Transcripción de audio con IA
gratis y sin límites

Es totalmente gratis. No hay límites de duración, de número de usos, de caracteres ni de tamaño de archivo, y no se pide tarjeta de crédito. Lo único que varía es la duración que se puede procesar de una vez, que depende de la memoria del dispositivo y del modelo elegido; si un archivo no cabe, la página lo indica antes de empezar.

No. La IA (Whisper o SenseVoice) ejecuta la inferencia dentro de tu navegador, así que tu audio nunca sale de tu dispositivo. No se guarda nada en un servidor ni se entrega a terceros.

No. Abre la página, elige un archivo de audio y la transcripción empieza. Nunca se te pide una dirección de correo.

Audio: MP3, WAV, M4A, AAC, FLAC, OGG, Opus, AIFF, WMA y AMR. Vídeo: MP4, MOV, MKV, WebM, AVI, WMV, FLV, MPG, MPEG-TS y 3GP. Puedes arrastrar el archivo o elegirlo desde el selector.

Sí. Carga un archivo MP4, MOV, MKV, WebM o AVI y el navegador extrae su pista de audio para transcribirla. No hace falta convertirlo antes en un archivo de audio. Una vez transcrito, puedes reproducir el vídeo con el resultado superpuesto como subtítulos para revisarlo y corregirlo, o verlo con subtítulos traducidos. No hay límite de tamaño, así que los vídeos de varios gigabytes se cargan tal cual. Los vídeos guardados de X (Twitter) con X Video Downloader se cargan tal cual; para extraer antes solo el audio, usa Media Tools.

Sí, hay diarización de hablantes. En grabaciones con varias personas, como reuniones o entrevistas, cada hablante aparece en un color distinto. El número de hablantes se estima automáticamente, así que normalmente no hace falta indicarlo. Las etiquetas de hablante se pueden renombrar en pantalla y los hablantes separados por error se pueden fusionar, y cualquier línea se puede reasignar o dividir. El modelo de diarización es NVIDIA Nemotron 3 Diarization cuando WebGPU está disponible en un navegador distinto de Firefox en un PC y el número de hablantes está en «Auto»; en los demás casos es pyannote, y en ambos casos se usa WeSpeaker para comparar las características de voz.

Sí: las transcripciones se pueden exportar como subtítulos SRT y VTT (WebVTT) con códigos de tiempo, listos para cargarlos en un editor de vídeo o en una plataforma (la mayoría de los editores de vídeo admiten SRT). También puedes exportar texto plano (TXT), Word (DOCX), PDF, CSV o JSON, o copiarlo al portapapeles. Para incrustar el SRT exportado directamente en el vídeo, usa Media Tools (incrustación de subtítulos).

Sí. Abre «Traducir» en la cabecera del resultado, elige el idioma original y el de destino, y la traducción aparecerá debajo de cada línea. Cualquier formato de exportación puede llevar el original, la traducción o ambos. Si cargaste un vídeo, la traducción también puede mostrarse como subtítulos sobre él durante la reproducción. La traducción usa el traductor integrado de Chrome 138+ y Edge 148+ en escritorio y se realiza por completo en tu dispositivo, así que la transcripción nunca se envía a ningún sitio. No está disponible en smartphones ni en Firefox o Safari. La primera vez que se usa un idioma se descarga su modelo de traducción.

Sí. Una vez descargado el modelo de IA, la transcripción funciona sin red. Según el modelo elegido, el tamaño va de unos 40 MB a 5,2 GB.

Elegir un modelo adecuado al idioma mejora la precisión. Para japonés, Haas-ja v1.0 es el más preciso de los modelos disponibles y comete alrededor de un 40 % menos de errores que SenseVoice Small (según nuestras mediciones con voz leída). Solo funciona en ordenadores con WebGPU, descarga unos 710 MB la primera vez y tarda alrededor de 1/30 de la duración del audio (medido en un PC con gráficos integrados). Es el predeterminado para japonés en ordenadores con WebGPU en Chrome o Edge (excepto Mac con chip de Apple). Para chino y coreano, y para japonés en los demás casos, como móviles, Safari o Firefox, el predeterminado SenseVoice Small es ligero y rápido, y en japonés y chino es al menos tan preciso como Whisper Large v3 Turbo. En los demás idiomas, los modelos más grandes son más precisos; en equipos con WebGPU, Whisper Large v3 Turbo ofrece una precisión casi óptima manteniendo la velocidad (es el predeterminado en ordenadores con GPU dedicada). Para inglés en dispositivos como PC con Windows y gráficos integrados o móviles, el predeterminado es SenseVoice Small, que comete menos errores que Whisper Base y es más rápido. En ordenadores con WebGPU también puedes elegir Qwen3-ASR 1.7B (unos 5,2 GB de descarga la primera vez), que comete menos errores que Whisper Large v3 Turbo en japonés, inglés y chino. Indicar el idioma explícitamente en vez de dejar la detección automática también reduce los errores. La tasa de error y el tiempo de proceso que medimos para cada modelo en cada idioma están en la página Comparación de modelos y cómo elegir.

Sí, aunque funciona en un modo de memoria reducida (WASM) para proteger el dispositivo, así que la duración que puede procesar de una vez es menor que en un ordenador. Para grabaciones largas es preferible un ordenador.

Solo las estadísticas necesarias para corregir fallos y mejorar las funciones: las características del dispositivo (modelo de GPU, memoria, número de núcleos), el navegador y el sistema operativo, el modelo y el idioma elegidos, el ajuste de diarización de hablantes (si está activada y el número de hablantes indicado), el idioma de la interfaz, hasta dónde llegó el proceso (también si lo detuviste o cerraste la página), el tipo y el texto del error, el formato del archivo con su tamaño y duración aproximados, y cuánto tardó. También se envía un número temporal que relaciona los procesos de la misma pestaña (se elimina al cerrar la pestaña). Los mismos campos se envían también cuando todo va bien, porque una tasa de fallos necesita ambas. En la pantalla de resultados también se envía cuántas veces usaste la edición (como cambiar el nombre de un hablante o dividir una línea), la traducción, el resumen y la importación de subtítulos, qué formatos elegiste en «Guardar archivo», cuántas veces usaste «Copiar texto» y «Guardar todo» y el par de idiomas de la traducción. El audio, las transcripciones (incluidos los nombres de hablantes y las traducciones), los nombres de archivo y las direcciones IP nunca se envían, y los datos van únicamente al servidor de este sitio, nunca a un servicio de terceros. Puedes desactivarlo cuando quieras con el interruptor de la sección «Ayúdanos a mejorar el servicio», al final de la página.

Sí. En «Guardar archivo», debajo del resultado, elige «Word (DOCX)» para guardar un documento que se abre en Word. El PDF se guarda con la función de impresión del navegador: elige «PDF» y, en el cuadro de impresión que se abre, guárdalo como PDF (en iPhone y iPad, usa el botón de compartir de la pantalla de impresión y guárdalo en Archivos). También están disponibles CSV para hojas de cálculo y JSON para programas. Todos los formatos se crean dentro de tu navegador, así que la transcripción nunca se envía a ningún sitio.

Sí. Pulsa «Grabar con el micrófono» para grabar con el micrófono del ordenador o del móvil. Pulsa «Detener la grabación» y luego «Empezar a transcribir», y la grabación se transcribe. La grabación tampoco se envía a ningún sitio; se guarda en el historial de este dispositivo. Puedes grabar hasta 3 horas, o menos según la memoria del dispositivo y el modelo elegido; el límite se muestra antes de empezar a grabar. En el móvil, si bloqueas la pantalla o cambias a otra app mientras grabas, la grabación puede detenerse.

Sí. Elige varios archivos en el selector o suéltalos juntos y se transcribirán uno tras otro con los mismos ajustes (modelo, idioma y diarización de hablantes). Cada resultado se guarda en la biblioteca de este dispositivo. Cuando todo termine, elige TXT, Word, SRT, VTT, CSV o JSON en «Guardar todo» para guardar los resultados en un único archivo ZIP, uno por transcripción. Los archivos que no se pueden procesar se omiten y se pasa al siguiente. Todo el procesamiento se hace en tu navegador y los archivos no se envían a ningún sitio.

Sí. En Chrome o Edge (versión 138 o posterior) en un ordenador, pulsa «Resumir» en la pantalla de resultados y la IA integrada en el navegador (Gemini Nano) resume la transcripción en una lista de puntos clave. El resumen también se hace en tu navegador, así que la transcripción no se envía a ningún sitio. Al guardar en Word, TXT o PDF, el resumen va al principio, así que puedes usarlo como borrador del acta. Los resúmenes están disponibles en japonés, inglés, español, alemán y francés. La primera vez, el navegador descarga un modelo de IA, para lo que necesita 22 GB libres y 16 GB de memoria o una GPU con más de 4 GB de VRAM. No funciona en móviles, Firefox ni Safari.

Sí. Elige un archivo de subtítulos SRT o VTT en el selector y se abrirá en la pantalla de resultados sin transcribir. Puedes corregir el texto y los tiempos de las líneas, dividir o eliminar líneas, traducir y resumir, y luego guardarlo como SRT, VTT, TXT, Word y otros desde «Guardar archivo» (así también se convierte SRT en VTT). Si eliges el archivo de subtítulos junto con un vídeo (o audio), puedes reproducir el vídeo con los subtítulos superpuestos. La lectura también se hace en tu navegador y los archivos no se envían a ningún sitio.