Lo esencial (BLUF): La herramienta convierte audio o vídeo en texto y subtítulos: reconoce la voz con el modelo Whisper directamente en tu navegador, detecta el idioma de la grabación o usa el que elijas, añade marcas de tiempo y entrega el resultado en TXT, SRT, VTT y JSON. Para vídeo también monta un clip con subtítulos incrustados. El archivo nunca se sube, no se cobran tokens y aquí no hay API de pago.
La herramienta toma un audio o un vídeo y convierte la voz en texto. Subes un archivo y recibes una transcripción con marcas de tiempo, subtítulos listos para usar y, si es vídeo, el mismo clip con los subtítulos grabados directamente en las imágenes.
El reconocimiento funciona con el modelo Whisper (el modelo multilingüe abierto Xenova/whisper-tiny) a través de Transformers.js: en la tarjeta gráfica mediante WebGPU cuando el navegador la ofrece, o en el procesador mediante WASM. La pista de audio se extrae del archivo localmente, en la memoria de tu navegador.
Audio: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Vídeo: MP4, WebM, MOV, M4V, MKV, AVI, OGV. Con un vídeo, la herramienta extrae ella misma la pista de audio: no hace falta separarla aparte.
El sonido se convierte a mono de 16 kHz, exactamente el formato que espera Whisper. Una grabación larga se reconoce por tramos de 30 segundos con un solape de 5 segundos, para que no se pierdan palabras en las uniones.
El archivo no se envía a ningún servidor: el sonido, el reconocimiento y el montaje de los subtítulos ocurren dentro de tu navegador. Aquí no hay API de pago ni cobro de tokens.
Los pesos del modelo se descargan una vez desde el catálogo abierto de Hugging Face y después quedan en la caché de tu navegador: en la próxima visita el modelo arranca sin descargar nada de nuevo. No hay inferencia en servidor, ni CUDA, ni GPU de reserva por nuestra parte.
Whisper reconoce 99 idiomas. Por defecto el idioma se detecta automáticamente y la herramienta muestra cuál ha oído. Si la grabación es corta o mezclada, puedes elegir el idioma manualmente en la lista: así el reconocimiento es más preciso.
Puedes copiar el texto con un botón o descargarlo en cuatro formatos. TXT es una transcripción simple, con o sin marcas de tiempo. SRT y VTT son subtítulos listos para reproductores, editores de vídeo y YouTube. JSON es la transcripción con el idioma, la duración y todas las frases con sus marcas de tiempo, cómodo para seguir procesando.
Para un archivo de vídeo la herramienta monta un clip nuevo en el que los subtítulos quedan grabados directamente en las imágenes. Ese vídeo se reproduce en cualquier sitio, incluso donde los subtítulos externos no se admiten: en mensajerías, en redes sociales y en cualquier reproductor. El sonido original se conserva.
Los mismos subtítulos también se descargan como archivos SRT y VTT, para adjuntarlos al vídeo original sin volver a montarlo.
No traduce la voz a otro idioma: el reconocimiento va en el idioma de la grabación; la traducción es otra tarea. No separa a los hablantes por voz ni indica quién dijo qué.
No trata la música y el ruido como voz: si no hay voz inteligible en la grabación, la transcripción quedará vacía o imprecisa. La calidad depende de la grabación: con una voz limpia, sin ruido ni eco, el resultado es claramente mejor.
Elige un audio o un vídeo, fija el idioma si quieres (o deja la detección automática) y pulsa «Reconocer voz». Espera la transcripción: el progreso se ve en pantalla y el reconocimiento se puede cancelar.
Luego copia el texto o descarga TXT, SRT, VTT o JSON. Si subiste un vídeo, pulsa «Hacer vídeo con subtítulos» y descarga el clip terminado.
Creadores de vídeo y pódcast: subtítulos para publicar y transcripción para las descripciones. Estudiantes y periodistas: el texto de clases, entrevistas y grabaciones de dictáfono. Todos los que necesitan el texto de una grabación rápido, sin enviarla al servidor de nadie más.
A ningún lado. El sonido se extrae y se reconoce por completo dentro de tu navegador, en tu dispositivo. Nuestro servidor nunca recibe el archivo.
No. Es una herramienta gratuita que funciona en tu dispositivo: aquí no hay API de pago, así que no hay nada que cobrar.
El modelo calcula en tu dispositivo. El primer arranque tarda más: se descargan los pesos del modelo y se prepara el grafo. Después el modelo sale de la caché de tu navegador y el reconocimiento va más rápido.
Elige el idioma manualmente en la lista y vuelve a lanzar el reconocimiento: en grabaciones cortas la elección manual es más precisa que la automática.
Sí. Descarga SRT o VTT y adjúntalos al vídeo, o monta directamente en la herramienta un clip con subtítulos incrustados.