Transcribir audio y vídeo a texto sin internet, en tu PC

El sonido se queda en tu ordenador

FILES transcribe con Whisper, un modelo abierto de reconocimiento de voz que funciona en tu propio procesador o tarjeta gráfica. La grabación no se sube, VoiceKeyboard no tiene cuentas de usuario y después no queda ninguna copia en la nube de nadie. Para una reunión de dirección, una entrevista de trabajo o una consulta con un abogado, de eso se trata.

Internet solo hace falta al principio: para el modelo Whisper (de 75 MB a 1 GB, una vez) y para FFmpeg, un programa gratuito de unos 73 MB que prepara el sonido para Whisper y solo se descarga si das permiso. A partir de ahí, los archivos de tu disco se transcriben sin conexión. Las copias de trabajo que se crean durante el proceso están en la carpeta temporal de Windows y se borran al terminar.

Transcribir una grabación paso a paso

1. Pulsa FILES en la barra superior y elige FILE en SOURCE & OUTPUT.
2. Pulsa «Examinar…» y elige la grabación, o arrástrala desde el Explorador a la pantalla.
3. Revisa TRANSCRIPT DESTINATION. La aplicación propone un .txt junto a la grabación: reunion.m4a da reunion-transcript.txt. «Guardar como…» elige otro sitio.
4. En LOCAL MODEL, pulsa «Elegir modelo…» y escoge un tamaño de Whisper (más abajo se explican). Se descarga una vez.
5. Elige el idioma en LANGUAGE o déjalo en Auto.
6. Pulsa ▶ INICIAR. El mismo botón, que pasa a ■ CANCELAR, detiene el trabajo.

Las lámparas SRC, OUT y MDL se ponen verdes cuando la grabación, el destino y el modelo están listos. Mientras Whisper trabaja, las frases van apareciendo en la zona TRANSCRIPT, así que puedes leer el principio de una clase antes de que acabe. El .txt se escribe cuando termina el archivo entero. Si ya existe un archivo con ese nombre, no se toca: el nuevo lleva (2) en el nombre.

FILES acepta audio wav, mp3, m4a, flac, ogg, aac y wma, y vídeo mp4, mkv, mov, webm, avi, wmv y m4v, del que se transcribe el sonido.

Qué modelo Whisper elegir

FILES siempre usa Whisper. Los demás modelos sin conexión de VoiceKeyboard (Parakeet, GigaAM, T-one, Vosk) son solo para el dictado en vivo. Whisper tiene cinco tamaños, y la regla es sencilla: cuanto más grande, menos errores y más lento.

Empieza con Large v3 Turbo. Si una hora de audio tarda demasiado en tu PC, pasa a Small; si una grabación con ruido y varias voces sale con muchos errores, prueba Large v3. ¿Ya tienes un archivo de modelo Whisper (.bin o .gguf)? «Mi propio archivo…», en la misma ventana, lo usa. Los tamaños se comparan con más detalle en Descargar modelos sin conexión.

Tarjeta gráfica o procesador

Whisper es la parte de VoiceKeyboard en la que tu hardware decide la velocidad. SETUP → Archivos ofrece cuatro opciones: Automático (recomendado), Tarjeta gráfica NVIDIA · CUDA, Procesador acelerado · BLAS y Procesador normal · CPU. Automático usa para cada archivo la más rápida disponible. Con una tarjeta NVIDIA, Whisper va varias veces más rápido que con el procesador; los motores CUDA y OpenBLAS se descargan cuando los pides, la primera vez que pueden ayudar.

La cuarta lámpara de FILES, junto a SRC, OUT y MDL, indica cuál está trabajando. En un portátil sin tarjeta NVIDIA, una grabación de una hora con Large v3 Turbo lleva mucho tiempo: elige Small o lanza la transcripción cuando no necesites el ordenador. Acelerar la transcripción de archivos explica cómo probar cada opción.

Idioma de la grabación

LANGUAGE empieza en Auto: Whisper escucha más o menos los primeros 30 segundos y usa ese idioma para todo el archivo. A veces se equivoca, por ejemplo cuando una charla en español empieza con un saludo en inglés. Entonces elige tú el idioma. La lista ofrece doce, con los nombres en inglés: el español aparece como Spanish (es). Los idiomas que no están en la lista, como el hindi, solo funcionan en Auto.

Grabaciones largas y muchos archivos

• Duración. La versión gratuita admite grabaciones de hasta 60 minutos; Pro, de cualquier duración. Antes de empezar, el sonido se convierte en un archivo de trabajo de unos 115 MB por hora, así que deja espacio en el disco donde está la carpeta temporal de Windows. Ese archivo se borra al terminar.
• Varios archivos. Con Pro, mantén pulsado Ctrl en la ventana «Examinar…» o suelta varios archivos en la pantalla; cada uno tendrá su .txt. BATCH PROGRESS muestra los archivos con su fase, y al hacer clic en una fila ves el texto de ese archivo. Con CUDA los archivos pasan por la tarjeta gráfica de uno en uno; con el procesador, dos a la vez en ordenadores con ocho o más procesadores lógicos.
• Mientras tanto. Puedes seguir dictando en la pantalla LIVE. Si intentas salir durante un trabajo, la aplicación pregunta antes: «Se está transcribiendo un archivo. ¿Salir y cancelar la transcripción?»

En tu PC o en la nube

Un servicio en línea es mejor opción cuando el ordenador es antiguo, no tiene tarjeta NVIDIA y necesitas el texto en pocos minutos, porque entonces el trabajo lo hace el hardware de otro. VoiceKeyboard no envía archivos a ninguna parte; sus motores en línea, Google y Soniox, solo escriben lo que se dice al micrófono.

Gratis y Pro para archivos

El cupo gratuito se renueva a medianoche y solo cuenta las transcripciones terminadas: un archivo que falla, o que resulta durar más de 60 minutos, no lo gasta. FILES no toca las 2.000 palabras gratuitas de dictado. Pro cuesta $14.99 al mes, o $9.99 al mes con facturación anual, y tiene reembolso durante 14 días.

Preguntas sobre transcribir grabaciones

Para transcribir un vídeo directamente desde su enlace, mira cómo pasar un vídeo de YouTube a texto. Qué guarda VoiceKeyboard en tu ordenador y qué envía fuera está en Privacidad: qué se queda en tu ordenador.