Audio y vídeo a texto — transcribir y crear subtítulos (SRT)

Suelta un archivo MP3, WAV, M4A, MP4, MOV o WebM y Localvert escribe lo que se dice, con una marca de tiempo en cada línea. Copia el texto o descárgalo como subtítulos SRT o VTT para YouTube, editores de vídeo y reproductores, o como texto plano para tus notas.

El modelo de reconocimiento de voz es Whisper, un modelo de código abierto entrenado con cientos de miles de horas de voz en muchos idiomas. Funciona dentro de tu navegador con WebAssembly, así que tus entrevistas, clases, reuniones y notas de voz nunca salen de tu dispositivo.

Hay dos tamaños de modelo. Rápido descarga unos 40 MB y termina antes; sirve para voz clara en inglés. Preciso descarga unos 77 MB y comete bastantes menos errores, sobre todo en otros idiomas, con acentos o con ruido de fondo. Cualquiera de los dos se descarga una vez y se guarda en tu navegador para la próxima vez.

Elegir el idioma hablado en lugar de la detección automática suele mejorar el resultado, sobre todo en grabaciones cortas o cuando se mezclan idiomas.

La transcripción se ejecuta en tu propio procesador. En un portátil reciente, un minuto de audio suele tardar desde unos segundos hasta menos de un minuto; los móviles y ordenadores antiguos son más lentos. La barra de progreso avanza en pasos de 30 segundos. Deja la pestaña abierta hasta que termine: cerrarla detiene el trabajo, porque nada se ejecuta en un servidor.

Lo que más importa es un audio limpio: una persona hablando cerca del micrófono se transcribe mucho mejor que una voz lejana en una sala ruidosa. La música y las voces superpuestas reducen la precisión. Revisa siempre la transcripción antes de publicarla: nombres, números y términos técnicos son los errores más habituales.