Transcribir audio y video a texto

No. El reconocimiento de voz funciona dentro de tu navegador, en este dispositivo, así que tus grabaciones, videos y transcripciones nunca se envían a un servidor. La primera vez, tu navegador descarga el modelo de IA de este sitio y lo guarda; después no se descarga nada más que la página.

Reconoce 99 idiomas, y el español, el inglés y el portugués están entre los que mejor maneja. La voz clara sale casi palabra por palabra; espera algunos errores con nombres propios, acentos marcados, ruido de fondo o personas que hablan a la vez. Más preciso comete bastantes menos errores, sobre todo en idiomas distintos del inglés. Traducir al inglés convierte la voz en cualquiera de esos idiomas en texto en inglés.

Hasta 3 horas, o 30 minutos en navegadores que no pueden leer el sonido por partes (como Safari antes de la versión 26). En un equipo reciente, Estándar suele tardar una fracción de lo que dura la grabación, y menos con una tarjeta gráfica; Más preciso tarda unas tres veces más, y los teléfonos son más lentos. Mantén esta pestaña abierta mientras trabaja; puedes cancelar en cualquier momento.

Whisper, de OpenAI (del artículo “Robust Speech Recognition via Large-Scale Weak Supervision” de Alec Radford y su equipo), publicado con licencia MIT: whisper-base para Estándar (una descarga de 137 MB) y whisper-small para Más preciso (250 MB), en las versiones para navegadores que publica ONNX Community en Hugging Face.

Sí. Los archivos SRT y VTT son texto plano: ábrelos en cualquier editor de texto, o en un editor de subtítulos, para corregir una palabra o un tiempo. Después agrégalos a tu reproductor de video o súbelos con tu video a sitios como YouTube o Vimeo.