Audio y vídeo a subtítulos (IA)

Transcribe voz a SRT, VTT o texto con Whisper, en tu navegador

Funciona en tu navegador

Suelta un archivo de audio o vídeo

MP3, WAV, M4A, OGG, MP4, WebM y todo lo que tu navegador pueda reproducir

El archivo se queda en tu dispositivo. Solo se descarga el modelo de IA, una vez, y el navegador lo guarda.

La primera vez se descarga el modelo; después empieza al instante. Los archivos largos tardan en equipos sin WebGPU.

¿Cómo funciona la transcripción con IA en el navegador?

Esta herramienta ejecuta Whisper, el modelo abierto de reconocimiento de voz de OpenAI, en tu propio equipo con transformers.js. El navegador decodifica la pista de audio, la remuestrea a 16 kHz y el modelo convierte cada ventana de 30 segundos en texto con tiempo de inicio y fin. Esos segmentos se convierten en bloques SRT o WebVTT, o en una transcripción. El modelo se descarga una vez desde Hugging Face Hub y el navegador lo guarda; el audio nunca se envía a ningún sitio. Usa la tarjeta gráfica mediante WebGPU si está disponible y, si no, el procesador.

Casos de uso

  • Añadir subtítulos a un vídeo para YouTube, TikTok, CapCut o Premiere sin escribirlos
  • Obtener la transcripción de una entrevista, clase, reunión o pódcast
  • Pasar a texto un mensaje de voz o una nota de audio
  • Traducir la voz de otro idioma a subtítulos en inglés

¿Cuándo usarla?

Va bien con voz clara en archivos de hasta una hora aproximadamente. Rápido sirve para clips cortos y borradores; Equilibrado es una buena opción por defecto; Preciso mejora mucho con acentos y ruido, pero la descarga es mayor y es más lento sin tarjeta gráfica. Elige el idioma hablado si lo sabes, porque la detección automática puede fallar en clips cortos. Revisa siempre el resultado antes de publicar: los nombres y términos técnicos son los errores típicos, y el Conversor de subtítulos permite ajustar el tiempo después.

Ejemplos

  1. Crear subtítulos SRT para un vídeo

    Entrada

    Una entrevista MP4 de 2 minutos en español. Modelo: Equilibrado. Idioma: español. Salida: Mismo idioma.

    Salida

    Un archivo .srt con unos 30 segmentos con tiempo en español, listo para un reproductor o editor.

  2. Traducir una charla a subtítulos en inglés

    Entrada

    Un fragmento de pódcast en francés (M4A). Modelo: Preciso. Salida: Traducir al inglés.

    Salida

    Subtítulos en inglés con el tiempo original, en SRT, VTT o texto.

Preguntas y respuestas

¿Se sube mi audio a un servidor?

No. El archivo se decodifica y transcribe en tu navegador. Lo único que se descarga es el modelo de IA desde Hugging Face Hub, que luego el navegador guarda.

¿Qué modelo elijo?

Empieza con Equilibrado. Usa Rápido para clips cortos o equipos lentos y Preciso para acentos, ruido de fondo o trabajos importantes, si puedes esperar la descarga mayor.

¿Por qué va lento?

El reconocimiento de voz es un trabajo pesado. Con WebGPU (Chrome, Edge y Safari recientes) se ejecuta en la tarjeta gráfica y es mucho más rápido; si no, en el procesador. Mantén la pestaña abierta hasta que termine.

¿Qué idiomas admite?

Whisper reconoce unos 100 idiomas, con mejor precisión en los más hablados como inglés, español, chino y japonés. La traducción siempre es al inglés.

Fuentes y estándares

Todas las herramientas