Cómo transcribir un archivo de audio a texto: herramientas y flujo de trabajo

Opciones según necesidad y presupuesto

Método	Precisión	Coste	Velocidad	Mejor para
IA automática (cloud) Whisper API, Google Speech-to-Text, Azure, AWS, Deepgram, AssemblyAI, Gladia	90-98 % (audio limpio, idioma soportado)	0,006-0,024 $/min (Whisper API 0,006 $/min)	Minutos (paralelo)	Volumen alto, podcasts, reuniones, subtítulos, archivos largos
IA local (offline) Whisper.cpp, faster-whisper, WhisperX, Ollama + Whisper	90-98 % (modelo large-v3)	Gratis (hardware propio: GPU 8-12 GB VRAM)	Minutos-horas (según GPU)	Privacidad total, coste cero marginal, batch processing
Apps SaaS con UI Otter.ai, Fireflies, Notta, Sonix, Trint, Descript, Happy Scribe, Rev (IA)	90-95 %	10-30 $/mes (planes) / 0,25 $/min (payg)	Minutos	Reuniones, entrevistas, colaboración, edición texto-audio sincronizada
Transcripción humana Rev (human), GoTranscript, Scribie, freelancers (Upwork, Fiverr)	99 %+ (con QA)	1,25-3,00 $/min	Horas-días	Legal, médico, académico, acentos difíciles, ruido alto, múltiples hablantes
Híbrido (IA + revisión humana) Rev (Rough Draft), Verbit, TranscribeMe	99 %+	0,50-1,50 $/min	Horas	Equilibrio coste/calidad profesional

Flujo de trabajo recomendado (IA local + revisión) — GRATIS y PRIVADO

1. Instala Whisper.cpp (C/C++ port, CPU/Metal/CUDA):
   `brew install whisper-cpp` (mac) / `git clone && cmake -DGGML_CUDA=ON && make` (Linux/Win GPU).
   Descarga modelo: `ggml-large-v3.bin` (o `turbo` para velocidad).
2. Prepara audio: mono, 16 kHz, WAV/FLAC/MP3. `ffmpeg -i input.mp4 -ar 16000 -ac 1 -c:a pcm_s16le audio.wav`.
3. Transcribe:
   `./main -m ggml-large-v3.bin -f audio.wav -otxt -osrt -ovtt -l es --translate false` → genera .txt, .srt, .vtt.
   Opciones clave: `-l es` (idioma), `--vad` (voice activity detection), `--diarize` (speaker diarization, requiere pyannote).
4. Revisa y corrige: abre .txt / .srt en editor (VS Code, Notepad++, Aegisub para subtítulos). Corrige nombres propios, términos técnicos, puntuación.
5. Exporta final: TXT limpio, SRT/VTT para subtítulos, DOCX (pandoc).

Herramientas GUI para Whisper local (más fácil)

• Whisper Transcriber (GitHub: aadnk/whisper-transcriber) — Electron app, drag & drop, modelo local, exporta TXT/SRT/JSON.
• Buzz (chidiwilliams/buzz) — Tauri/Rust, Whisper.cpp + WhisperX, diarización, traducción, UI bonita.
• AudioPen / MacWhisper (macOS) — nativo, Core ML, muy rápido en Apple Silicon.
• Subtitle Edit (Windows/Linux/Wine) — abre audio, ejecuta Whisper (local o API), editor subtítulos pro.

Consejos para máxima precisión

• Audio limpio: grabador cerca de boca, ambiente silencioso, tasa 16-48 kHz, 16-24 bit.
• Un hablante a la vez (o usa diarización).
• Diccionario personalizado / «prompt» en Whisper: `--initial_prompt "Términos: Kubernetes, microservicios, latencia, throughput"`.
• Divide archivos > 30 min en tramos (Whisper tiene ventana 30 s).
• Para acentos fuertes / ruido: modelo `large-v3` o `turbo` + VAD + denoising previo (RNNoise, `ffmpeg -af afftdn`).

Transcripción en tiempo real (live)

• Otter.ai / Fireflies / Tactiq: se unen a Zoom/Meet/Teams → transcriben en vivo, resumen, action items.
• Whisper.cpp + `arecord` / `pulseaudio` → pipe → stdout → baja latencia (~2-3 s). Requiere scripting.
• Vosk / Kaldi (offline, streaming): modelos más pequeños, latencia < 500 ms, menos preciso que Whisper large.

Formatos de salida habituales

• TXT: texto plano, párrafos.
• SRT / VTT: subtítulos con timecodes (compatibles YouTube, VLC, Premiere, CapCut).
• JSON: segmentos con start/end, text, speaker, confidence (para desarrollo).
• DOCX / PDF: informe formateado.