Una grabación es ilegible hasta que es una transcripción, y casi todos los servicios de transcripción quieren que subas el audio para llegar ahí. Esto hace el reconocimiento en tu dispositivo. El audio se decodifica y se remuestrea, un modelo de voz corre en un trabajador en segundo plano, y los fragmentos que produce — uno cada pocos segundos — se unen en párrafos en los finales de frase, en lugar de dejarse como un muro de líneas sueltas. Las marcas de tiempo pueden encabezar cada párrafo, y el resultado se exporta como PDF, texto plano o subtítulos SRT y VTT.
Características
El reconocimiento corre en tu dispositivo: la grabación nunca se sube
Tres tamaños de modelo, de uno rápido solo en inglés a otro multilingüe más lento
Los fragmentos se unen en párrafos al final de frase, no uno por línea
Marcas de tiempo al inicio de cada párrafo, pasando a horas cuando hace falta
Exporta como PDF, texto plano, SRT o VTT
Tamaño de página, márgenes y tipografía bajo tu control
También funciona con la pista de audio de un vídeo
Cómo usar Audio a PDF
Suelta un archivo de audio o de vídeo
Elige un modelo y, si es multilingüe, el idioma hablado
Espera mientras transcribe: aproximadamente a tiempo real en la mayoría de equipos
Añade un título y exporta el PDF o los subtítulos
Ejemplo
Entrada
board-call.m4a — 34 minutes, base multilingual model
Salida
412 paragraphs, 6,140 words, exported as board-call.pdf and board-call.srt
Las marcas de tiempo pasan a horas automáticamente cuando la grabación supera los sesenta minutos.
Errores comunes y solución de problemas
El navegador no pudo decodificar el audio. — Prueba con MP3, WAV, M4A u OGG. Algunos contenedores y códecs no se pueden decodificar en un navegador; convierte el archivo antes.
Los nombres y los términos técnicos salen mal. — Ahí es donde el reconocimiento es más débil, y ningún modelo lo arregla del todo. Un modelo mayor ayuda; leer la transcripción contra la grabación sigue siendo necesario.
Se quedó sin memoria con una grabación larga. — Divide el archivo en trozos más cortos, o elige un modelo menor. Dos horas con el modelo pequeño está fuera del alcance de casi todos los navegadores.
El idioma salió equivocado. — Indícalo explícitamente en vez de dejar la detección automática. El modelo solo inglés siempre asume inglés, oiga lo que oiga.
Preguntas frecuentes
¿Cómo de precisa es la transcripción?
Buena con audio claro de un solo hablante, notablemente peor con voces superpuestas, acentos marcados, ruido de fondo y nombres poco frecuentes. Trátala como un borrador que hay que corregir.
¿Se sube la grabación?
No. Se decodifica y se reconoce en un trabajador dentro de tu dispositivo. Los pesos del modelo se descargan una vez desde un repositorio público y tu navegador los guarda en caché.
¿Cuánto tarda en transcribir?
Aproximadamente a tiempo real en un portátil típico con el modelo pequeño: media hora de grabación tarda alrededor de media hora. Los modelos mayores son más lentos y más precisos.
¿Qué modelo debo elegir?
El solo inglés para inglés claro, porque es el más pequeño y el más preciso ahí. El multilingüe base para otros idiomas o acentos marcados, y el pequeño cuando la precisión importe más que el tiempo.
¿Puedo obtener subtítulos en lugar de un documento?
Sí: se exportan SRT y VTT con los tiempos del reconocimiento, así que se pueden poner directamente sobre un vídeo.