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.

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.

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.
| Opción | Costo | Ideal para | Punto débil |
|---|
| Whisper (alojado por ti) | Gratis, requiere hardware | Privacidad, archivos en lote | Configuración y velocidad |
| Dictado del teléfono | Gratis | Notas de voz cortas | Sin etiquetas de hablante |
| Apps de reuniones (Otter y similares) | Nivel gratuito, luego cuota mensual | Llamadas en directo y resúmenes | Límites de minutos |
| Apps de escritorio con Whisper para Mac | Nivel gratuito, pasar a un plan de pago | Trabajo local, sin conexión | Depende de la plataforma |
| Modelos de IA alojados | Pago por uso | Mucha precisión, subida sencilla | El 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.

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.

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.

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.

Tres ajustes ayudan más que cambiar de herramienta:
- Pon el grabador cerca del hablante, a menos de 30 cm si es posible.
- Graba en un lugar más tranquilo: incluso un coche estacionado gana a una cafetería abierta.
- 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.

💡 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.

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
- Abre la página del modelo y busca el campo para subir audio.
- Sube tu archivo. Los formatos habituales como MP3, WAV y M4A son las opciones más seguras.
- 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.
- Si hay un campo de prompt o de contexto, añade los nombres, términos de producto y siglas que aparezcan en el audio.
- Ejecuta el modelo y espera a que aparezca el texto.
- Copia la transcripción y léela una vez mientras el audio suena a 1,25 veces la velocidad.

Ajustes que importan
| Ajuste | Consejo |
|---|
| Formato de audio | Usa un MP3 o WAV limpio, evita clips muy comprimidos |
| Idioma | Configúralo manualmente para audio que no sea en inglés |
| Prompt de contexto | Enumera nombres raros y términos |
| Duración del archivo | Divide 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.