Audio a texto y subtítulos
Convierte audio o vídeo en texto editable y subtítulos con marcas de tiempo con Whisper, directamente en tu navegador. Tus archivos nunca salen de tu dispositivo.
Archivo de origen
La primera vez, el navegador descarga el modelo Whisper Tiny (unos 41 MB en modo CPU). Tu audio permanece en este dispositivo.
Transcripción
Los archivos y los resultados permanecen solo en esta página. Borra el archivo o cierra la página para eliminarlos. El modelo Whisper Tiny se descarga una vez desde Hugging Face y queda en la caché del navegador.
Cómo usar Audio a texto y subtítulos
- Suelta un archivo de audio o vídeo en la página o haz clic en «Elegir archivo».
- Elige el idioma hablado (o deja la detección automática), elige un modo de procesamiento y haz clic en «Generar subtítulos».
- Haz clic en una marca de tiempo para comprobar una línea con el audio, edita el texto y luego cópialo o expórtalo como SRT, VTT o TXT.
Acerca de esta herramienta
Audio a texto y subtítulos ejecuta Whisper Tiny — un modelo pequeño de reconocimiento de voz de código abierto — por completo en tu navegador, con Transformers.js y ONNX Runtime Web. La primera vez, el navegador descarga el modelo (unos 41 MB en modo CPU) desde Hugging Face y lo guarda en caché; después, la transcripción se hace en tu dispositivo. Tus archivos de audio y vídeo nunca se suben, y nada de lo que transcribes se envía a ningún sitio.
Preguntas frecuentes
¿Se suben mis archivos a algún sitio?
No. La transcripción se ejecuta por completo en tu navegador y tu archivo de audio o vídeo nunca sale de tu dispositivo. La única descarga es el propio modelo Whisper Tiny: la primera vez, el navegador lo obtiene de Hugging Face (unos 41 MB en modo CPU) y lo guarda en caché. Si Hugging Face no es accesible, la primera transcripción fallará, pero tu archivo seguirá sin salir de tu dispositivo.
¿Qué archivos son compatibles y cuáles son los límites?
Archivos de audio en MP3, WAV, M4A, FLAC u OGG, y vídeos con pista de audio en MP4 o WebM. Un archivo puede tener hasta 250 MB y 20 minutos. Si tu navegador no puede decodificar la pista de audio, expórtala primero a WAV o MP3 e inténtalo de nuevo.
¿Qué idiomas hablados son compatibles?
Detección automática, además de inglés, chino, japonés, coreano, español, francés, alemán y portugués. Elige el idioma que se escucha en la grabación: una elección incorrecta puede hacer que la transcripción salga en el idioma equivocado.
¿Qué diferencia hay entre el modo WebGPU y el modo CPU?
El modo automático prueba primero WebGPU y cambia a CPU si WebGPU no puede iniciarse o falla. WebGPU usa el modelo de precisión completa (fp16 o fp32); el modo CPU usa el modelo cuantizado más pequeño (unos 41 MB). Si tu navegador o dispositivo no tiene WebGPU — por ejemplo, en un entorno aislado o en hardware antiguo — el modo CPU sigue funcionando, aunque más lento.
¿Qué precisión tiene y qué puedo exportar?
Whisper Tiny es un modelo pequeño y rápido: el habla cotidiana suele salir bien, pero puede confundir nombres, números y palabras poco comunes, así que revisa antes de publicar. Haz clic en cualquier marca de tiempo para saltar a ese punto del audio, edita cada línea en su sitio y luego copia el texto o expórtalo como SRT, VTT o TXT.