Por el equipo editorial de whispertranscribe.ai · Última actualización: noviembre de 2026 · 12 min de lectura
Si puedes elegir cómo grabar, el mejor formato de audio para transcribir es uno sin pérdida: WAV (PCM de 16 bits) o FLAC, en mono y a 16 kHz o más. Si ya tienes un MP3, M4A o archivo de vídeo, súbelo tal cual. Convertir un archivo comprimido no recupera lo que se perdió. La distancia al micrófono y el ruido influyen más.
Aquí explicamos qué elegir antes de grabar, qué hacer con un archivo que te han enviado, cómo calcular el tamaño, qué ajustes usar en cada caso, comandos de FFmpeg y una tabla de soluciones.
Aclaración. whispertranscribe.ai publica esta guía. Los datos técnicos enlazan con Google Cloud, el código de Whisper de OpenAI, FFmpeg o la Biblioteca del Congreso de EE. UU. No hicimos pruebas de precisión para este artículo ni prometemos que un formato aumente la precisión en un porcentaje concreto.
Respuesta rápida: el mejor formato de audio para transcribir
Elige según la etapa del trabajo. No hay un formato ganador para todos los casos.
| Tu caso | Mejor opción | Motivo |
|---|---|---|
| Estás configurando una grabadora o aplicación | WAV (16 bits) o FLAC, mono, 16 kHz o más | Google recomienda FLAC o LINEAR16 sin pérdida para el reconocimiento del habla |
| Necesitas archivos pequeños al grabar | Un códec con pérdida adecuado para voz y una tasa de bits moderada | Google prefiere, por orden, AMR-WB, Ogg Opus y Speex para voz con pérdida |
| Ya tienes un archivo MP3, M4A u Opus | Sube el original | Volver a codificar no recupera el detalle |
| Tienes un vídeo (MP4, MOV, MKV) | Súbelo. Si pesa mucho, extrae el audio | Solo se usa la pista de audio |
| Cada persona se grabó en una pista separada | Conserva las pistas | Google recomienda enviar cada canal por separado si cada persona tiene el suyo |
Cuándo no hace falta preocuparse por el formato: una nota de voz del móvil, un episodio de pódcast publicado o una grabación de Zoom o Teams. Sube el archivo, elige el idioma del audio y dedica el tiempo a revisar nombres.
Formato, códec y contenedor: qué indica la extensión
La extensión indica el contenedor, aunque no siempre revela cómo se comprimió el audio. El tutorial de Google sobre optimización del audio distingue entre códec y formato de archivo. Hay tres casos que pueden sorprender:
- WAV suele contener PCM lineal sin comprimir, pero admite otras codificaciones (Biblioteca del Congreso de EE. UU., WAVE).
- M4A puede contener AAC con pérdida o Apple Lossless (ALAC) sin pérdida.
- OGG es un contenedor que suele llevar Opus o Vorbis, ambos con pérdida.
Para averiguar qué hay dentro del archivo, usa ffprobe de FFmpeg para consultar solo las pistas de audio:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Probamos el comando con FFmpeg 7.1.5 en un vídeo breve: mostró una línea por pista de audio. En una copia sin audio no mostró nada. Es una forma rápida de detectar un archivo sin pista de audio antes de subirlo.
Comparación de formatos de audio para transcribir
Todos estos formatos se pueden transcribir. Cambia cuánto detalle conservan y cuánto pesa el archivo. Los tamaños se calculan con las fórmulas de la sección siguiente (1 MB = 1.000.000 bytes).
| Formato | Con o sin pérdida | Origen habitual | Tamaño por minuto (ajustes de ejemplo) | Efecto en la transcripción | Qué hacer |
|---|---|---|---|---|---|
| WAV (PCM) | Sin comprimir | Grabadoras portátiles y editores de audio | 1,92 MB a 16 kHz, 16 bits, mono; 10,58 MB a 44,1 kHz, 16 bits, estéreo | Conserva todo lo que captó el micrófono | Ideal como archivo maestro. Vigila el tamaño en sesiones largas |
| FLAC | Sin pérdida (comprimido) | Archivos y exportaciones de editores | Menor que el WAV equivalente; el ahorro varía | El mismo audio que un WAV equivalente | Úsalo para ahorrar espacio |
| AIFF / ALAC / CAF | AIFF suele estar sin comprimir; ALAC es sin pérdida; CAF admite ambos tipos | Aplicaciones de Mac y iPhone | AIFF: igual que WAV con los mismos ajustes | Depende del códec | Sube el original |
| MP3 | Con pérdida | Pódcast y descargas | 0,96 MB a 128 kbps | Según Google, los códecs con pérdida pueden reducir la precisión | Súbelo tal cual |
| M4A / AAC | Normalmente con pérdida (AAC) | Notas de voz y pistas de sonido de vídeos | 0,48 MB a 64 kbps | La misma precaución que con MP3 | Sube el original |
| OGG / Opus | Con pérdida | Notas de voz de mensajería y llamadas por internet | 0,24 MB a 32 kbps | Google incluye Opus entre los códecs con pérdida preferidos para voz | Súbelo tal cual |
| AMR (banda estrecha) | Con pérdida, solo para voz | Teléfonos antiguos y grabaciones de llamadas | Aproximadamente 0,09 MB a 12,2 kbps | Solo conserva entre 200 y 3.400 Hz (Biblioteca del Congreso de EE. UU., AMR) | Súbelo tal cual, sin aumentar la frecuencia |
Con vídeo ocurre lo mismo: la herramienta lee el audio. La diferencia es que el archivo que subes pesa más.
¿Cuánto pesa un archivo de audio? Las fórmulas
Con estas dos fórmulas puedes estimar cuánto pesará un archivo antes de grabar o subirlo.
PCM sin comprimir (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Ejemplos de cálculo:
- 16 kHz, 16 bits, mono: 16.000 × 2 × 1 = 32.000 bytes por segundo. Multiplicado por 60 = 1.920.000 bytes, unos 1,92 MB por minuto o 115,2 MB por hora.
- 44,1 kHz, 16 bits, estéreo: 44.100 × 2 × 2 = 176.400 bytes por segundo, unos 10,58 MB por minuto o 635 MB por hora.
- 48 kHz, 24 bits, estéreo: 48.000 × 3 × 2 = 288.000 bytes por segundo, o 1.036,8 MB por hora.
Audio con pérdida y tasa de bits constante (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (es decir, kbps × 7.500)
- 128 kbps: 128 × 7.500 = 960.000 bytes, unos 0,96 MB por minuto o 57,6 MB por hora.
- 64 kbps: 0,48 MB por minuto; 32 kbps: 0,24 MB por minuto.
Los archivos reales pesan un poco más por los encabezados. En archivos con tasa de bits variable, el tamaño gira en torno al promedio. Si el ordenador muestra unidades binarias (MiB), la cifra es un 5 % menor, aproximadamente.
Qué significan esos números para el límite de 5 GB y 10 horas
whispertranscribe.ai admite archivos de hasta 5 GB y 10 horas. Así encajan los ajustes habituales, tomando 5 GB como 5.000.000.000 de bytes:
| Ajustes | 1 hora | 10 horas | ¿Caben 10 horas por debajo de 5 GB? |
|---|---|---|---|
| WAV, 16 kHz, 16 bits, mono | 115,2 MB | 1,15 GB | Sí |
| WAV, 44,1 kHz, 16 bits, estéreo | 635 MB | 6,35 GB | No: caben unas 7,9 horas |
| WAV, 48 kHz, 24 bits, estéreo | 1,04 GB | 10,37 GB | No: caben unas 4,8 horas |
| MP3, 128 kbps | 57,6 MB | 576 MB | Sí |
| Opus, 32 kbps | 14,4 MB | 144 MB | Sí |
Un WAV clásico también tiene su propio límite: el campo de tamaño de 32 bits lo limita a unos 4 GB. Para grabaciones que superan ese tamaño hay que usar la extensión RF64 (Biblioteca del Congreso de EE. UU.). Para grabaciones muy largas sin pérdida, FLAC o WAV en mono a 16 kHz ayudan a evitar ambos límites.
Qué importa más que el formato de audio
Una voz clara grabada cerca del micrófono y guardada como MP3 suele dar mejores resultados que un archivo sin pérdida grabado desde el otro lado de una sala ruidosa. Estos ajustes y hábitos influyen más.
Frecuencia de muestreo: ¿bastan 16 kHz?
Sí, para el habla. Google recomienda 16.000 Hz o más (buenas prácticas). Su tutorial explica que por debajo queda poca información o ninguna por encima de los 8 kHz. El código abierto de Whisper convierte todo a mono y 16.000 Hz antes de pasarlo al modelo (whisper/audio.py). Puedes grabar a 44,1 o 48 kHz; el archivo solo será mayor.
Subir la frecuencia después no ayuda. Google señala que un archivo de 8 kHz remuestreado a 44,1 kHz sigue conservando un intervalo de frecuencias de solo unos 4 kHz. Sube el audio telefónico, normalmente de 8.000 Hz, con su frecuencia original.
Profundidad de bits: ¿16 o 24?
Google recomienda 16 bits o más y explica que pasar de 8 a 16 bits no aporta nada porque el rango dinámico quedó fijado al grabar. Si tu grabadora generó 24 bits, puedes conservarlos. Convertir de 16 a 24 bits no añade detalle.
Tasa de bits en archivos comprimidos
Ningún estándar fija una tasa de bits que garantice una buena transcripción. La recomendación de Google se refiere al tipo de códec: los que tienen pérdida pueden reducir la precisión, y si hay compresión con pérdida, el ruido y el eco perjudican más. Si tienes que comprimir, hazlo una sola vez con un ajuste moderado y evita cadenas como WAV a MP3 y luego a OGG.
Distancia al micrófono, ruido y niveles
Según las recomendaciones de Google sobre preprocesamiento:
- Pon el micrófono tan cerca de quien habla como resulte razonable, sobre todo si hay ruido de fondo.
- Evita la saturación: los picos distorsionados no se pueden reparar después.
- Desactiva el control automático de ganancia y la reducción de ruido si tu aplicación lo permite. Según Google, reducir el ruido antes del reconocimiento suele disminuir la precisión.
¿Mono o estéreo?
Con un solo micrófono compartido, basta el mono. Whisper mezcla el estéreo a mono, así que dos canales con la misma voz solo hacen que el archivo pese el doble. Conviene conservar el estéreo cuando cada canal contiene a una persona distinta, como en muchas grabaciones de llamadas o con un micrófono de solapa por canal. En ese caso, Google recomienda enviar cada canal por separado. Si el audio ya se mezcló, envía la grabación tal cual.
Grabaciones multipista
Las herramientas de pódcast y entrevistas a distancia suelen grabar a cada persona en su propia pista. Puedes exportar una mezcla y activar las etiquetas de hablante (lo más sencillo), o transcribir cada pista por separado y unir los textos por marcas de tiempo (audio más claro, pero tienes que juntar los textos).
Formatos y ajustes recomendados según el caso
Lo más habitual es que el archivo ya exista. En ese caso, casi siempre conviene subirlo tal como está.
| Situación | Si puedes elegir cómo grabar | Si ya tienes el archivo | Antes de subir | Atención a… |
|---|---|---|---|---|
| Entrevista presencial | WAV o FLAC, en mono por micrófono y a 44,1 o 48 kHz | M4A o MP3 del móvil | Anota nombres y términos | El invitado se oye más bajo |
| Entrevista a distancia o pódcast multipista | Una pista sin pérdida por persona | Archivos WAV separados y una mezcla en MP3 | Elige la mezcla o cada pista por separado | Voces superpuestas en la mezcla |
| Grabación de reunión (Zoom, Teams, Meet) | La opción de solo audio de la plataforma, si la hay | MP4 o M4A | Extrae el audio solo si el vídeo ocupa mucho | Un micrófono de portátil para toda una sala |
| Notas de voz del móvil | El ajuste predeterminado de la aplicación | .m4a | Exporta el original | El teléfono estaba en un bolsillo |
| Episodio de pódcast publicado | No se aplica | El MP3 publicado | Usa el WAV o FLAC anterior a la publicación si lo tienes | La música de introducción; elige el idioma |
| Clase o seminario | Mono, 16 bits, micrófono cerca del ponente | Un MP3 largo o un vídeo | Comprueba el límite de 10 horas | Preguntas del público lejos del micrófono |
| Llamada grabada | El ajuste predeterminado de la grabadora | AMR, M4A o WAV a 8 kHz | Mantén la frecuencia original | Las reglas de consentimiento; no aumentes la frecuencia |
Grabar llamadas plantea cuestiones de consentimiento. Las guías sobre cómo grabar una llamada y las leyes de grabación por estado las explican. Esto no constituye asesoramiento jurídico.
Cómo convertir audio para transcribirlo con FFmpeg
Convierte solo si tienes un motivo: el archivo es demasiado grande, quieres subir una versión ligera de un vídeo, la herramienta rechaza el códec o necesitas un archivo por hablante. Convertir para mejorar la calidad no funciona.
Ejecutamos cada comando con FFmpeg 7.1.5 sobre un fragmento de voz de dominio público de 11 segundos y un vídeo breve preparado a partir de él. Solo comprobamos que terminaran y que ffprobe mostrara el códec, la frecuencia y los canales esperados. La documentación de FFmpeg explica las opciones.
1. Convierte a WAV de 16 bits, mono y 16 kHz (el formato interno al que convierte Whisper):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Convierte a FLAC mono a 16 kHz (sin pérdida y normalmente más pequeño que el WAV equivalente):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Convierte el vídeo a un MP3 mono pequeño (añade una compresión con pérdida; úsalo cuando lo más importante sea el tamaño):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Extrae el audio del vídeo sin volver a codificar (funciona con audio AAC, habitual en archivos MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Divide una grabación de dos canales en un archivo por hablante (usa el filtro channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Opción | Qué hace |
|---|---|
-ac 1 |
Mezcla el audio en un solo canal |
-ar 16000 |
Fija la frecuencia de salida en 16.000 Hz |
-c:a pcm_s16le |
Escribe PCM de 16 bits sin comprimir (WAV estándar) |
-vn |
Elimina la pista de vídeo |
-c:a copy |
Copia el audio tal cual, sin alterar la calidad |
-b:a 64k |
Establece la tasa de bits de la compresión con pérdida |
Si el vídeo ya tiene audio AAC, usa el comando 4 en lugar del 3 para conservar la calidad original. Para audio telefónico de 8 kHz, omite -ar 16000 y mantén la frecuencia.
¿No quieres usar la línea de comandos? El conversor de audio y vídeo a MP3 de whispertranscribe.ai extrae el audio de MP4, MOV, MKV, WEBM o AVI en el navegador. La página dice que usa WebAssembly y procesa los archivos en el navegador sin subirlos.
Archivos grandes: no superes 5 GB ni 10 horas
- Demasiado grande, pero dura menos de 10 horas: suele ser un vídeo o WAV de alta resolución. Extrae el audio (comando 4 o conversor del navegador) o convierte el WAV a FLAC (comando 2).
- Más de 10 horas: la página de carga avisa de que solo procesa archivos de hasta 10 horas y pide acortarlos a 10 horas o menos antes de volver a intentarlo. Divide el archivo. El comando para dividir sin volver a codificar de nuestra guía de MP3 a texto también funciona con WAV; lo comprobamos con un WAV de prueba. Revisa las uniones al juntar el texto.
- Conexión lenta: una hora de MP3 a 64 kbps ocupa unos 28,8 MB, frente a 635 MB de un WAV estéreo con calidad de CD. Guarda el original sin pérdida en tu archivo.
Solución de problemas de formato de audio
| Problema | Causa probable | Qué probar |
|---|---|---|
| Aparece «No audio detected. The file may be corrupted. Please check the file and try again.» en la página de carga | Archivo dañado, vídeo exportado sin sonido o pista de audio vacía | Reprodúcelo en tu dispositivo y prueba ffprobe como se indicó antes (si no devuelve nada, no hay audio). Vuelve a exportarlo desde la aplicación original |
| Se rechaza por duración | El archivo dura más de 10 horas | Divídelo en partes de hasta 10 horas |
| El archivo es demasiado grande | Vídeo o WAV de alta resolución con varios canales | Extrae el audio o convierte el WAV a FLAC |
| Un WAV de más de 4 GB no abre o no se puede subir | Límite del WAV clásico | Exporta de nuevo en RF64 o FLAC, o divídelo |
| Una persona se oye mucho más baja que la otra | Cada canal contiene una voz grabada a distinto nivel | Separa los canales (comando 5) y transcribe cada archivo |
| Picos distorsionados o con chasquidos | Saturación al grabar | No se puede reparar; la próxima vez baja la ganancia de entrada |
| El audio de una llamada sigue mal tras pasarlo a 48 kHz | Aumentar la frecuencia no aporta información | Sube el original y prueba Noise / Low-Quality Audio/Video si está disponible para el idioma |
En qué casos sirve whispertranscribe.ai
whispertranscribe.ai es una herramienta de transcripción basada en los modelos Whisper de OpenAI que se usa en el navegador. No ofrece aplicación, API ni corrección humana. El conversor gratuito de audio a texto y otras páginas de carga muestran estos formatos: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG y MPEG.
- Límites: hasta 5 GB y 10 horas por archivo.
- Idiomas: más de 130, muchos con opciones Noise / Low-Quality Audio/Video.
- Precisión: hasta el 99 % con audio claro. El ruido, la distancia, los acentos y las voces superpuestas la reducen.
- Hablantes: activa Speaker Detection antes de transcribir.
- Exportaciones: DOCX, PDF, TXT, CSV, SRT y VTT.
- Privacidad: la política de privacidad indica que se borran los originales tras procesarlos y que los MP3 extraídos se conservan 30 días de forma predeterminada.
Para grabaciones concretas, consulta archivos MP3, notas de voz, llamadas, entrevistas y clases y seminarios. Prueba con un archivo en la página gratuita sin cuenta, que muestra los límites. Los planes de pago parten de 9,99 USD al mes con facturación anual (precios). Consulta las demás opciones en la página de funciones.
Preguntas frecuentes
¿Cuál es el mejor formato de audio para transcribir?
Si puedes controlar la grabación, WAV o FLAC son las mejores opciones, preferiblemente en mono, a 16 kHz o más y con 16 bits de profundidad. Si ya tienes un archivo comprimido como MP3, M4A u Opus, súbelo tal como está. Una grabación con el micrófono cerca, poco ruido y sin saturación suele importar más que el formato.
¿WAV es mejor que MP3 al transcribir?
Un WAV grabado desde la fuente conserva más detalle que un MP3. Google advierte de que los códecs con pérdida, como MP3, pueden reducir la precisión. La diferencia suele ser pequeña en audio claro y mayor cuando hay ruido. Pasar un MP3 existente a WAV no lo mejora, porque los datos descartados ya no están. Graba en WAV o FLAC si puedes, y sube los MP3 existentes directamente.
¿Qué frecuencia de muestreo debo usar?
Usa 16 kHz o más. Google recomienda al menos 16.000 Hz para el reconocimiento del habla. Whisper, de OpenAI, convierte cualquier audio a 16 kHz mono antes de procesarlo. Grabar a 44,1 o 48 kHz está bien y es habitual. Evita subir la frecuencia después: una llamada grabada a 8 kHz se debe subir a 8 kHz, porque el remuestreo aumenta el tamaño, pero no añade información del habla.
¿Grabo en mono o en estéreo para transcribir?
Graba en mono si todos usan un solo micrófono. Whisper mezcla el estéreo a mono, de modo que duplicar la misma voz en dos canales solo duplica el tamaño. Conserva el estéreo o las pistas separadas si cada persona tiene su propio canal, como en algunas grabadoras de llamadas o con un micrófono por invitado. Google recomienda procesar cada canal por separado. Puedes dividirlos con FFmpeg.
¿Cuánto pesa un WAV por minuto?
Depende de los ajustes. Multiplica frecuencia de muestreo, bytes por muestra y número de canales para obtener bytes por segundo. Para WAV de 16 kHz, 16 bits y mono: 16.000 × 2 × 1 = 32.000 bytes por segundo, unos 1,92 MB por minuto o 115,2 MB por hora. El estéreo de 44,1 kHz y 16 bits de un CD ocupa unos 10,58 MB por minuto o 635 MB por hora.
¿Puedo subir vídeo en vez de extraer el audio?
Sí. Las herramientas de transcripción leen el audio e ignoran la imagen. Un MP4, MOV, MKV o WEBM da la misma transcripción que la pista de audio extraída; solo ocupa más al subirlo. Extrae el audio si el tamaño se acerca al límite o tu conexión es lenta. Por ejemplo, FFmpeg con -vn -c:a copy conserva la calidad original. En whispertranscribe.ai puedes subir el vídeo tal cual y exportar en DOCX, TXT, SRT o VTT.
¿Ya tienes una grabación? Súbela tal cual a whispertranscribe.ai con el conversor gratuito de audio a texto. Elige entre más de 130 idiomas, activa Speaker Detection y descarga en DOCX, TXT, SRT o VTT. Se admiten archivos de hasta 5 GB y 10 horas.
Referencias
- Google Cloud: Buenas prácticas de Speech-to-Text (datos de audio)
- Google Cloud: Optimizar archivos de audio para Speech-to-Text
- OpenAI: whisper/audio.py en el repositorio de Whisper
- FFmpeg: Documentación de la línea de comandos y filtro channelsplit
- Biblioteca del Congreso de EE. UU.: Formato de audio WAVE (fdd000001)
- Biblioteca del Congreso de EE. UU.: AMR, códec de voz de tasa múltiple adaptativa (fdd000254)
