Per l'equip editorial de whispertranscribe.ai · Actualitzat: novembre de 2026 · Lectura: 12 minuts
Traduir parla a text significa partir d'un enregistrament en una llengua i produir text en una altra. Hi ha dues maneres: transcriure l'enregistrament en la llengua original i després traduir-lo, o utilitzar un model que escrigui directament la llengua de destinació a partir de l'àudio. La primera és més fàcil de comprovar; la segona és més ràpida.
A continuació: els dos processos i les seves limitacions, quatre mètodes pràctics incloent-hi subtítols multilingües SRT i VTT, una taula de factors de qualitat, una llista de revisió i quan és més segur recórrer a un traductor professional.
Resposta ràpida: com traduir parla a text
Per a la majoria d'enregistraments, transcriu primer en la llengua original, corregeix la transcripció i tradueix el text corregit. Si només necessites anglès i prioritzes la rapidesa, una eina directa de parla a anglès serveix com a primer esborrany. En tots dos casos, una persona que conegui les dues llengües hauria de revisar allò que es publiqui o s'utilitzi per prendre decisions.
- Transcriu en la llengua parlada. Tria-la tu mateix en lloc de dependre de la detecció automàtica.
- Corregeix la transcripció original. Primer, noms, xifres i termes.
- Tradueix i revisa. Tradueix el text i comprova'l amb l'original i l'àudio.
Què és la traducció de parla a text?
La traducció de parla a text comprèn qualsevol procés que comença amb parla en una llengua A i acaba amb text en una llengua B. La transcripció simple manté la mateixa llengua. La traducció simple parteix de text. Aquesta tasca combina les dues, i la manera de combinar-les determina la facilitat de revisió.
Dos processos: en cascada o directe
Els investigadors anomenen el primer enfocament cascada: reconeixement de parla i després traducció de text. El segon és la traducció de parla directa o d'extrem a extrem, en què un model transforma l'àudio directament en text de destinació. Whisper d'OpenAI pot fer la versió directa, però només cap a l'anglès.
| Transcriure i després traduir (cascada) | Traducció directa de parla | |
|---|---|---|
| Passos visibles | Dos: transcripció original i traducció | Un: àudio d'entrada i text de destinació de sortida |
| Llengües de destinació | Qualsevol que admeti el traductor de text | Sovint limitades; la tasca translate de Whisper només produeix anglès |
| Text en la llengua original | Es conserva | Normalment no es produeix |
| On es poden detectar errors | Entre els dos passos, al text original | Només comparant el resultat amb l'àudio |
| Tornar a traduir més endavant | Reutilitza la transcripció corregida | Torna a processar l'àudio o tradueix l'anglès |
| Ideal per a | Recerca, publicacions, subtítols en diverses llengües i cites | Comprensió ràpida en anglès d'un enregistrament |
Què pot fallar en cada procés
En una cascada, els errors s'acumulen. Si la transcripció diu «cinquanta» quan el parlant ha dit «quinze», la traducció conservarà la xifra incorrecta amb una gramàtica perfecta. La solució és senzilla: corregeix la transcripció abans de traduir-la.
En un procés directe no hi ha text original per inspeccionar. Una paraula mal sentida i una de mal traduïda semblen iguals al resultat, així que el revisor ha de tornar a l'àudio. El resultat directe també pot semblar més fluid del que mereix, cosa que dificulta detectar errors.
Quin mètode hauries d'utilitzar?
Tria segons l'ús del text i el nombre de llengües necessàries.
| Situació | Mètode recomanat | Per què |
|---|---|---|
| Necessites entendre ràpidament un enregistrament estranger | Mètode 2: transcriure directament a l'anglès | Un sol pas, esborrany llegible |
| Citaràs el parlant en un article o informe | Mètode 1, més el mètode 4 per a cites importants | Pots comprovar les paraules originals |
| Necessites subtítols en dues llengües o més | Mètode 3: SRT o VTT original i traducció del text | Un fitxer de temps serveix per a totes les llengües |
| Entrevistes de recerca per analitzar i citar | Mètode 1 | La codificació i les cites es mantenen vinculades a l'original |
| Contractes, documents judicials, mèdics o d'immigració | Mètode 4 amb un professional qualificat | Els errors tenen conseqüències reals |
Mètode 1: Transcriu en la llengua original i tradueix el text
És l'opció més flexible. La transcripció corregida és la còpia mestra i totes les traduccions en parteixen.
Pas 1: Transcriu en la llengua parlada
Puja el fitxer a una eina de transcripció i configura la llengua abans de començar. A whispertranscribe.ai, una eina al navegador basada en Whisper d'OpenAI, pots triar entre més de 130 llengües, amb opcions regionals i modes Noise / Low-Quality Audio/Video per a enregistraments difícils. Hi ha pàgines dedicades a fonts habituals com àudio en castellà i àudio en xinès. Per a parlants que canvien de llengua, Multilingual Mix cobreix anglès, castellà, francès, alemany, hindi, rus, portuguès, japonès, italià i neerlandès.
Si l'enregistrament és a Google Drive, Dropbox, Vimeo o YouTube, transcriu-lo des de l'URL en lloc de baixar-lo. Activa la detecció de parlants per a entrevistes i reunions.
Pas 2: Corregeix la transcripció original
Corregeix-la abans de traduir perquè cada error no corregit es copia a cada llengua. Cerca primer noms, termes de producte i sigles, i torna a escoltar cada xifra que vulguis conservar. La precisió arriba fins al 99% amb àudio net. El soroll de fons, els accents marcats i les veus superposades la redueixen, així que preveu aquesta revisió.
Pas 3: Tradueix el text corregit
Exporta la transcripció com a DOCX o TXT i utilitza un traductor de text. Comprova primer els límits dels formats. A novembre de 2026:
- Google Translate tradueix documents de fins a 10 MB en .docx, .pdf, .pptx i .xlsx, i els PDF han de tenir com a màxim 300 pàgines, segons l'ajuda de Google Translate. Els fitxers de subtítols no són a la llista.
- DeepL: la pàgina de formats enumera DOCX, PDF i TXT. També enumera SRT i VTT, incloent-hi els plans Pro Individual, Pro Team, Pro Business i API, amb un límit de 150 KB o 200 KB per fitxer de subtítols. El compte gratuït de DeepL no inclou TXT.
Dona context al traductor quan l'eina ho permeti: qui parla, públic destinatari i grau de formalitat.
Pas 4: Conserva les dues versions juntes
Desa l'original i la traducció en parella amb noms coincidents, com interview-04_es_v2.docx i interview-04_en_v2.docx, perquè qualsevol línia discutida es pugui relacionar amb les paraules originals.
Mètode 2: Transcriu directament a l'anglès
Si l'anglès és la destinació i sobretot vols entendre o resumir l'enregistrament, una eina directa estalvia un pas.
Utilitzar la pàgina de traducció d'àudio a l'anglès
La pàgina tradueix àudio a l'anglès de whispertranscribe.ai transforma parla d'altres llengües en text anglès. La pàgina ho descriu així; no enumera un conjunt de llengües de destinació perquè el resultat és anglès.
- Tria la llengua parlada. El pas 1 demana la llengua de l'enregistrament, no la de destinació. La pàgina diu que triar-la correctament dona un anglès més precís i suggereix provar una altra opció si el resultat no és satisfactori.
- Puja el fitxer. El pas 2 accepta els formats habituals d'àudio i vídeo, inclosos MP3, WAV, M4A, MP4, MOV i MKV.
- Activa la detecció de parlants si parla més d'una persona. La pàgina l'enumera per a la traducció.
- Selecciona Translate audio to English, revisa el text anglès i exporta'l.
Considera el resultat un esborrany de treball; no prometem una qualitat de traducció concreta. Si també necessites la transcripció original, executa la transcripció normal.
Utilitzar Whisper de codi obert al teu ordinador
El repositori Whisper d'OpenAI documenta una tasca de traducció que produeix anglès:
whisper japanese.wav --model medium --language Japanese --task translate
Dues precaucions del README: el model predeterminat turbo no està entrenat per traduir i retorna la llengua original fins i tot amb --task translate, així que utilitza medium o large; i la sortida només és en anglès. Per obtenir text francès d'àudio alemany encara cal un pas de traducció de text. No hem provat aquesta ordre de Whisper CLI per a la guia.
Quina qualitat té? L'article de Whisper indica que les dades d'entrenament incloïen 125,000 hores de traducció de X a anglès. Sense entrenar amb CoVoST2, el conjunt de referència utilitzat, Whisper va obtenir 29.1 BLEU, que els autors van descriure com un nou estat de l'art. BLEU puntua la coincidència entre la sortida automàtica i traduccions de referència. No és un percentatge de frases correctes. El mateix article assenyala que Whisper encara queda per darrere de sistemes anteriors entrenats directament per a llengües amb molts recursos, i que més dades prediuen la qualitat de traducció amb molta menys fiabilitat que la de transcripció.
Mètode 3: Crea subtítols multilingües (SRT i VTT)
Per a vídeo, crea un fitxer de subtítols en la llengua original i tradueix només el text de cada segment. La sincronització continua sent idèntica en totes les llengües.
Pas 1: Genera el fitxer de subtítols original
Utilitza el generador de subtítols o el convertidor de MP4 a SRT i exporta SRT o VTT en la llengua parlada. Corregeix primer el text i els temps: serà la plantilla de totes les llengües.
Pas 2: Tradueix el text, no l'estructura
Un segment SRT té un número, una línia de temps i text. Només ha de canviar el text. Aquest és un exemple inventat:
12
00:01:04,200 --> 00:01:07,900
La reunión empieza el 3 de mayo a las 15:00.
12
00:01:04,200 --> 00:01:07,900
La reunió comença el 3 de maig a les 15.00 h.
El número i el codi de temps continuen idèntics. La data i l'hora s'adapten al públic de destinació. Si el traductor només accepta documents, copia el text en una taula i torna'l a enganxar segment per segment. Els plans Pro de DeepL accepten SRT i VTT directament, com s'ha indicat.
Pas 3: Comprova la longitud de lectura
Una línia traduïda pot ser més llarga que l'original i un segment que es llegia còmodament en 3.7 segons pot deixar de cabre. Divideix segments llargs o escurça el text, però no desplacis els codis de temps sense tornar-los a comprovar amb l'àudio.
Pas 4: Puja cada llengua com a pista separada
Posa codis de llengua als fitxers, per exemple talk.en.srt i talk.es.srt, i puja cadascun com a pista de subtítols independent. Les pistes separades permeten canviar de llengua.
Mètode 4: Afegeix una revisió humana
Per a qualsevol contingut publicat, citat o utilitzat en una decisió, demana a una persona bilingüe que compari la traducció amb l'original. El resultat automàtic sovint sembla fluid fins i tot quan és incorrecte.
Una fitxa senzilla agilitza la revisió. Aquest exemple de format és inventat:
| Segment | Línia original | Traducció | Senyal | Nota del revisor |
|---|---|---|---|---|
| #37 | Vamos a cerrar el trato el lunes | Tancarem l'acord dilluns | Correcte | — |
| #81 | Eso no es moco de pavo | Això no és moc de gall dindi | Expressió idiomàtica | Utilitza «Això no és poca cosa» |
| #126 | Facturamos 1,5 millones | Vam facturar 1,5 milions | Xifra | Confirma la moneda amb el parlant |
Demana al revisor que se centri en noms, xifres, cites, termes legals o mèdics i fragments marcats com a poc clars. whispertranscribe.ai no ofereix transcripció ni traducció humana, així que aquest pas et correspon a tu o a un professional.
Què afecta la qualitat de la traducció de parla a text?
La qualitat es determina dues vegades: quan la parla es converteix en text i quan el text canvia de llengua. Alguns factors perjudiquen tots dos passos.
| Factor | Efecte en la transcripció | Efecte en la traducció | Què fer |
|---|---|---|---|
| Qualitat de l'àudio (soroll, eco, distància) | Paraules omeses o mal sentides | Errors arrossegats a totes les llengües | Enregistra prop del micròfon i utilitza l'original més net |
| Accents i dialectes | Més errors en parla regional | Les paraules regionals es poden traduir literalment | Tria la variant regional si existeix |
| Termes tècnics | Termes escrits segons el so | Equivalents incorrectes o incoherents | Prepara un glossari i corregeix l'original |
| Parell de llengües | Depèn de la llengua parlada | Els parells habituals solen superar els poc freqüents | Preveu més revisió per a llengües menys habituals |
| Noms propis | Noms convertits en paraules comunes | Noms «traduïts» o canviats | Fes una llista de noms, cerca'ls i corregeix-los |
| Canvi de llengua | Llengua incorrecta detectada a mitja frase | El text mixt confon el traductor | Utilitza mode multilingüe i etiqueta cada llengua |
| Parla superposada | Línies fusionades o omeses | Es perd el significat del parlant | Micròfons separats; comprova les etiquetes en interrupcions |
Les bones pràctiques de dades de parla de Google diuen que els còdecs amb pèrdua com MP3 i M4A poden reduir la precisió i que el soroll i l'eco perjudiquen més quan també s'utilitza un còdec amb pèrdua. El README d'OpenAI afegeix que el rendiment de Whisper varia molt segons la llengua. Són bones raons per provar una mostra curta abans d'un lot llarg.
Llista de comprovació després de traduir
Revisa aquesta llista després de cada traducció i abans que algú de fora de l'equip la vegi:
- Xifres. Totes coincideixen amb l'àudio. Vigila la coma decimal: «1,5» en moltes llengües europees és 1.5 en anglès.
- Moneda i unitats. Conserva la moneda del parlant tret que indiquis una conversió; no canviïs quilòmetres per milles sense dir-ho.
- Noms i càrrecs. Escriu persones, empreses i llocs com ells ho fan, sense traduir-los.
- Dates i hores. L'ordre dia-mes varia: 03/04 pot significar 3 d'abril o 4 de març. Escriu el mes amb lletres quan sigui important.
- Cites. Comprova les cites directes amb l'àudio, no només amb la transcripció.
- Expressions i humor. Substitueix les traduccions literals d'expressions per equivalents naturals o marca-les.
- Context cultural. Afegeix una nota breu a les referències que no es traslladin bé, en lloc de reescriure-les sense indicar-ho.
- Registre. El tractament formal o informal (tú/usted, du/Sie) ha de correspondre a la relació dels parlants.
- Etiquetes de parlants. Cada línia continua atribuïda a la persona correcta.
- Fragments poc clars. Marca qualsevol incertesa com
[unclear]en totes dues llengües en lloc d'endevinar.
Quan necessites un traductor professional?
Utilitza un traductor humà qualificat quan un error pugui costar diners, salut, situació jurídica o confiança. Això no és assessorament jurídic i els requisits varien segons país, tribunal i organisme; consulta el destinatari del document.
| Situació | Per què la sortida automàtica no és suficient |
|---|---|
| Tràmits d'immigració | Les normes dels EUA (8 CFR 103.2(b)(3)) exigeixen que els documents en llengua estrangera enviats a USCIS incloguin una traducció completa a l'anglès, certificada per un traductor que afirmi que és completa i precisa i que és competent per traduir |
| Proves judicials i declaracions | Els tribunals sovint estableixen les seves pròpies normes sobre qui pot traduir o certificar |
| Contractes i acords | Una paraula incorrecta pot canviar una obligació |
| Consultes i registres mèdics | Dosis, símptomes i consentiment han de ser exactes |
| Cites publicades i material de premsa | Citar malament algú perjudica la confiança i pot generar responsabilitat |
Per a treball de menor risc, com notes internes, esborranys de recerca o comprensió d'un vídeo, la traducció automàtica amb revisió pròpia sol ser suficient.
Quin format d'exportació necessites?
Tria el format per al pas següent. whispertranscribe.ai exporta transcripcions en DOCX, PDF, TXT, CSV, SRT i VTT.
| Format | Utilitza'l per a |
|---|---|
| DOCX | Traduir amb Word, DeepL o Google Translate; editar amb comentaris |
| TXT | Enganxar en un traductor o una altra aplicació |
| Còpia fixa de la traducció aprovada | |
| CSV | Fitxes de revisió paral·lela i codificació de recerca |
| SRT | Pistes de subtítols per a YouTube, editors i reproductors |
| VTT | Subtítols accessibles per a reproductors de vídeo web HTML5 |
Preguntes freqüents
Quina diferència hi ha entre parla a text i traducció de parla a text?
La conversió de parla a text manté la llengua original: àudio en castellà es converteix en text castellà. La traducció acaba en una altra llengua, per exemple text anglès. Pot fer-se en dos passos, transcrivint i traduint, o en un amb un model que escrigui directament la llengua de destinació. Els dos passos són més fàcils de revisar perquè pots corregir l'original abans de traduir-lo i reutilitzar-lo per a altres llengües.
Pot Whisper traduir àudio a altres llengües a més de l'anglès?
No. La tasca translate integrada de Whisper només produeix anglès. Pot rebre parla en moltes llengües però escriu text anglès. Per a qualsevol altra destinació, transcriu l'àudio en la llengua original i tradueix el text. El README d'OpenAI també indica que turbo no està entrenat per traduir i retorna la llengua original fins i tot quan li ho demanes. Utilitza medium o large per traduir.
És millor transcriure primer i després traduir?
Normalment sí, quan es publicarà, citarà o traduirà a més d'una llengua. Transcriure primer proporciona un original corregible, de manera que un nom o una xifra mal sentits s'arreglen una vegada en lloc de fer-ho en cada traducció. La conversió directa de parla a anglès és més ràpida i adequada per entendre un enregistrament. Per a subtítols en diverses llengües, un SRT o VTT original corregit és el punt de partida més pràctic.
Quina precisió té la traducció de parla a text?
Depèn de l'àudio, el parell de llengües i el tema; no hi ha una xifra única aplicable a tots. La transcripció d'àudio net pot ser molt precisa. whispertranscribe.ai arriba fins al 99% amb àudio net, mentre que el soroll i els accents redueixen la precisió. La traducció afegeix errors propis, especialment en expressions idiomàtiques, noms i termes tècnics. Els parells habituals solen funcionar millor que els rars. Comprova noms, xifres i cites i demana revisió bilingüe per a contingut important.
Puc traduir subtítols i conservar les marques de temps?
Sí. Tradueix només el text de cada segment i deixa intactes els números i codis de temps. Pots fer-ho a mà, enganxant el text en un traductor i tornant-lo a col·locar, o amb una eina que accepti fitxers de subtítols. DeepL enumera SRT i VTT als plans Pro Individual, Pro Team, Pro Business i API. La funció de documents de Google Translate no enumera formats de subtítols. Després comprova que les línies llargues es puguin llegir dins del temps disponible.
Puc utilitzar traducció automàtica per a enregistraments legals o mèdics?
Pots utilitzar-la com a primera aproximació, però no com a versió final. El material legal, mèdic, contractual o d'immigració sovint necessita un traductor humà qualificat, i alguns organismes exigeixen una traducció certificada. Les normes d'immigració dels EUA, per exemple, requereixen una certificació del traductor que la versió anglesa és completa i precisa. Els requisits varien segons el país i la institució; consulta el destinatari. És informació general, no assessorament jurídic.
Vols començar? Puja un enregistrament a tradueix àudio a l'anglès, o transcriu-lo primer en la llengua original per a subtítols i altres destinacions. Pots provar-ho gratis sense compte. Els plans de pagament comencen a $9.99/mes amb facturació anual; consulta els preus. whispertranscribe.ai no ofereix API, transcripció humana ni bot de reunions.
Referències
- Radford i col·laboradors, OpenAI: Reconeixement robust de parla amb supervisió feble a gran escala (seccions 1, 2.1 i 3.5, taula 4)
- OpenAI: Whisper a GitHub (README, ús de la línia d'ordres)
- Google Translate Help: Traduir documents i llocs web
- DeepL Help Center: Formats de fitxer
- Google Cloud: Bones pràctiques per proporcionar dades a l'API Speech-to-Text
- eCFR: 8 CFR 103.2, presentació i resolució de sol·licituds de beneficis
