Pasar Audio a Texto Gratis con IA

Tres formas honestas: (1) VexaScribe — 30 minutos gratis al mes sin tarjeta de crédito, con hablantes y exportación a DOCX/SRT/PDF; (2) instala Whisper localmente en tu ordenador — 100% gratis para siempre pero requiere Python y algo de conocimiento técnico; (3) usa el cupo diario de herramientas como TurboScribe (3 archivos/día) o Notta (120 min/mes). Para uso ocasional, cualquiera funciona. Para más de 2 horas al mes, el plan Starter de $2/mes suele ser más rentable que trabajar alrededor de límites gratuitos.

Sí, técnicamente es el mismo proceso. 'Transcribir' es el término profesional que usan lingüistas y periodistas. 'Convertir' es más general — también se usa para cambiar formatos de archivo (MP3 a WAV). 'Pasar' es la forma coloquial más habitual en España. Los tres se refieren al mismo resultado: obtener el texto de un archivo de audio. VexaScribe hace los tres — subes el audio y recibes el texto.

Los formatos más comunes: MP3, WAV, M4A, FLAC, OGG, AAC, WMA, OPUS. También formatos de video (MP4, MOV, MKV, WEBM) — el audio se extrae automáticamente. Notas de voz de WhatsApp (formato OGG/Opus) funcionan directamente sin conversión previa. Archivos de hasta 5 GB por subida.

Desde WhatsApp: mantén pulsado el mensaje de voz, pulsa 'Reenviar' o 'Compartir', selecciona una app de archivos (Files, Google Drive, iCloud), guarda el archivo OGG. Sube ese archivo a VexaScribe. Alternativa más rápida en Android: mantén pulsado el mensaje y 'Guardar como' directamente. En iPhone: la función 'Compartir' del mensaje de voz permite enviarlo por email a ti mismo. Los mensajes de voz de WhatsApp mantienen alta calidad — la precisión suele ser 92-95% en español.

Con IA: 5 a 10 minutos por cada hora de audio. Una nota de voz de WhatsApp de 3 minutos se procesa en menos de 30 segundos. Un podcast de 60 minutos en unos 6-8 minutos. Muy diferente de la transcripción manual, que requiere aproximadamente 4 horas de trabajo por cada hora de audio.

En español limpio con un solo hablante: 92-94% de precisión (WER real 6-8%). Con música de fondo, ruido, acentos fuertes o solapamiento de voces: 78-88%. Los proveedores que anuncian '99% de precisión' se refieren a condiciones ideales de audio de estudio — en la práctica, el 92-94% es la referencia realista según el Open ASR Leaderboard.

Sí. VexaScribe incluye diarización automática con pyannote 4.0 — identifica hasta 50 hablantes distintos. Los etiqueta como SPEAKER_00, SPEAKER_01, etc., y puedes renombrarlos a nombres reales en el editor. Funciona mejor con 2 a 6 hablantes activos y voces distinguibles. En audios muy solapados o con más de 6 hablantes, la precisión de identificación baja.

Los archivos se cifran durante la subida y el procesamiento con TLS. No usamos tu audio para entrenar modelos. Puedes eliminar los archivos en cualquier momento desde tu cuenta. Para audio extremadamente sensible (grabaciones legales, entrevistas médicas), la opción más segura es instalar Whisper localmente — así el audio nunca sale de tu ordenador.