. La precisión es mejor en inglés y en idiomas muy hablados y baja en los menos comunes, sobre todo con Tiny y Base. La detección automática escucha los primeros 30 segundos; elige el idioma tú si la grabación empieza con música u otro idioma.

› ¿Puede crear subtítulos o distinguir hablantes?

Crea subtítulos SRT y WebVTT con marcas de tiempo por segmento que puedes cargar en YouTube, VLC o un editor de vídeo. No distingue hablantes y las marcas de tiempo son por frase, no por palabra.