Transcribir video a texto

Para qué sirve una transcripción

Pasar la voz a texto compensa siempre que necesites buscar, citar, repasar por encima o reutilizar lo que se dijo en lugar de volver a escucharlo. Usos típicos:

• Entrevistas y llamadas de investigación, en las que necesitas citas exactas y una idea aproximada de en qué momento se dijeron.
• Clases y webinars, para buscar un término en el texto en vez de recorrer una hora de video.
• Subtítulos de video para redes sociales, donde la mayoría de la gente ve los videos sin sonido.
• Grabaciones de reuniones y episodios de pódcast que necesitan notas o una versión de texto accesible.

Una transcripción simple es la mejor opción cuando vas a leer o editar las palabras. SRT o VTT son la opción cuando el texto tiene que aparecer en pantalla sincronizado con el video.

Cómo funciona aquí el reconocimiento

El reconocimiento de voz se ejecuta en nuestros servidores, no en tu navegador. El motor es Whisper, un modelo de voz publicado por OpenAI en 2022 y entrenado con unas 680 000 horas de audio multilingüe, que usamos a través de la implementación faster-whisper.

Esto es lo que pasa con tu archivo:

1. El archivo se sube y se comprueba su duración.
2. Un detector de actividad de voz se salta los tramos de silencio y de simple ruido de fondo. Así el proceso va más rápido y el modelo no se inventa palabras en los pasajes silenciosos.
3. El modelo recorre el audio en ventanas cortas y genera segmentos de texto con su hora de inicio y de fin. Añade por su cuenta la puntuación y las mayúsculas.
4. Los segmentos se escriben en el formato que hayas elegido: un segmento por línea en TXT, subtítulos numerados con tiempos del tipo 00:01:02,500 en SRT y lo mismo con tiempos 00:01:02.500 bajo una cabecera WEBVTT en VTT.
5. El archivo subido se borra en cuanto el resultado está escrito. La carpeta de la tarea con el resultado se elimina automáticamente en aproximadamente una hora.

La velocidad de procesamiento es cercana al tiempo real: una grabación de 10 minutos necesita unos 10 minutos.

Cómo elegir idioma y formato

El menú Idioma hablado ofrece detección automática y además inglés, ruso, ucraniano, polaco, alemán, francés, español, portugués, italiano, turco, indonesio, vietnamita, japonés y chino.

La detección escucha la primera parte de la grabación y elige el idioma más probable. Es fiable con una sola persona que habla con claridad. Elige tú el idioma cuando:

• La grabación empieza con música, una sintonía o silencio.
• Quien habla tiene un acento marcado; la detección puede confundir un inglés con acento con la lengua materna del hablante y transcribir en el idioma equivocado.
• Se mezclan o se confunden con facilidad el ruso y el ucraniano, o el español y el portugués.

En cuanto al formato, SRT es la opción segura para subtítulos: lo leen YouTube, los editores de video y los reproductores de escritorio. Elige VTT si los subtítulos van a ir en un elemento HTML5 <track> de una web. TXT es la opción adecuada para notas, citas y artículos; el texto también aparece en la página, listo para copiar.

Si necesitas el discurso en inglés y no en el idioma original, usa traducir video, que emplea el mismo motor en modo traducción.

Cómo conseguir una transcripción más limpia

La calidad del audio decide la mayor parte del resultado.

• Un micrófono por persona es mejor que uno para toda la sala. El micrófono de un portátil a tres metros capta eco, y el eco es la causa más frecuente de palabras perdidas o fusionadas.
• La música de fondo perjudica. Una voz sobre una base musical se transcribe bastante peor que la misma voz sola. Usa la grabación original si la tienes.
• Las voces superpuestas no se separan. Cuando dos personas hablan a la vez, normalmente una voz se impone y la otra se pierde. El resultado tampoco indica quién habla; añade los nombres de los interlocutores al revisar el texto.
• Revisa nombres, cifras y jerga. Los nombres propios, los nombres de productos, las siglas y los números son donde se concentran los errores. Búscalos en la transcripción antes de publicarla.
• Cuenta con subtítulos largos si se habla rápido. La longitud de cada subtítulo sigue las frases naturales; un editor de subtítulos puede dividirlos.

Límites y cómo trabajar con ellos

El uso gratuito permite una ejecución en el servidor al día por dispositivo sin cuenta, para grabaciones de hasta 10 minutos y archivos de hasta 500 MB. Premium elimina el límite diario y admite grabaciones de hasta 90 minutos por archivo.

Formas de mantenerte dentro de los límites:

• Un video es sobre todo imagen. Una grabación de pantalla de 10 minutos en 1080p puede pesar 300 MB o más, mientras que su pista de audio en MP3 ocupa unos 10 a 15 MB. Primero extrae el audio y sube eso: la subida termina antes y la transcripción es idéntica.
• Si la grabación es más larga, córtala en partes de 10 o 90 minutos y procesa cada una. Corta en una pausa y no a mitad de frase, para no perder palabras en el límite entre partes.
• Se admiten video en MP4, MOV, MKV y WebM, y audio en MP3, WAV, M4A, OGG y FLAC.