Subes una entrevista de 55 minutos, esperas un minuto y recibes un mensaje amable que dice que el plan gratuito se detiene en 30. O algo peor: la herramienta transcribe sin inmutarse la mitad y esconde el resto detrás de un botón de mejorar el plan. Cualquiera que haya probado la transcripción gratuita con IA para trabajar en serio se ha topado con este muro. La publicidad habla de "precisión ilimitada en segundos". La letra pequeña dice algo muy distinto.
Este artículo expone los límites con los que de verdad vas a encontrarte: cuotas mensuales de minutos, límites de duración por archivo, tamaños máximos de subida y caídas de precisión que ninguna página de precios menciona. También muestra qué hacer cuando un plan gratuito deja de ser suficiente.
💡 Respuesta rápida: Los planes gratuitos suelen limitarte de tres formas a la vez: minutos totales al mes, minutos por grabación y número de subidas. Si llegas a cualquiera de ellos, el trabajo se detiene, aunque los otros todavía tengan margen.
Por qué los planes gratuitos se agotan tan rápido
La transcripción cuesta dinero. Cada minuto de audio que envías consume cómputo, y los proveedores tienen que limitar ese gasto en algún punto. El límite rara vez está donde esperas.

Tres límites, no uno
La mayoría de los niveles gratuitos acumulan tres límites separados:
- Un fondo mensual de minutos. Unos cientos de minutos suena a mucho hasta que te das cuenta de que una sola reunión semanal de equipo consume 60.
- Un techo por grabación. Muchas herramientas cortan a los 30 minutos por archivo, y algunos planes gratuitos bajan hasta unos pocos minutos por grabación.
- Un contador de importaciones. Algunos servicios te dejan subir solo un puñado de archivos existentes, para siempre, mientras la grabación en directo sigue abierta.
Lo cruel es que estos límites se combinan. Puedes tener 200 minutos disponibles en tu fondo y, aun así, no poder procesar una conferencia de 45 minutos, porque el límite por archivo lo impide.
Por qué las cifras no dejan de cambiar
Los proveedores cambian las cuotas con frecuencia. Los informes de las comparativas de 2026 describen cómo un asistente de reuniones muy popular recortó a la mitad su oferta gratuita respecto a un plan anterior. Considera cualquier cifra de un blog, incluidas las de abajo, como una fotografía del momento. Consulta la página de precios actualizada antes de planificar un proyecto a partir de ella.
Qué permiten realmente los planes gratuitos
Esta es una fotografía basada en comparativas de mediados de 2026. Los proveedores ajustan estas cifras, así que úsalas para hacerte una idea de la forma de cada oferta, no como un contrato.
| Tipo de servicio | Asignación gratuita declarada | Principal pega |
|---|
| Asistente de reuniones (estilo Otter) | Unos 300 minutos al mes | 30 minutos por conversación, 3 importaciones de archivos de por vida |
| App web estilo Notta | Unos 120 minutos al mes | Unos 3 minutos por grabación en el plan gratuito |
| Servicio estilo Rev | Unos 45 minutos de IA al mes | Solo en inglés |
| App web estilo TurboScribe | 3 transcripciones al día | 30 minutos por archivo |
| AWS Transcribe | 60 minutos al mes | Gratis solo durante los primeros 12 meses, y es una API |
| Pequeños envoltorios web de "Whisper" | Alrededor de 5 minutos al mes | Apenas suficiente para una prueba |
Leer la tabla con honestidad
Un fondo de 300 minutos parece 60 veces mayor que uno de 5 minutos, pero el límite de 30 minutos por conversación decide si la herramienta puede manejar tu archivo real. Compara el límite que coincide con tu grabación típica, no la cifra destacada.
Restricciones ocultas que conviene revisar
Más allá de los minutos, busca estas cosas antes de comprometerte:
- Límites de exportación. Algunos planes gratuitos te dejan leer la transcripción en pantalla, pero bloquean la exportación a TXT, SRT o DOCX.
- Restricciones de idioma. Que el plan gratuito sea solo en inglés es habitual.
- Etiquetas de hablante. Suelen ser de pago.
- Conservación. Las transcripciones gratuitas pueden eliminarse tras un periodo determinado.
- Uso para entrenamiento. Comprueba si tu audio puede usarse para mejorar los modelos del proveedor, sobre todo en entrevistas o llamadas con clientes.
💡 Consejo: Antes de confiar una herramienta en un trabajo con fecha límite, haz una prueba de 3 minutos con dos hablantes y algunas palabras técnicas. Cuesta casi nada y revela enseguida los límites de exportación, de hablantes y de idioma.
Límites de duración y tamaño de archivo
La duración y el tamaño son límites distintos, y la gente los confunde constantemente. Una grabación de una hora puede pesar poco como MP3 comprimido y ser enorme como WAV sin comprimir.

Límites de duración
Los límites de duración son lo que frena los episodios de podcast, los webinars y las conferencias. Un límite de 30 minutos por archivo bloquea la mayoría de las grabaciones reales, ya que los episodios de podcast típicos duran entre 40 y 90 minutos y muchas conferencias universitarias rondan la hora.
Si te topas con un límite, tienes dos opciones honestas: dividir el audio o pasarte a una herramienta pensada para archivos largos.
Límites de tamaño de subida
Los techos de tamaño vienen del lado de la infraestructura. Muchas API de voz a texto, incluidos los endpoints de audio de OpenAI, han documentado habitualmente un límite de subida de unos 25 MB por solicitud. Es generoso para audio comprimido y ajustado para archivos WAV.
Una idea aproximada de las escalas:
| Formato | Tamaño aprox. por hora | ¿Cabe en 25 MB? |
|---|
| WAV, 44,1 kHz estéreo | Unos 600 MB | No |
| WAV, 16 kHz mono | Unos 115 MB | No |
| MP3, 128 kbps | Unos 57 MB | No |
| MP3, 64 kbps mono | Unos 29 MB | Por poco, no |
| MP3, 32 kbps mono (voz) | Unos 14 MB | Sí |
La voz es indulgente. Un archivo mono, de 32 a 64 kbps suena bien para la voz, y los modelos de voz normalmente no necesitan audio de calidad musical para dar buenos resultados.

Cómo dividir un audio largo
Dividir el audio es la solución más barata. Sigue estos pasos:
- Convierte a mono y baja la tasa de bits. Esto reduce el archivo de forma notable, con poca pérdida de precisión en la voz.
- Corta en los silencios, no en tiempos fijos. Cortar a mitad de frase crea palabras ininteligibles en los bordes.
- Solapa unos segundos. Un solapamiento corto te ayuda a unir el texto sin perder ninguna frase.
- Nombra los fragmentos en orden.
part01, part02 y así sucesivamente evita confusiones más adelante.
- Une y revisa las costuras. Comprueba cada punto de unión, porque ahí es donde aparecen palabras duplicadas o perdidas.

Dónde baja la precisión
A los proveedores les encanta citar un 95 por ciento o más. Esas cifras salen de grabaciones limpias, con un solo hablante y calidad de estudio, en idiomas principales. La vida real es más desordenada.
Ruido de fondo
Una cafetería, un coche, un ventilador en marcha: todos ellos restan precisión. Los modelos actuales son mucho más robustos que los motores antiguos, pero el ruido sigue provocando palabras perdidas, palabras inventadas y nombres mal escritos. Acerca el micrófono al hablante y la mejora será mayor que cualquier cosa que ofrezca un menú de ajustes.

Acentos, jerga y nombres
La precisión varía según el acento, el dialecto y el vocabulario. Los términos médicos, las frases jurídicas, los nombres de productos y los apellidos de las personas son los puntos de fallo habituales. Un modelo que puntúa bien en inglés general puede convertir el nombre de un medicamento en un disparate.
- Añade un glosario al prompt si la herramienta lo permite. Muchos modelos de transcripción actuales aceptan un prompt breve con pistas de ortografía.
- Corrige los primeros errores y busca patrones. Si falla un nombre, fallará siempre.

Hablantes que se solapan
Dos personas que hablan a la vez es el caso más difícil para cualquier sistema. Espera frases fusionadas, interrupciones que faltan y etiquetas de hablante que se intercambian a mitad de la grabación. Si puedes grabar a cada persona en una pista separada, hazlo. Transcribir dos pistas limpias supera a transcribir una mezcla desordenada.
💡 Regla general: La calidad del audio importa más que el modelo. Un buen micrófono y una habitación silenciosa suelen hacer más por la precisión que cambiar de proveedor.
Cómo comprobar tú mismo la precisión
No necesitas un laboratorio. Dedica 15 minutos a una prueba rápida y sabrás más que cualquier página de marketing.
El atajo de la tasa de error de palabras
La tasa de error de palabras, o WER, cuenta las sustituciones, omisiones e inserciones frente a una transcripción correcta, y luego divide entre el número de palabras. Un WER del 5 por ciento significa aproximadamente 1 palabra incorrecta de cada 20.
Esta es una versión sencilla:
- Elige un fragmento de 2 minutos que represente tu audio real, con ruido y todo.
- Escribe a mano la transcripción correcta.
- Pasa el fragmento por cada herramienta que estés considerando.
- Cuenta las palabras incorrectas, omitidas y añadidas en cada resultado.
- Divide el número de errores entre el total de palabras de tu referencia.
Qué significan las cifras en la práctica
| WER aproximado | Qué implica en la práctica |
|---|
| Menos del 5% | Revisión ligera, sobre todo de la puntuación |
| Del 5 al 10% | Legible, pero hay que revisar los nombres y las cifras |
| Del 10 al 20% | Útil como borrador, pero necesita mucha edición |
| Más del 20% | A menudo es más rápido volver a escribirla que corregirla |
No olvides que el WER ignora la puntuación y el formato. Una transcripción puede obtener buena puntuación y, aun así, leerse como un bloque de texto interminable.

Alternativas cuando los límites te frenan
Cuando un plan gratuito deja de encajar, tienes tres caminos: pagar por la misma herramienta, dividir tus archivos o cambiar a un modelo que maneje tu carga de trabajo. PicassoIA ofrece modelos de voz a texto que puedes usar con tus propias grabaciones, sin un muro de duración por grabación como los de arriba.

GPT-4o Transcribe
GPT-4o Transcribe es la opción de mayor precisión de la familia de voz de OpenAI. Tiende a aguantar mejor los acentos, el audio con ruido y el habla rápida que los motores de voz anteriores. Elígelo cuando la precisión pese más que el costo: entrevistas, audios de tipo jurídico o médico y grabaciones con vocabulario difícil.
GPT-4o Mini Transcribe
GPT-4o Mini Transcribe es el hermano más ligero y barato. Encaja en trabajos de alto volumen, como lotes de notas de voz cortas, reuniones internas y borradores de primera pasada que de todos modos vas a revisar. Si transcribes muchos archivos, el ahorro se acumula rápido.
Gemini 3 Pro
Gemini 3 Pro es un modelo multimodal y no un motor de transcripción dedicado. Eso lo hace flexible: puedes pedirle que transcriba, etiquete hablantes, resuma o traduzca en la misma solicitud. Encaja bien cuando quieres algo más que texto bruto, como una transcripción pulida con las tareas pendientes.
Una al lado de otra
| Modelo | Mejor para | Contrapartida |
|---|
| GPT-4o Transcribe | Precisión en audios difíciles | Costo mayor que el modelo mini |
| GPT-4o Mini Transcribe | Volumen y velocidad | Algo menos robusto con audios difíciles |
| Gemini 3 Pro | Transcribir y resumir o traducir | No es una herramienta de transcripción pura |
💡 Consejo: Pasa tu fragmento de prueba de 2 minutos por los tres. El ganador para tu voz, tu acento y tu nivel de ruido suele no ser el que tiene el mejor benchmark.
Un flujo de trabajo práctico en PicassoIA
Este es un proceso repetible que evita la mayoría de los dolores de cabeza con los límites.

Paso a paso
- Prepara el audio. Convierte a MP3 mono de 32 a 64 kbps para la voz. Recorta los silencios largos al principio y al final.
- Elige el modelo. Usa GPT-4o Transcribe para audios difíciles, GPT-4o Mini Transcribe para trabajo en volumen, o Gemini 3 Pro cuando quieras que la transcripción se convierta en algo más elaborado.
- Sube el archivo y fija el idioma. Indicar el idioma elimina una fuente de adivinanzas y a menudo mejora los resultados en clips cortos o con acento.
- Añade un glosario. Si hay un campo para el prompt, enumera nombres, siglas y términos de producto con la ortografía correcta.
- Revisa las costuras. Si dividiste el archivo, comprueba cada punto de unión por si hay palabras repetidas o perdidas.
- Revisa primero los nombres y los números. Son los que más riesgo y más consecuencias tienen.
Consejos sobre los parámetros
- Idioma: indícalo explícitamente siempre que lo sepas.
- Prompt o contexto: mantenlo breve y concreto, con pistas de ortografía en lugar de instrucciones largas.
- Tamaño de fragmento: si tienes que dividir, apunta a trozos de 10 a 20 minutos con unos segundos de solapamiento.
- Formato de salida: elige marcas de tiempo si piensas hacer subtítulos más adelante.
Más allá del texto
Una vez que tienes una transcripción, puedes reutilizarla. Conviértela en un resumen con un modelo de lenguaje como GPT-4o Mini, o traduce un video hablado a otros idiomas con ElevenLabs Dubbing.
Elegir la opción adecuada
No hay una respuesta única para todos. Ajusta la herramienta al trabajo:
| Tu situación | Mejor movimiento |
|---|
| Algunas notas de voz cortas al mes | Un plan gratuito basta |
| Reuniones semanales de una hora | Descarta los planes gratuitos con límites de 30 minutos |
| Episodios de podcast de más de 45 minutos | Usa un modelo sin un límite corto por archivo, o divide con cuidado |
| Grabaciones de campo con ruido | Elige el modelo de mayor precisión y arregla primero el audio |
| Contenido multilingüe | Prueba cada idioma por separado y luego considera el doblaje o la traducción |
| Audio sensible o confidencial | Lee las condiciones de conservación de datos antes de subir nada |
Tres errores comunes
- Confiar en los minutos destacados. El límite por archivo suele ser el límite real.
- Saltarse el fragmento de prueba. Diez minutos de prueba ahorran horas de volver a escribir.
- Ignorar la calidad del audio. Una entrada más limpia gana a un modelo más sofisticado casi siempre.
Pruébalo con tu propio audio
La forma más rápida de resolver la cuestión del plan gratuito es probar con tu propia grabación. Toma un fragmento de 2 minutos, pásalo por GPT-4o Transcribe, GPT-4o Mini Transcribe y Gemini 3 Pro en PicassoIA, y compara los errores lado a lado. Verás en minutos cuál maneja mejor tu voz, tu acento y tu ruido de fondo.
Luego sigue experimentando. PicassoIA también te permite crear imágenes, video, locuciones y música desde el mismo espacio de trabajo, así que una transcripción puede convertirse en un guion, un clip narrado o un conjunto de visuales para tu próximo episodio. Explora todo en picassoia.com/en/all-models y prueba tu primera grabación hoy mismo.