IA que transcribe audio: opciones gratuitas, apps, precisión y límites

Un análisis honesto de la IA que transcribe audio: qué opciones gratuitas funcionan de verdad, en qué se diferencian las apps y los modelos, cuál es la precisión en grabaciones limpias y ruidosas, y los límites relacionados con los hablantes, la privacidad y las palabras inventadas.

IA que transcribe audio: opciones gratuitas, apps, precisión y límites
Cristian Da Conceicao

Tienes una hora de audio grabado, una fecha límite y ninguna gana de transcribirlo todo a mano. Buenas noticias: la IA que transcribe audio ya es lo bastante buena como para hacer por ti unos 90 a 97 por ciento de ese trabajo, a menudo en pocos minutos y a veces sin costo. Malas noticias: en el último pequeño porcentaje es donde se deforman los nombres, se confunden los hablantes y aparece alguna frase que nadie llegó a decir. Este artículo aclara qué es gratis, qué merece la pena pagar, hasta qué punto son precisas las herramientas en realidad y dónde siguen quedándose cortas.

Qué hace realmente la transcripción con IA

Del sonido al texto

Los modelos modernos de reconocimiento de voz escuchan un archivo de audio, lo dividen en fragmentos muy pequeños y predicen las palabras más probables para cada tramo. También usan la frase que los rodea para resolver sonidos confusos, por eso "their" y "there" suelen salir bien hoy en día. El resultado es texto plano, a menudo con marcas de tiempo y, a veces, con puntuación, saltos de párrafo y etiquetas de hablante.

Micrófono de condensador vintage sobre un brazo articulado en una pequeña sala de grabación

El modelo nunca "entiende" el significado como lo haces tú. Reconoce patrones aprendidos a partir de enormes cantidades de habla grabada. Por eso maneja el inglés cotidiano de maravilla y tropieza con un apellido poco común o con un comentario susurrado a medias.

Por qué la precisión no es un único número

A los proveedores les encanta citar una sola tasa de error de palabras (WER, por sus siglas en inglés). Cuenta cuántas palabras están mal, faltan o sobran en comparación con una referencia humana. Una WER del 5 por ciento significa unos 5 errores por cada 100 palabras.

El problema: esa cifra depende mucho del audio de prueba. Un podcast de estudio con un solo hablante y una habitación silenciosa obtiene una puntuación mucho mejor que una reunión llena de gente grabada con un equipo portátil. Considera cualquier cifra destacada como el mejor escenario posible y luego prueba con tus propios archivos.

💡 Comprobación rápida: transcribe dos minutos de tu propio audio, léelo mientras lo escuchas y cuenta los errores en un párrafo. Eso te dirá más que cualquier tabla de clasificación.

Opciones gratuitas que de verdad funcionan

Whisper de código abierto

Whisper, de OpenAI, es la opción gratuita más habitual. Es de código abierto, así que puedes ejecutarlo en tu propio equipo sin pagar por minuto. La precisión en inglés que se reporta varía según la fuente: algunas reseñas sitúan su modelo grande por debajo del 3 por ciento de error en habla clara, mientras que otras miden alrededor del 5 al 7 por ciento en condiciones típicas. Ambas cosas pueden ser ciertas, porque el audio es distinto.

La contrapartida es el esfuerzo. Tienes que instalarlo, idealmente en un equipo con una tarjeta gráfica decente, y los archivos largos pueden tardar bastante en un equipo portátil. Si te manejas bien con la línea de comandos, es difícil de superar en precio y privacidad, ya que el audio nunca sale de tu equipo.

Los nuevos modelos de pesos abiertos también avanzan. En una actualización reciente de una clasificación popular de reconocimiento de voz de código abierto, Qwen3-ASR obtuvo una tasa media de error en inglés de unos 5,4 por ciento, ligeramente por delante de GPT Transcribe de OpenAI, alojado en su plataforma, con cerca del 6 por ciento. Las clasificaciones cambian a menudo, así que toma el ranking como una foto del momento y no como un veredicto.

Planes gratuitos en las apps

Muchas apps de transcripción ofrecen una cuota mensual de minutos gratuitos. Se ha informado de que una app para Mac basada en Whisper, MacWhisper, ofrece unos 300 minutos gratis al mes. Las herramientas de notas de reuniones, como Otter, suelen ofrecer también una pequeña cuota gratuita, aunque la cifra exacta cambia, así que revisa el plan actual antes de contar con ella.

Los planes gratuitos son ideales para un uso ocasional: una entrevista, una clase, una nota de voz. Se quedan cortos si grabas reuniones cada semana.

Estudiante grabando una clase con un teléfono en el césped de un campus

Herramientas integradas en el teléfono

Tanto el iPhone como los teléfonos Android incluyen ya dictado en el propio dispositivo y transcripción de notas de voz. No cuestan nada y, en muchos casos, funcionan sin conexión. La calidad basta para notas cortas, pero normalmente carecen de etiquetas de hablante y opciones de exportación, y las grabaciones largas pueden salir bien o mal.

💡 Regla general: usa las herramientas del teléfono para notas rápidas, Whisper para lotes privados o grandes, y un modelo alojado cuando quieras mucha precisión sin configurar nada.

Apps y modelos comparados

Cada herramienta encaja mejor con un tipo de trabajo distinto. Así se ordenan las categorías principales.

OpciónCostoIdeal paraPunto débil
Whisper (alojado por ti)Gratis, requiere hardwarePrivacidad, archivos en loteConfiguración y velocidad
Dictado del teléfonoGratisNotas de voz cortasSin etiquetas de hablante
Apps de reuniones (Otter y similares)Nivel gratuito, luego cuota mensualLlamadas en directo y resúmenesLímites de minutos
Apps de escritorio con Whisper para MacNivel gratuito, pasar a un plan de pagoTrabajo local, sin conexiónDepende de la plataforma
Modelos de IA alojadosPago por usoMucha precisión, subida sencillaEl audio se envía a un servidor

En PicassoIA también puedes ejecutar en el navegador modelos alojados de voz a texto. Hay tres que conviene conocer:

  • GPT 4o Transcribe para una precisión general sólida.
  • GPT 4o Mini Transcribe para trabajos más ligeros y rápidos, donde una pequeña pérdida de precisión es aceptable.
  • Gemini 3 Pro para audios largos y casos en los que también quieres que el modelo razone sobre el contenido.

Vista cenital de un equipo portátil, auriculares, teléfono y libreta sobre un escritorio de madera

Elegir según el uso

  • Periodistas e investigadores: la precisión y la privacidad importan más que nada. Considera Whisper en local o un modelo alojado para material no sensible.
  • Estudiantes: los planes gratuitos y las herramientas del teléfono suelen bastar para las clases.
  • Podcasters: un modelo alojado con marcas de tiempo limpias es lo que más tiempo de edición ahorra.
  • Equipos: una app de reuniones que se une a las llamadas automáticamente es cómoda, aunque los límites de minutos se acumulan.

Hombre con blazer azul marino en una videollamada en una mesa de reuniones de cristal

Precisión en el mundo real

Audio limpio

Con un solo hablante, un micrófono decente y una habitación silenciosa, las mejores herramientas se sitúan en torno al 2 al 5 por ciento de error en palabras. Es más o menos un error por cada veinte a cincuenta palabras. La mayoría son pequeños: un "the" que falta, un homófono, un número escrito con letras en lugar de cifras. Una lectura rápida los corrige.

Manos escribiendo junto a una transcripción impresa con correcciones en rojo

Cafeterías ruidosas y salas llenas

El ruido de fondo es el gran igualador. Informes sobre audio real tipo podcast con varios hablantes sitúan las tasas de error sin ajustes entre el 8 y el 15 por ciento en las principales herramientas. Eso significa un error notable cada diez palabras más o menos en los peores tramos.

Dos personas hablando en la mesa de una terraza de cafetería con un teléfono grabando entre ambas

Tres ajustes ayudan más que cambiar de herramienta:

  1. Pon el grabador cerca del hablante, a menos de 30 cm si es posible.
  2. Graba en un lugar más tranquilo: incluso un coche estacionado gana a una cafetería abierta.
  3. Evita que la gente hable a la vez. El habla superpuesta confunde a cualquier modelo.

Acentos y jerga

Los modelos entrenados sobre todo con inglés norteamericano y británico rinden mejor con esas variantes. Los acentos regionales marcados, el cambio de idioma en mitad de la frase y el vocabulario técnico denso hacen subir los errores. Los términos médicos, las marcas comerciales y los apellidos poco comunes son las víctimas habituales.

Mujer mayor de pelo plateado hablando por un teléfono en un acogedor salón

💡 Consejo: muchos modelos alojados aceptan un prompt breve o una lista de palabras. Indícales los nombres y términos que aparecerán en la grabación y los escribirán bien con mucha más frecuencia.

Límites que conviene conocer

Las etiquetas de hablante no son fiables

Saber quién dijo qué es una tarea distinta de convertir el habla en palabras, y más difícil. Algunas herramientas etiquetan bien a los hablantes en entrevistas de dos personas, pero se desmoronan con cinco personas en una sala. Si la atribución de hablantes importa, por ejemplo en actas o documentos legales, revisa cada etiqueta escuchando el audio.

Privacidad y audio sensible

Las herramientas alojadas envían tu audio a un servidor. Para un podcast informal no supone ningún problema. Para consultas legales, sesiones médicas o conversaciones empresariales confidenciales, lee primero la política de datos o ejecuta un modelo de código abierto en local para que el archivo nunca salga de tu equipo.

Abogado en una sala de conferencias con documentos y una grabadora de voz digital sobre una mesa de nogal

Comprueba también el consentimiento. En muchos lugares, grabar una conversación requiere el acuerdo de todos los participantes, y una transcripción no cambia eso.

Palabras inventadas y silencios

Este es el límite más extraño. Durante silencios largos o música, algunos modelos producen texto que nadie dijo, una frase como "gracias por ver" que aparece de la nada. Los modelos de tipo Whisper son conocidos por ello. Recorta los silencios largos antes de subir el archivo y revisa la transcripción en cualquier punto donde el audio tuviera poco volumen.

Límites de tamaño y de duración

La mayoría de los servicios alojados limitan el tamaño o la duración del archivo. Una grabación de dos horas puede necesitar dividirse en fragmentos. Partirla en pausas naturales, nunca a mitad de frase, mantiene el texto limpio.

Cómo usar GPT 4o Transcribe

GPT 4o Transcribe en PicassoIA funciona en el navegador, así que no hay nada que instalar. Es un buen punto de partida cuando quieres mucha precisión sin tocar la línea de comandos.

Paso a paso

  1. Abre la página del modelo y busca el campo para subir audio.
  2. Sube tu archivo. Los formatos habituales como MP3, WAV y M4A son las opciones más seguras.
  3. Si la página ofrece un ajuste de idioma, elige el idioma hablado en lugar de dejarlo en automático, lo que reduce las suposiciones erróneas en clips cortos.
  4. Si hay un campo de prompt o de contexto, añade los nombres, términos de producto y siglas que aparezcan en el audio.
  5. Ejecuta el modelo y espera a que aparezca el texto.
  6. Copia la transcripción y léela una vez mientras el audio suena a 1,25 veces la velocidad.

Editor de documentales revisando material de entrevistas en una sala de edición con poca luz

Ajustes que importan

AjusteConsejo
Formato de audioUsa un MP3 o WAV limpio, evita clips muy comprimidos
IdiomaConfigúralo manualmente para audio que no sea en inglés
Prompt de contextoEnumera nombres raros y términos
Duración del archivoDivide las grabaciones de más de una hora en fragmentos

Para trabajos más ligeros, como notas de voz cortas, GPT 4o Mini Transcribe es una opción sensata. Para grabaciones largas en las que también quieres condensar el contenido, Gemini 3 Pro merece una prueba.

Limpia la transcripción

Una transcripción sin revisar es un primer borrador. Unos minutos de limpieza la hacen utilizable.

  • Corrige primero los nombres. Busca los tres o cuatro nombres propios que importan y corrígelos en todo el texto.
  • Añade saltos de párrafo en los cambios de tema para que el texto se lea bien.
  • Marca los pasajes poco claros con una marca de tiempo para revisarlos después.
  • Haz una pasada de resumen. Un modelo de lenguaje como Claude Sonnet 5 puede convertir una transcripción larga en viñetas, tareas pendientes o un borrador de artículo limpio. Compara siempre el resumen con el texto original, ya que los resúmenes pueden omitir detalles.

¿Necesitas el proceso contrario? Puedes convertir un guion terminado de nuevo en audio con un modelo de texto a voz como Realtime TTS 2, o traducir un video a otros idiomas con Dubbing.

Pruébalo con tu propio audio

El resumen honesto: la transcripción con IA es excelente con grabaciones claras, aceptable con las desordenadas y todavía necesita una lectura humana antes de publicar o archivar algo importante. Las opciones gratuitas como Whisper y los planes gratuitos de las apps cubren mucho uso casual. Los modelos alojados se ganan su sitio cuando quieres precisión rápida y no quieres gestionar software.

La mejor forma de juzgar es probarlo. Toma un clip de dos minutos de tu propia vida, una nota de voz, una clase, una reunión, y pásalo por GPT 4o Transcribe, GPT 4o Mini Transcribe y Gemini 3 Pro. Compara los resultados línea por línea. PicassoIA reúne los tres en un mismo lugar, así que puedes ver cuál maneja mejor tu acento, tu micrófono y tu vocabulario. Explora la lista completa de modelos en picassoia.com/en/all-models y empieza hoy mismo a experimentar con tus propias grabaciones.

Compartir este artículo

Elige tu idioma

FreeCrea imágenes y videos con IAGratis, sin tarjeta de créditoGeneraciones gratis para empezarSeedance 2.5 Lite incluidoEmpieza gratis ya