Cómo transcribir un MP3 a texto: 4 métodos comparados

Por el equipo editorial de whispertranscribe.ai · Última actualización: noviembre de 2026 · 12 min de lectura

Para transcribir un MP3 a texto, carga el archivo en una herramienta de transcripción con IA, elige el idioma del audio y exporta el resultado en DOCX, TXT o SRT. También puedes usar la función Transcribir de Microsoft Word, escribirlo a mano o ejecutar el modelo gratuito Whisper de OpenAI en tu ordenador. Elijas lo que elijas, la calidad del MP3 marca el límite.

A continuación tienes los cuatro métodos paso a paso, cómo interpretar la tasa de bits y la frecuencia de muestreo del archivo, qué comprobar en el audio, consejos para grabaciones largas o con varias voces y una revisión en tres pasadas.

Respuesta rápida: cómo transcribir un MP3 a texto

Para la mayoría de la gente, lo más rápido es una herramienta en línea: recibe el MP3 tal cual, etiqueta a los hablantes y devuelve un archivo editable. Usa Word si ya pagas por Microsoft 365. Escribe a mano los fragmentos cortos y ejecuta Whisper en tu equipo cuando el audio no pueda salir de él.

  1. Comprueba el archivo. Escucha 30 segundos para confirmar que las voces se oyen con claridad.
  2. Sube el archivo y ajusta las opciones. Selecciona el idioma y activa la detección de hablantes si interviene más de una persona.
  3. Revisa y exporta. Corrige los nombres y las cifras. Descarga DOCX o TXT para documentos, o SRT o VTT para subtítulos.

¿Qué método conviene usar?

Fíjate en la duración total, si necesitas identificar a los hablantes y dónde puede procesarse el audio. Los datos de Microsoft se consultaron en noviembre de 2026.

Método Coste Etiquetas de hablante Dónde va el audio Para qué conviene
1. Herramienta de transcripción en línea Muchas ofrecen un inicio gratuito y planes de pago para más volumen Sí, en la mayoría Servidores del proveedor Entrevistas, pódcast, clases y trabajo habitual
2. Transcribir de Microsoft Word Incluido con Microsoft 365, hasta 300 minutos de audio subido al mes Sí (Hablante 1, Hablante 2) Servidores de Microsoft; se guarda en tu OneDrive Archivos ocasionales si ya usas Word
3. Transcripción manual Gratis, pero lleva horas Las añades tú Se queda en el dispositivo Fragmentos cortos y citas que deben ser exactas
4. Whisper en tu ordenador Gratis y de código abierto No en la herramienta oficial Se queda en el dispositivo Audio privado, personas con experiencia técnica y procesamiento por lotes

Antes de empezar: comprueba el MP3 en 60 segundos

MP3 es un formato con pérdida. La descripción del formato de la Biblioteca del Congreso de EE. UU. explica que descarta sonidos menos perceptibles y que un MP3 de 128 kbit/s ocupa alrededor de una onceava parte de lo que ocupa el audio con calidad de CD. No se pueden recuperar los detalles perdidos, así que conviene saber qué contiene el archivo.

En Windows, abre Propiedades → Detalles; en Mac, Obtener información. Si tienes FFmpeg, este comando muestra el códec, la frecuencia de muestreo, los canales, la tasa de bits y la duración:

ffprobe -v error -select_streams a:0 -show_entries stream=codec_name,sample_rate,channels,bit_rate -show_entries format=duration -of default=noprint_wrappers=1 interview.mp3

Lo ejecutamos con FFmpeg 7.1 sobre un MP3 breve para comprobar la sintaxis. Devuelve líneas como sample_rate=44100 y bit_rate=128000. Así se interpretan:

Valor Qué indica Qué significa para la transcripción
bit_rate Cuántos datos por segundo se conservaron tras comprimir Una tasa muy baja deja menos detalle, y no se puede restaurar
sample_rate Cuántas veces por segundo se midió el sonido Google recomienda 16.000 Hz o más para el reconocimiento del habla
channels Mono (1) o estéreo (2) El estéreo sirve; Whisper lo mezcla en mono al cargarlo
duration Duración de la grabación Permite saber si llegarás al límite de duración o de minutos

¿La tasa de bits del MP3 afecta a la precisión?

Puede afectar. Las recomendaciones de Google Cloud para el reconocimiento del habla indican que los códecs con pérdida, como MP3, pueden reducir la precisión y que el ruido y el eco perjudican más si el códec también es con pérdida. No hay un umbral de tasa de bits publicado, así que valórala como un factor más. Una voz clara y cercana al micrófono importa más que una tasa alta.

La regla práctica: transcribe la mejor versión que tengas. Si conservas el WAV o FLAC original, úsalo. Volver a codificar un archivo de 96 kbps a 320 kbps, o guardarlo como WAV, aumenta su tamaño sin restaurar el detalle perdido.

¿Qué frecuencia de muestreo necesita el reconocimiento del habla?

Para reconocer el habla, suelen bastar 16 kHz. El código abierto de Whisper carga cada archivo mediante FFmpeg, lo convierte a mono y lo remuestrea a 16.000 Hz antes de pasarlo al modelo (whisper/audio.py en GitHub). La guía de Google también desaconseja remuestrear por tu cuenta. Envía una grabación telefónica de 8.000 Hz tal como está, sin subir la frecuencia.

Los 44,1 kHz o 48 kHz de un MP3 habitual son más que suficientes. No cambies la frecuencia de muestreo antes de subirlo.

Lista de comprobación de la calidad del audio

Antes de transcribir algo importante:

  • Escucha el inicio y un fragmento intermedio. ¿Es el idioma correcto? ¿Se oye bien a todo el mundo?
  • Comprueba el volumen. ffmpeg -i interview.mp3 -af volumedetect -f null - muestra el volumen medio y el máximo. Un máximo cercano a 0 dB puede indicar saturación; es difícil recuperar los picos distorsionados.
  • Evita la reducción intensa de ruido. Según la guía de Google, aplicar reducción de ruido antes del reconocimiento suele reducir la precisión.
  • Anota los nombres, siglas y términos técnicos para revisarlos después.
  • Conserva el archivo original hasta que la transcripción esté lista.

Método 1: sube el MP3 a una herramienta de transcripción en línea

Las herramientas en línea son la forma más rápida de convertir un MP3 largo en texto editable. El modelo se ejecuta en los servidores del proveedor y no hay que instalar nada. Los pasos siguientes usan whispertranscribe.ai. whispertranscribe.ai es una herramienta de transcripción con IA en la web, basada en el modelo Whisper de OpenAI. Convierte audio y vídeo en texto en más de 130 idiomas y admite archivos de hasta 5 GB y 10 horas. Otras herramientas funcionan de forma parecida, con otros menús.

Paso 1: abre la página de transcripción MP3 y elige el idioma

Ve a la página para transcribir MP3 a texto y, en Step 1, selecciona el idioma del audio. Hay más de 130 idiomas, variantes regionales como inglés de la India y opciones Noise / Low-Quality Audio/Video para grabaciones poco claras.

Paso 2: sube el MP3

En Step 2, arrastra el archivo o búscalo en tu dispositivo. Se admiten archivos de hasta 5 GB y los planes cubren grabaciones de hasta 10 horas. También se admiten WAV, M4A, FLAC, MP4 y MOV.

Paso 3: activa la detección de hablantes si la necesitas

Para entrevistas, reuniones y pódcast, activa Enable Speaker Detection para etiquetar a quien habla en cada turno.

Paso 4: inicia la transcripción

Haz clic en Transcribe MP3 to text. La precisión llega hasta el 99 % con audio claro. El ruido, los acentos marcados y las voces superpuestas la reducen, así que reserva tiempo para revisar.

Paso 5: exporta la transcripción

Descarga en DOCX, PDF, TXT o CSV para documentos y análisis, o en SRT o VTT para subtítulos sincronizados. Si desde el inicio quieres subtítulos, el conversor de MP3 a SRT genera directamente el archivo.

Puedes probarlo gratis y sin cuenta antes de elegir un plan. Los planes de pago parten de 9,99 USD al mes con facturación anual; consulta los precios. Si el vídeo ocupa mucho, puedes reducir su tamaño con el conversor de audio y vídeo a MP3. Si el MP3 ya está en Google Drive o Dropbox, también puedes usar Transcribir desde URL.

Ten en cuenta: las herramientas en línea suben el audio a los servidores del proveedor. Si la grabación es confidencial, lee primero su política de privacidad o usa el Método 3 o 4.

Método 2: usa la función Transcribir de Microsoft Word

Con Microsoft 365, Word puede transcribir un MP3. Según el soporte de Microsoft, consultado en noviembre de 2026, Transcribir admite .mp3, .wav, .m4a y .mp4 y distingue a los hablantes.

  1. Inicia sesión en Microsoft 365 y abre un documento en Word para la web (Microsoft Edge reciente o Chrome), o en Word para Microsoft 365 en Windows.
  2. Ve a Inicio → Dictar (menú desplegable) → Transcribir.
  3. En el panel Transcribir, elige Cargar audio y selecciona tu MP3.
  4. Deja el panel abierto mientras trabaja. Microsoft indica que puede tardar aproximadamente lo mismo que dura la grabación.
  5. Revisa el resultado: reproduce cualquier sección hasta a 2×, edita el texto y cambia «Hablante 1» en todo el documento de una vez.
  6. Elige Agregar todo al documento para insertar la transcripción y guarda como DOCX.

Límites que conviene tener en cuenta: Microsoft 365 incluye hasta 300 minutos de audio subido al mes. Cada documento admite una transcripción. Las grabaciones subidas se guardan en la carpeta Transcribed Files de OneDrive. Según Microsoft, la versión de escritorio para Windows está limitada en la actualidad a organizaciones comerciales. La ayuda no indica que se pueda exportar en SRT o VTT, así que Word sirve más para documentos que para subtítulos.

Método 3: transcribe el MP3 a mano

Escribirlo por tu cuenta es gratis y mantiene el audio en tu dispositivo, pero lleva tiempo. Hazlo para fragmentos cortos, citas que deben ser exactas o pasajes donde una máquina se equivocó.

  1. Abre el MP3 en un reproductor que permita reducir la velocidad y retroceder con un atajo. Ten al lado un documento en blanco.
  2. Pon la velocidad en torno a 0,75× y trabaja por tramos cortos: escucha una frase, pausa, escribe y vuelve atrás si lo necesitas.
  3. Identifica a quien habla en cada turno, por ejemplo con INTERVIEWER: y MARIA:. La guía de transcripciones del W3C indica que una transcripción de pódcast puede consistir en párrafos sencillos con los hablantes identificados.
  4. Marca lo que no puedas oír con una referencia de tiempo, como [inaudible 00:14:32], para volver más tarde.
  5. Haz una última pasada a velocidad normal mientras lees el texto para detectar palabras que suenan igual.

También puedes pedir a una herramienta que haga el borrador y aplicar esta revisión solo en los tramos importantes.

Método 4: ejecuta Whisper en tu ordenador

Whisper es el modelo abierto de reconocimiento del habla de OpenAI. Según el artículo de investigación de OpenAI, se entrenó con 680.000 horas de audio en varios idiomas. Ejecutarlo en tu equipo es gratis y no se sube nada. La contrapartida es la configuración: necesitas Python, FFmpeg y paciencia en ordenadores más lentos.

Instálalo según las instrucciones del repositorio oficial:

pip install -U openai-whisper

Instala también FFmpeg y asegúrate de que esté en tu PATH. Luego transcribe:

whisper interview.mp3 --model turbo --language English --output_format srt

Usa --output_format txt para texto plano o quita la opción para generar TXT, VTT, SRT, TSV y JSON a la vez. En CPU, añade --fp16 False para evitar un aviso. Ejecutamos estos comandos con openai-whisper 20250625 y el modelo tiny sobre un fragmento corto de dominio público para comprobar la sintaxis.

Modelo Parámetros VRAM aprox. (OpenAI) Velocidad respecto a large (OpenAI)
tiny 39 M alrededor de 1 GB alrededor de 10×
small 244 M alrededor de 2 GB alrededor de 4×
medium 769 M alrededor de 5 GB alrededor de 2×
turbo (predeterminado) 809 M alrededor de 6 GB alrededor de 8×
large 1.550 M alrededor de 10 GB 1×

OpenAI describe turbo como una versión optimizada de large-v3 con una pérdida mínima de precisión, pero no lo entrenó para traducir.

Qué pierdes: la herramienta oficial no etiqueta a los hablantes, no incluye un editor y no exporta a DOCX ni PDF. Además, OpenAI indica que el rendimiento varía mucho según el idioma. Hay proyectos de la comunidad que cubren algunas de estas carencias, cada uno con su propia instalación.

Cómo manejar MP3 largos, varias voces y otros idiomas

Grabaciones largas

Comprueba el límite antes de subir el archivo. Los planes de whispertranscribe.ai admiten archivos de hasta 10 horas y 5 GB. La cuota mensual de Word es de cinco horas en total. Si tu herramienta tiene un límite más corto, FFmpeg puede cortar el MP3 en tramos de una hora sin volver a codificarlo:

ffmpeg -i lecture.mp3 -f segment -segment_time 3600 -c copy lecture_part_%03d.mp3

Un corte puede caer en mitad de una frase, así que comprueba las uniones al juntar el texto. Para clases y charlas, consulta la transcripción de clases y seminarios.

Varios hablantes

Activa la detección de hablantes y cambia las etiquetas genéricas antes de compartir el texto. Es más fácil confundirlas cuando las personas se interrumpen o tienen voces parecidas. Comprueba unos cuantos turnos por persona. En la próxima sesión, usa un micrófono por participante.

Otros idiomas y acentos

Elige el idioma manualmente en lugar de detectarlo de forma automática, sobre todo si el archivo empieza con música. whispertranscribe.ai ofrece la opción Multilingual Mix para grabaciones que alternan entre inglés, español, francés, alemán, hindi, ruso, portugués, japonés, italiano y neerlandés. Si necesitas texto en inglés a partir de un MP3 en otro idioma, usa traducir audio a inglés en lugar de transcribir y traducir por separado.

Cómo revisar una transcripción MP3 en 3 pasadas

Los borradores de IA suelen fallar en los mismos puntos, de modo que rara vez hace falta escuchar todo el audio otra vez.

Pasada 1: busca en el texto. Usa la función de buscar y reemplazar y tu lista de nombres y términos para corregir las grafías erróneas de una vez.

Pasada 2: escucha los puntos delicados. Ve a estas partes y contrástalas con el audio:

Qué revisar Qué suele fallar Cómo comprobarlo
Cifras y fechas «Quince» frente a «cincuenta» o decimales omitidos Reproduce cada cifra que vayas a citar
Nombres y marcas Se escriben como suenan Compara con tu lista de términos
Voces superpuestas Se mezclan dos frases o se pierde una Escucha a velocidad normal y, después, más despacio
Cambios de hablante Se atribuye una frase a la persona equivocada Comprueba la primera línea después de cada cambio
Voces bajas o lejanas Faltan palabras Sube el volumen en ese fragmento
Primeros y últimos minutos Conversación informal, música o detección incorrecta del idioma Borra o corrige según haga falta

Pasada 3: lee el texto como un documento. Léelo una vez sin audio. Si algo no tiene sentido, vuelve a escucharlo. Marca lo que siga sin entenderse como [unclear] en lugar de adivinar.

¿Qué formato de exportación necesitas?

Elige según el uso siguiente: DOCX o TXT para documentos; SRT o VTT para texto que aparece sobre el vídeo.

Formato Para qué usarlo
DOCX Edición, informes, artículos y notas de un episodio
PDF Una copia fija para compartir o archivar
TXT Pegar texto en otras aplicaciones o generar resúmenes con IA
CSV Hojas de cálculo y análisis de investigación
SRT Subtítulos para YouTube, editores de vídeo y reproductores
VTT Subtítulos para reproductores web de vídeo HTML5

Si grabas con el móvil, la página de transcripción de notas de voz ofrece las mismas opciones de exportación.

Preguntas frecuentes

¿Puedo transcribir un MP3 a texto gratis?

Sí. Escribirlo tú no cuesta dinero. Ejecutar Whisper, el modelo abierto de OpenAI, en tu equipo tampoco supone pagar más allá de la instalación y el hardware. Muchas herramientas en línea también ofrecen un inicio gratuito. whispertranscribe.ai tiene una opción sin cuenta que sirve para comprobar cómo queda tu audio. Las opciones gratuitas suelen limitar la duración o las funciones. Para un uso habitual, compara los planes de pago: whispertranscribe.ai parte de 9,99 USD al mes con facturación anual.

¿Cuánto se tarda en transcribir un archivo MP3?

Con una herramienta de IA, suele tardarse mucho menos que la duración del audio, aunque depende del archivo y del servicio. Microsoft indica que Transcribir de Word puede tardar aproximadamente lo mismo que dura el archivo. Con Whisper en local, depende del equipo y del modelo: los pequeños van más rápido, pero se equivocan más. Escribir a mano lleva varias veces la duración del audio. Por eso la mayoría de la gente solo lo hace con fragmentos cortos.

¿Convertir un MP3 a WAV mejora la precisión?

No. Guardarlo como WAV o volver a codificarlo con una tasa de bits mayor aumenta su tamaño, pero no recupera el detalle eliminado al crear el MP3. MP3 es un formato con pérdida. Si aún tienes el WAV o FLAC original, transcribe ese archivo. Si no, sube el MP3 tal como está. Los sistemas como Whisper lo convierten internamente a mono y lo remuestrean a 16 kHz, así que cambiar la frecuencia por tu cuenta tampoco ayuda.

¿Cómo transcribo un MP3 con varios hablantes?

Usa una herramienta con detección de hablantes y actívala antes de empezar. La transcripción asignará una etiqueta numerada a cada turno, como Hablante 1. Después, sustituye las etiquetas por nombres reales. Tanto Transcribir de Word como whispertranscribe.ai identifican hablantes; la herramienta oficial de línea de comandos de Whisper no lo hace. Comprueba los puntos en los que se interrumpen entre sí, que es donde más se confunden las voces.

¿Puedo convertir un MP3 en un documento de Word?

Sí. Lo más rápido es transcribir el MP3 con una herramienta en línea y exportar en DOCX, que puedes abrir en Word o Documentos de Google. Si tienes Microsoft 365, también puedes subirlo en Word desde Inicio, Dictar, Transcribir y Cargar audio, y luego seleccionar Agregar todo al documento. La suscripción incluye hasta 300 minutos al mes de audio subido.

¿Puedo convertir un MP3 en subtítulos en vez de una transcripción?

Sí. Exporta en SRT o VTT en lugar de DOCX o TXT. Ambos formatos conservan el tiempo de cada línea, así que un reproductor o editor de vídeo puede mostrar el texto en el momento indicado. En whispertranscribe.ai puedes exportar SRT o VTT tras transcribir o usar el conversor MP3 a SRT. La herramienta de línea de comandos de Whisper también puede generar SRT y VTT con la opción de formato de salida.


¿Quieres probarlo? Sube un archivo a whispertranscribe.ai desde el conversor de MP3 a texto o usa el conversor gratuito de audio a texto para otros formatos. Ambos funcionan en más de 130 idiomas, incluyen etiquetas de hablante y exportan en DOCX, PDF, TXT, CSV, SRT y VTT.

Referencias

¿Quieres convertir tus grabaciones en texto?

Transcribe audio y vídeo con whispertranscribe.ai.

Empezar a transcribir ↗