Transcriptor Local

Cómo funciona la transcripción por IA en tu propio navegador

El motor: Whisper, corriendo dentro de la pestaña

Esta herramienta usa Whisper, el modelo de reconocimiento de voz que OpenAI publicó como código abierto, pero no lo ejecuta en ningún servidor: lo descarga una vez a tu navegador y lo hace correr ahí mismo, usando WebGPU cuando tu equipo lo soporta (o WebAssembly como alternativa más lenta si no). Es la misma familia de modelo que usan muchos servicios de transcripción en la nube — la diferencia no está en el modelo, está en dónde se ejecuta: en su servidor, con tu archivo subido, o aquí, dentro de tu propio ordenador.

Por qué el nivel de calidad cambia tanto el resultado

Rápido, Equilibrado y Preciso no son solo nombres de marketing: son tres tamaños distintos del mismo modelo (tiny, base y small, en la nomenclatura de Whisper), y un modelo más grande entiende mejor los acentos marcados, el vocabulario técnico o poco común, y el audio con ruido de fondo — a cambio de pesar más al descargarlo la primera vez y tardar más en procesar. Para una nota de voz clara en un idioma común, «Rápido» suele bastar. Para una entrevista con acento cerrado, varias personas hablando a la vez o vocabulario muy específico (términos médicos, jurídicos, técnicos), «Equilibrado» o «Preciso» dan menos errores, aunque tarden más.

Qué hace que una transcripción salga mejor o peor

Como con cualquier sistema de reconocimiento de voz, el resultado depende mucho del audio de partida. Ayuda: una sola persona hablando a la vez (el solapamiento de voces es lo que más confunde al modelo), poco ruido de fondo, y un micrófono razonablemente cerca de quien habla. Un audio grabado con el micrófono del móvil en una sala con eco o con música de fondo va a dar más errores que uno grabado con calma, sea cual sea el nivel de calidad elegido — ninguna IA de transcripción, tampoco las de pago en la nube, arregla del todo un audio de mala calidad de partida.

SRT y VTT: dos formatos de subtítulos, dos usos distintos

El SRT (SubRip) es el formato de subtítulos más compatible: lo reconocen casi todos los reproductores de vídeo de escritorio y la mayoría de editores. El VTT (WebVTT) es el formato pensado para la web — lo usa el elemento <video> de HTML5 y plataformas de streaming, y admite algo más de formato (posición, estilo) que el SRT. Si vas a subir el vídeo a una web o a una plataforma de streaming, VTT suele ser lo que piden; si lo vas a abrir en un reproductor de escritorio o en un editor de vídeo de toda la vida, SRT es la apuesta más segura. Cuando no sepas cuál necesitas, el TXT plano (sin marcas de tiempo) y el Word con los timestamps son las otras dos opciones que exporta esta herramienta.

Qué gana y qué pierde frente a un servicio de transcripción en la nube

La ventaja de que todo ocurra en tu navegador es la privacidad: tu audio no viaja a ningún servidor, y muchos servicios de transcripción en la nube sí guardan tu archivo mientras dura el proceso — y, según su política de privacidad, a veces más tiempo del que uno esperaría. La contrapartida es la velocidad: el hardware de un servidor dedicado suele ser más rápido que la GPU o CPU de un ordenador personal, así que para archivos muy largos (varias horas) un servicio en la nube puede terminar antes. Para la mayoría de notas de voz, reuniones o entrevistas de duración normal, la diferencia de tiempo suele merecer la pena a cambio de que el archivo nunca salga de tu equipo.