Transcribir vídeo

No. El modelo de voz se descarga a tu navegador y la transcripción ocurre en tu propia máquina — la grabación no se envía ni a nosotros ni a nadie. Puedes desconectarte de internet una vez cargado el modelo y seguirá funcionando.

Sí, y se lo pregunta al propio modelo de voz — el mismo modelo que transcribe también identifica idiomas. Con la grabación neerlandesa que usamos de prueba dijo neerlandés con un 96% de confianza. El idioma elegido aparece en el desplegable en cuanto lo sabe, así que ves que acertó — o paras en segundos si no. Si ya sabes el idioma, indicarlo tú sigue siendo lo más seguro.

Menos de lo que dura la grabación, en todos los equipos que medimos. Un vídeo de diez minutos tardó unos 100 segundos en un portátil con tarjeta gráfica y unos seis minutos y medio en uno sin ella. La herramienta muestra una estimación mientras trabaja, y se vuelve más precisa porque mide tu máquina en vez de suponer.

Más de veinte: español, inglés, danés, neerlandés, alemán, francés, italiano, polaco, finés, sueco, noruego, portugués, ruso, ucraniano, turco, árabe, hindi, japonés, coreano y chino, entre otros. Elige uno antes de empezar, o deja que deduzca el idioma del audio — mira más abajo.

Al inglés sí, hay una opción para ello. El modelo puede escribir lo que oye o traducirlo al inglés, y no admite ninguna otra combinación. Español a alemán no es algo que pueda hacer, así que preferimos no ofrecerlo antes que ofrecerlo mal.

Todo lo que tu navegador sepa reproducir: MP4, MOV, WebM, MKV y AVI en vídeo, y MP3, M4A, WAV, FLAC, OGG y Opus en audio. Extrae el sonido del vídeo por su cuenta, así que no hace falta separarlo antes.

Texto plano, Word (.docx), PDF, Markdown, CSV para hoja de cálculo, JSON, y subtítulos SRT o VTT. Los formatos de documento pueden llevar una marca de tiempo por párrafo, y los de subtítulos llevan los tiempos que necesita un reproductor.

Buena, y sincera sobre no ser perfecta. En una entrevista neerlandesa de nueve minutos coincidió casi palabra por palabra con un programa de escritorio; lo que falla suele ser nombres propios, que es donde el reconocimiento de voz es más débil en general. Léela antes de fiarte de ella.

Veinte minutos por archivo. Es un límite de memoria más que una norma — el audio decodificado vive en la memoria de tu navegador, y pasados veinte minutos una pestaña se está jugando tu equipo. Corta las grabaciones largas antes con nuestro recortador de audio.

Porque descarga el modelo de voz. En un equipo con tarjeta gráfica son unos 920 MB, porque solo la precisión completa transcribe bien — medimos las versiones más pequeñas: una era diez veces más lenta y la otra producía disparates sin avisar. Sin tarjeta gráfica son unos 240 MB. Tu navegador lo conserva en ambos casos, así que el segundo archivo empieza de inmediato, y «Más rápida, más basta» usa un modelo de en torno a una sexta parte.

Se descarga de Hugging Face, el repositorio público donde está publicado el modelo. Es la única petición que esta página hace a un tercero, y va en el otro sentido: los archivos bajan, no sube nada. Tu grabación nunca forma parte de eso — se le entrega al modelo dentro de tu propio navegador y no toca la red. Todo lo demás, incluido el código que ejecuta el modelo, se sirve desde helpyself.com.

Ninguna cookie, y nada de tu grabación ni de tu transcripción. El sitio recuerda unas pocas preferencias generales — tu tema, si has iniciado sesión — y esta herramienta añade una cosa: el propio modelo de voz, en el almacenamiento de tu navegador, para que el segundo archivo empiece de inmediato. Son los 920 MB de arriba (o 240 MB sin tarjeta gráfica). Se queda hasta que borres los datos de este sitio en tu navegador, y entonces desaparece por completo.

Porque algo de la grabación no era habla. La música, los aplausos, una nota sostenida o una sala con un ventilador meten a cualquier modelo de voz en un bucle — escribe la misma frase una y otra vez, con fluidez y en el idioma correcto, y nada en el resultado indica que sea inventado. Cuando pasa, el tramo se decodifica varias veces más con algo de azar; si sigue en bucle, se omite y el resumen lo dice. Un hueco que se ve es mejor que un párrafo de diálogo que nadie pronunció.