El mejor conversor de MP3 a texto

Google Docs voice typing

El dictado por voz de Google Docs no cuesta nada más allá de una cuenta de Google y reconoce bien el habla clara. Solo escucha el micrófono: no admite subir archivos, así que el MP3 tiene que reproducirse en voz alta o dictarse de nuevo en tiempo real, sin marcas de tiempo, etiquetas de hablante ni exportación de subtítulos. Sirve para una nota de dos minutos; para una hora, es un suplicio.

Ideal para: Una nota sin crear cuenta

Sonix

Sonix está pensado para archivos subidos: un MP3 vuelve aproximadamente 10x más rápido que el tiempo real, con etiquetas de hablante y tiempos por palabra de 100 ms; usted lo corrige en el AudioText Editor mientras suena el audio y lo exporta en cualquiera de 18+ formatos. La transcripción abarca 54+ idiomas y la traducción, 54+. Los primeros 30 minutos son gratis y sin tarjeta; después, $10 la hora con pago por uso, o un plan. Para un clip corto una vez al año, quizá no necesite nada de esto.

Ideal para: Entrevistas y todo lo que vaya a citar

Otter.ai

Otter.ai rinde mejor mientras graba una reunión: transcripción en directo, identificación de hablantes y resúmenes automáticos. Para archivos MP3, el plan gratuito se queda corto: 300 minutos al mes, 30 minutos por conversación y 3 importaciones de archivos en toda la vida de la cuenta; Pro, desde $8.33 por usuario al mes con facturación anual, lo amplía a 10 importaciones al mes. La transcripción por IA abarca 6 idiomas.

Ideal para: Reuniones que graba en directo

Descript

Descript convierte la transcripción en la superficie de edición: borre una frase del texto y desaparece del audio. La transcripción en 25 idiomas con detección de hablantes viene incluida en una suite creativa, con 60 minutos de medios gratis al mes y el plan Hobbyist desde $16 al mes con facturación anual. Si solo necesita el texto de un MP3, está pagando un estudio que quizá nunca use.

Ideal para: Audio y vídeo que va a editar de todos modos

Rev

Rev ofrece tanto transcripción por IA como transcripción humana a $1.99 por minuto, la opción indicada cuando un plazo legal o de emisión exige un texto casi perfecto y usted prefiere pagar a revisar. El plan gratuito incluye 45 minutos de IA al mes en inglés; Essentials cuesta $25.49 por licencia al mes con facturación anual. El trabajo humano tarda horas, no minutos, y el precio por minuto se dispara en las grabaciones largas.

Ideal para: Una transcripción revisada por una persona

Happy Scribe

Happy Scribe combina la transcripción por IA en 150+ idiomas y dialectos con un editor de subtítulos y transcripción humana desde $2.00 por minuto. El plan Basic cubre 120 minutos al mes por $8.50 con facturación anual, y cada minuto adicional cuesta $0.20, de modo que los meses de mucho volumen se encarecen frente a una tarifa por hora. La prueba de 10 minutos se hace con su propio audio.

Ideal para: Un idioma que pocas herramientas cubren

OpenAI Whisper

Whisper es el modelo de reconocimiento de voz de código abierto de OpenAI, con licencia MIT: basta un pip install para transcribir archivos MP3 en su propio equipo, sin subir nada y sin pagar nada, lo que conviene para audio confidencial. El equipo lo pone usted, los archivos largos pueden tardar y obtiene texto sin formato, sin editor, etiquetas de hablante ni exportaciones con formato, salvo que las programe usted.

Ideal para: Desarrolladores y alojamiento propio

Lo que dicen las cifras

11 errores en 707 palabras equivalen a una precisión por palabra del 98.4%, en un discurso grabado en cera a través de una bocina acústica 114 años antes de esta prueba. Es un audio mucho más difícil que un teléfono sobre la mesa de una reunión o un micrófono de pódcast, y por eso esta página atribuye al motor hasta un 99% con audio claro y esta prueba se queda justo por debajo.

Las 8 correcciones son de tres tipos. Nombres propios (3): el motor nunca había oído hablar de Turgot, el economista francés al que Roosevelt cita dos veces, ni del borbonismo. Vocabulario de época (2): «profit» y «expedients», pronunciados con la cadencia de 1912. Casi homófonos que también se le podrían escapar a quien escucha (3): «our» por «are», «zones» por «souls», «when» por «where». No se perdió ni se inventó ninguna frase; cada fallo es una sola palabra mal oída, y por eso la revisión es rápida.

La corrección llevó 4 minutos para una grabación de 4 minutos: una sola escucha a velocidad normal, con el audio sonando bajo la palabra que se corrige. En un archivo difícil, eso supone aproximadamente un minuto de edición por minuto de audio, y los minutos se van en los nombres. Una grabación moderna y limpia exige menos paradas, y un nombre que se repite se detecta en la primera pasada en cuanto se sabe que hay que prestarle atención.