Traducción de voz a texto: cómo transcribir y traducir audio

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

Traducir voz a texto consiste en convertir una grabación en un idioma en texto en otro. Hay dos formas de hacerlo: transcribir la grabación en su idioma original y traducir el texto, o usar un modelo que escriba directamente en el idioma de destino a partir del audio. La primera facilita la revisión. La segunda ahorra tiempo.

A continuación verás cómo funcionan ambos enfoques y dónde pueden fallar, cuatro métodos prácticos que incluyen subtítulos SRT y VTT en varios idiomas, una tabla de factores que afectan a la calidad, una lista de comprobación y casos en los que conviene acudir a un profesional.

Respuesta rápida: cómo traducir voz a texto

Para la mayoría de las grabaciones, conviene transcribir en el idioma original, corregir el texto y traducirlo después. Si solo necesitas inglés y tienes prisa, una herramienta que pasa directamente de voz a inglés escrito sirve para un primer borrador. En ambos casos, pide a alguien que conozca los dos idiomas que revise lo que vayas a publicar o a usar para tomar una decisión.

  1. Transcribe en el idioma hablado. Selecciónalo tú en vez de usar la detección automática.
  2. Corrige la transcripción original. Empieza por los nombres, los números y la terminología.
  3. Traduce y revisa. Traduce el texto y contrástalo con la transcripción original y con el audio.

¿Qué es la traducción de voz a texto?

La traducción de voz a texto engloba cualquier proceso que empieza con voz en un idioma A y termina con texto en un idioma B. Transcribir conserva el idioma. Traducir en el sentido habitual parte de un texto. Aquí se combinan ambas tareas, y el modo de combinarlas determina lo fácil que será revisar el resultado.

Dos enfoques: en cascada y directo

En investigación se llama cascada al primer enfoque: reconocimiento de voz seguido de traducción de texto. El segundo se llama traducción de voz directa (o de extremo a extremo): un solo modelo pasa del audio al texto en el idioma de destino. Whisper, de OpenAI, puede hacerlo directamente, pero solo traduce al inglés.

Transcribir y luego traducir (en cascada) Traducción directa de voz
Pasos visibles Dos: transcripción original y traducción Uno: entra el audio y sale el texto traducido
Idiomas de destino Los que admita la herramienta de traducción de texto Suelen ser limitados; Whisper solo traduce al inglés
Texto en el idioma original Se conserva Normalmente no se genera
Dónde detectar errores Entre los dos pasos, en la transcripción original Al comparar el resultado con el audio
Volver a traducir más adelante Puedes reutilizar la transcripción corregida Procesa de nuevo el audio o traduce el texto en inglés
Cuándo usarlo Investigación, publicaciones, subtítulos en varios idiomas y citas Comprender rápidamente una grabación en inglés escrito

Qué puede fallar en cada enfoque

En cascada, los errores se acumulan. Si la transcripción escribe «cincuenta» cuando la persona dijo «quince», la traducción conservará el número equivocado con una gramática impecable. Se evita con poco esfuerzo: corrige la transcripción antes de traducir.

En el enfoque directo, no hay texto original que inspeccionar. En el resultado, una palabra mal oída y una mal traducida parecen lo mismo. Quien revise tiene que volver al audio. Además, el texto puede sonar tan fluido que resulte difícil detectar los errores.

¿Qué método te conviene?

Elige según el uso que darás al texto y cuántos idiomas necesitas.

Tu situación Método recomendado Por qué
Necesitas entender rápidamente una grabación en otro idioma Método 2: pasar de audio directamente a texto en inglés Un paso y un borrador legible
Vas a citar a la persona en un artículo o informe Método 1, más el método 4 para citas clave Puedes comprobar lo que dijo
Necesitas subtítulos en dos o más idiomas Método 3: partir de un SRT o VTT original y traducir el texto de cada bloque Las mismas marcas de tiempo sirven para todos los idiomas
Vas a analizar y citar entrevistas de investigación Método 1 La codificación y las citas remiten a la transcripción original
Son contratos, documentos judiciales, expedientes médicos o trámites migratorios Método 4 con un profesional cualificado Los errores tienen consecuencias

Método 1: transcribe en el idioma original y luego traduce el texto

Es la opción más flexible. La transcripción corregida se convierte en tu documento maestro y todas las traducciones parten de él.

Paso 1: transcribe en el idioma hablado

Sube el archivo a una herramienta de transcripción y selecciona el idioma antes de empezar. En whispertranscribe.ai, una herramienta web basada en el modelo Whisper de OpenAI, puedes elegir entre más de 130 idiomas, con variantes regionales y modos Noise / Low-Quality Audio/Video para grabaciones difíciles. Hay páginas dedicadas a fuentes habituales, como audio en español y audio en chino. Si los hablantes cambian de idioma, la opción Multilingual Mix admite inglés, español, francés, alemán, hindi, ruso, portugués, japonés, italiano y neerlandés.

Si el archivo está en Google Drive, Dropbox, Vimeo o YouTube, puedes transcribirlo desde la URL sin descargarlo. Activa la detección de hablantes para entrevistas y reuniones.

Paso 2: corrige la transcripción original

Corrige el texto antes de traducir. Cada error que quede pasará a todos los idiomas. Busca primero nombres, términos de productos y siglas. Después, vuelve a escuchar todos los números que vayas a conservar. Con audio claro, la precisión puede alcanzar el 99 %. El ruido de fondo, los acentos marcados y las voces superpuestas la reducen, así que reserva tiempo para revisar.

Paso 3: traduce el texto corregido

Exporta la transcripción en DOCX o TXT y pásala por una herramienta de traducción de texto. Antes, comprueba los límites de formato. En noviembre de 2026:

  • Google Translate traduce documentos de hasta 10 MB en .docx, .pdf, .pptx y .xlsx. Los PDF deben tener como máximo 300 páginas, según la ayuda de Google Translate. Los archivos de subtítulos no figuran en la lista.
  • DeepL, en su página de formatos, incluye DOCX, PDF y TXT. También incluye SRT y VTT, en los planes Pro Individual, Pro Team, Pro Business y API, con un máximo de 150 KB o 200 KB por archivo de subtítulos. La cuenta gratuita de DeepL no admite TXT.

Si la herramienta lo permite, proporciona contexto: quién habla, a quién va dirigido el texto y qué grado de formalidad necesitas.

Paso 4: conserva las dos versiones juntas

Guarda el original y la traducción como pareja, con nombres que se correspondan, por ejemplo interview-04_es_v2.docx e interview-04_en_v2.docx. Así podrás localizar las palabras originales si una frase genera dudas.

Método 2: transcribe directamente al inglés

Si necesitas el texto en inglés y tu objetivo principal es entender o resumir la grabación, una herramienta directa te ahorra un paso.

Usar la página para traducir audio al inglés

La página de whispertranscribe.ai para traducir audio al inglés convierte la voz en otros idiomas en texto en inglés. La página describe así la función y no ofrece una lista de idiomas de destino, porque el resultado es en inglés.

  1. Elige el idioma hablado. El paso 1 pregunta por el idioma de la grabación, no por el de destino. Según la página, elegirlo correctamente mejora el resultado en inglés. Si no te convence, sugiere probar otra opción.
  2. Sube el archivo. El paso 2 admite formatos habituales de audio y vídeo, como MP3, WAV, M4A, MP4, MOV y MKV.
  3. Activa la detección de hablantes si habla más de una persona. La página incluye esa opción para la traducción.
  4. Selecciona Traducir audio al inglés, revisa el texto en inglés y expórtalo.

Considera el resultado un borrador de trabajo: no prometemos una calidad concreta de traducción. Si también necesitas la transcripción en el idioma original, haz una transcripción normal aparte.

Usar Whisper de código abierto en tu ordenador

El repositorio de Whisper de OpenAI documenta una tarea de traducción que genera texto en inglés:

whisper japanese.wav --model medium --language Japanese --task translate

El README incluye dos advertencias. El modelo predeterminado turbo no está entrenado para traducir y devuelve el idioma original incluso con --task translate, así que usa medium o large. Además, el resultado solo puede estar en inglés. Para pasar de audio en alemán a texto en francés, todavía necesitas traducir el texto.

¿Qué calidad tiene? El artículo sobre Whisper indica que los datos de entrenamiento incluían 125.000 horas de traducción de otros idiomas al inglés. Sin haberse entrenado con CoVoST2, la prueba de referencia que usaron los autores, Whisper obtuvo 29,1 BLEU; los investigadores lo describieron como un nuevo máximo en esa evaluación. BLEU mide la coincidencia entre el resultado automático y traducciones de referencia; no es un porcentaje de frases correctas. El mismo artículo señala que Whisper seguía por detrás de sistemas anteriores entrenados directamente para idiomas con muchos datos y que la cantidad de datos de entrenamiento predice la calidad de la traducción con mucha menos fiabilidad que la de la transcripción.

Método 3: crea subtítulos en varios idiomas (SRT y VTT)

Para un vídeo, crea un archivo de subtítulos en el idioma original y traduce solo el texto de cada bloque. La sincronización se conserva entre idiomas.

Paso 1: genera el archivo de subtítulos original

Usa el generador de subtítulos o el conversor de MP4 a SRT y exporta un SRT o VTT en el idioma hablado. Corrige primero el texto y los tiempos: este archivo será la plantilla para todos los idiomas.

Paso 2: traduce el texto de cada bloque, no su estructura

Un bloque SRT tiene un número, una línea de marcas de tiempo y texto. Solo debe cambiar el texto. Este es un ejemplo inventado:

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
The meeting starts on May 3 at 3 p.m.

El número del bloque y las marcas de tiempo se mantienen iguales. La fecha y la hora se adaptan al público del idioma de destino. Si el traductor solo acepta documentos, copia el texto en una tabla y vuelve a pegarlo bloque por bloque. Como vimos antes, los planes Pro de DeepL admiten SRT y VTT directamente.

Paso 3: comprueba cuánto se tarda en leer

Una línea traducida puede ser más larga que la original. Un bloque que se leía bien en 3,7 segundos puede dejar de caber. Divide los bloques largos o acorta el texto, pero no cambies las marcas de tiempo sin comprobarlas de nuevo con el audio.

Paso 4: sube cada idioma como pista independiente

Usa códigos de idioma en los nombres, por ejemplo talk.en.srt y talk.es.srt, y sube cada archivo como una pista de subtítulos independiente en la plataforma. Las pistas de subtítulos seleccionables permiten al público cambiar de idioma.

Método 4: añade una revisión humana

Para cualquier texto que vayas a publicar, citar o usar para tomar una decisión, pide a alguien bilingüe que compare la traducción con el original. El texto automático suele sonar fluido aunque contenga errores.

Una hoja de revisión sencilla agiliza el trabajo. Este es un ejemplo inventado del formato:

Bloque Frase original Traducción Aviso Nota de revisión
#37 Vamos a cerrar el trato el lunes We'll close the deal on Monday Correcto —
#81 Eso no es moco de pavo That's not turkey snot Modismo Usar «That's no small thing»
#126 Facturamos 1,5 millones We invoiced 1.5 million Número Confirmar la moneda con el hablante

Pide que se revisen especialmente los nombres, números, citas, términos jurídicos o médicos y pasajes marcados como poco claros. whispertranscribe.ai no ofrece transcripción ni traducción humana. Esta revisión la haces tú o un profesional.

¿Qué afecta a la calidad de la traducción de voz a texto?

La calidad se determina dos veces: al convertir la voz en texto y al pasar el texto a otro idioma. Algunos factores afectan a ambas fases.

Factor Efecto en la transcripción Efecto en la traducción Qué hacer
Calidad del audio (ruido, eco, distancia) Palabras omitidas o mal oídas Los errores pasan a todos los idiomas Graba cerca del micrófono y usa el original más limpio
Acentos y dialectos Más errores con el habla regional Las expresiones locales pueden traducirse literalmente Elige la variante regional si está disponible
Terminología técnica Las palabras se escriben como suenan Equivalentes incorrectos o inconsistentes Prepara un glosario y corrige los términos en el original
Par de idiomas Depende del idioma hablado Los pares habituales suelen funcionar mejor que los poco frecuentes Reserva más tiempo de revisión para idiomas menos comunes
Nombres propios Un nombre puede convertirse en una palabra común El nombre puede cambiarse o «traducirse» Haz una lista de nombres, búscalos y corrígelos
Alternancia de idiomas Se puede detectar el idioma equivocado a mitad de una frase La mezcla puede confundir al traductor Usa un modo multilingüe e indica cada idioma
Voces superpuestas Las frases se mezclan o se pierden Se pierde lo que quiso decir cada persona Usa micrófonos separados y revisa las etiquetas cuando se interrumpen

Las recomendaciones de Google para datos de voz indican que los códecs con pérdida como MP3 y M4A pueden reducir la precisión y que el ruido y el eco perjudican más cuando también se usa un códec con pérdida. El README de OpenAI añade que el rendimiento de Whisper varía mucho según el idioma. Por eso conviene probar un fragmento corto antes de procesar un lote largo.

Lista de comprobación después de traducir

Revisa estos puntos después de cada traducción y antes de que alguien fuera de tu equipo la vea:

  • Números. Todas las cifras coinciden con el audio. Cuidado con la coma decimal: «1,5» en muchos idiomas europeos se escribe 1.5 en inglés.
  • Monedas y unidades. Conserva la moneda de la persona que habla salvo que indiques una conversión. No cambies kilómetros a millas sin avisar.
  • Nombres y cargos. Escribe personas, empresas y lugares como escriben sus propios nombres, sin traducirlos.
  • Fechas y horas. El orden de día y mes varía según el país: 03/04 puede ser el 3 de abril o el 4 de marzo. Si importa, escribe el mes con letras.
  • Citas. Contrasta las citas directas con el audio, no solo con la transcripción.
  • Modismos y humor. Sustituye las traducciones literales por equivalentes naturales o márcalas para revisarlas.
  • Contexto cultural. Si una referencia no se entiende en el otro idioma, añade una nota breve en vez de cambiarla sin avisar.
  • Registro. La elección entre trato formal e informal (tú/usted, du/Sie) debe encajar con la relación entre hablantes.
  • Etiquetas de hablante. Cada frase sigue atribuida a la persona correcta.
  • Pasajes dudosos. Marca lo que no se entiende como [unclear] en ambos idiomas en vez de adivinar.

¿Cuándo necesitas un traductor profesional?

Acude a una persona cualificada si un error puede afectar al dinero, la salud, una situación legal o la confianza. Esta información no es asesoramiento jurídico. Los requisitos varían según el país, el tribunal y la entidad, así que consulta con quien recibirá el documento.

Situación Por qué no basta con una traducción automática
Trámites migratorios Las normas estadounidenses (8 CFR 103.2(b)(3)) exigen que los documentos en otro idioma enviados a USCIS lleven una traducción completa al inglés, certificada por quien traduce como completa y exacta, junto con su certificación de competencia para traducir
Pruebas judiciales y declaraciones Los tribunales suelen fijar sus propias reglas sobre quién puede traducir o certificar
Contratos y acuerdos Una palabra equivocada puede cambiar una obligación
Consultas y expedientes médicos Las dosis, los síntomas y el consentimiento deben reflejarse con exactitud
Citas publicadas y comunicados de prensa Atribuir mal unas palabras daña la confianza y puede acarrear responsabilidades

Para tareas con menos consecuencias, como notas internas, borradores de investigación o comprender un vídeo, suele bastar con traducción automática y una revisión propia.

¿Qué formato de exportación necesitas?

Elige el formato según el siguiente paso. En whispertranscribe.ai puedes exportar transcripciones como DOCX, PDF, TXT, CSV, SRT y VTT.

Formato Para qué sirve
DOCX Traducir en Word, DeepL o Google Translate; editar con comentarios
TXT Pegar el texto en un traductor o en otra aplicación
PDF Conservar una copia fija de la traducción aprobada
CSV Revisar versiones en paralelo y codificar datos de investigación
SRT Pistas de subtítulos para YouTube, editores de vídeo y reproductores
VTT Subtítulos en reproductores de vídeo HTML5

Preguntas frecuentes

¿Qué diferencia hay entre convertir voz a texto y traducir voz a texto?

La conversión de voz a texto mantiene el idioma original: audio en español se convierte en texto en español. La traducción de voz a texto termina en otro idioma; por ejemplo, de audio en español a texto en inglés. Puede hacerse en dos pasos, transcribiendo y después traduciendo, o en uno solo con un modelo que escriba directamente en el idioma de destino. Los dos pasos son más fáciles de revisar: puedes corregir el texto original antes de traducirlo y reutilizarlo más adelante para otros idiomas.

¿Puede Whisper traducir audio a idiomas distintos del inglés?

No. La función de traducción incorporada en Whisper solo genera texto en inglés. Puede recibir voz en muchos idiomas, pero escribe el resultado en inglés. Para otro idioma de destino, transcribe el audio en su idioma original y traduce la transcripción con una herramienta de texto. El README de OpenAI también advierte que el modelo predeterminado turbo no está entrenado para traducir y devuelve el idioma original aunque le pidas traducir. Usa el modelo medium o large para traducir.

¿Es mejor transcribir primero y después traducir?

Por lo general, sí, si vas a publicar o citar el resultado o traducirlo a varios idiomas. Transcribir primero te da un texto original que puedes corregir, de modo que un nombre o número mal oído se arregla una vez y no en todas las traducciones. Pasar directamente de voz a inglés es más rápido y sirve para comprender la grabación. Para subtítulos en varios idiomas, lo más práctico es partir de un SRT o VTT original ya corregido.

¿Qué precisión tiene la traducción de voz a texto?

Depende del audio, del par de idiomas y del tema. No hay una cifra única válida para todos los casos. Con audio claro, la transcripción puede ser muy precisa: whispertranscribe.ai alcanza hasta el 99 % en esas condiciones, aunque el ruido y los acentos reducen la precisión. La traducción añade sus propios errores, sobre todo con modismos, nombres y términos técnicos. Los pares de idiomas frecuentes suelen dar mejores resultados que los poco habituales. Comprueba los números, nombres y citas y pide una revisión bilingüe para lo importante.

¿Puedo traducir subtítulos y conservar las marcas de tiempo?

Sí. Traduce solo el texto de cada bloque y deja iguales su número y sus marcas de tiempo. Puedes hacerlo a mano, pegando el texto en un traductor y devolviéndolo al archivo, o con una herramienta compatible con subtítulos. DeepL incluye SRT y VTT en sus planes Pro Individual, Pro Team, Pro Business y API. La función de documentos de Google Translate no enumera los formatos de subtítulos. Después, comprueba que las líneas largas se pueden leer en el tiempo que permanece cada bloque en pantalla.

¿Puedo usar traducción automática para grabaciones jurídicas o médicas?

Puedes usarla para una primera lectura, pero no como versión final. El material jurídico, médico, contractual o migratorio suele necesitar un traductor humano cualificado, y algunas entidades exigen una traducción certificada. Por ejemplo, las normas migratorias estadounidenses exigen que quien traduce certifique que la traducción al inglés es completa y exacta. Los requisitos varían según el país y la institución, por lo que debes consultarlos con la entidad que recibirá el documento. Esta es información general, no asesoramiento jurídico.


¿Todo listo para empezar? Sube una grabación para traducir el audio al inglés o transcríbela primero en el idioma original si necesitas subtítulos u otros idiomas de destino. Puedes empezar gratis y sin cuenta. Los planes de pago parten de 9,99 USD al mes con facturación anual; consulta los precios. whispertranscribe.ai no ofrece API, transcripción humana ni asistente de reunión.

Referencias

¿Quieres convertir tus grabaciones en texto?

Transcribe audio y vídeo con whispertranscribe.ai.

Empezar a transcribir ↗