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.

Depende del ajuste de calidad y de tu ordenador, y cada ajuste muestra más o menos cuánto tarda un minuto de grabación. La herramienta usa el chip gráfico cuando el navegador lo ofrece y, si no, trabaja con todos los núcleos del procesador a la vez. En el ordenador de sobremesa que medimos, un vídeo de diez minutos tardó un minuto y medio en Mejor con chip gráfico, y unos dos minutos y medio en Buena sin él. La mejor tarda más o menos lo que dura la grabación. Mientras trabaja, la estimación se afina porque mide tu equipo en lugar de adivinar.

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.

Descarga el modelo de voz una sola vez. El tamaño depende del ajuste y de si tu ordenador tiene chip gráfico: desde unos 80 MB con Rápida hasta unos 1,6 GB con La mejor. Con chip gráfico descarga versiones hechas para el chip y, sin él, versiones hechas para el procesador. El navegador guarda el modelo, así que el siguiente archivo empieza enseguida.

Rápida, Buena y Mejor, y el modelo que traduce al inglés, se descargan de Hugging Face, el repositorio público donde están publicados. La mejor es nuestra propia versión para navegador de Whisper large-v3, porque nadie publica una, y llega desde nuestro propio servidor de archivos. Esas descargas son las únicas peticiones que hace la herramienta, y van en un solo sentido: los archivos bajan, nada sube. Tu grabación nunca forma parte de ellas — se entrega al modelo dentro de tu propio navegador y nunca toca la red. Todo lo demás, incluido el código que ejecuta el modelo, se sirve desde helpyself.com.

Nada de cookies, y nada de tu grabación ni de tu transcripción. El sitio recuerda algunas preferencias generales — el tema, si has iniciado sesión — y esta herramienta añade una sola cosa: el modelo de voz, guardado en el almacenamiento del navegador para que el siguiente archivo empiece enseguida, uno por cada ajuste que hayas usado. Es la descarga descrita arriba, de entre unos 80 MB y 1,6 GB, y se queda hasta que borres los datos de este sitio en el navegador, lo que la elimina 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.

La herramienta elige Mejor en un ordenador con chip gráfico y Buena sin él, y suele acertar. Sube de Buena a Mejor cuando el audio sea difícil — un acento, una sala ruidosa, varias personas o canto. La diferencia es real y la medimos con canciones, que son el caso más difícil: en tres temas con letra conocida Mejor recuperó el 47%, 57% y 100% de las palabras distintivas, frente al 33%, 40% y 83% de Buena. La mejor es la más precisa y la más lenta, para cuando cuenta cada palabra. Rápida sirve para un borrador aproximado.