Por el equipo editorial de whispertranscribe.ai · Última actualización: noviembre de 2026 · 12 min de lectura · Categoría: Conceptos básicos de transcripción
¿Qué es la conversión de voz a texto? Es un tipo de software que escucha lo que se dice y lo escribe como texto editable. También se conoce como reconocimiento automático del habla (ASR) o speech to text. La encontrarás en dos formas: en directo, con palabras que aparecen mientras alguien habla, y a partir de una grabación, cuando un archivo de audio o vídeo se convierte en una transcripción.
Una aclaración: desarrollamos whispertranscribe.ai, un servicio de transcripción en el navegador. Para explicar cómo funciona la tecnología, citamos documentación de Google, Microsoft, Apple y el W3C, o estudios de investigación.
Respuesta rápida: ¿qué es la conversión de voz a texto?
La conversión de voz a texto transforma el habla en texto automáticamente: recibe audio, un modelo de reconocimiento del habla elige las palabras más probables y el software añade puntuación.
- Otros nombres: speech to text, reconocimiento del habla, ASR, escritura por voz o talk-to-text.
- Dos modos: en directo (streaming), para dictado y subtítulos, y por archivo (por lotes), para grabaciones que ya tienes.
- El límite: la precisión depende mucho del audio. El ruido, la distancia al micrófono, los acentos marcados, la jerga y las voces superpuestas aumentan los errores.
Voz a texto, speech to text, dictado y transcripción
Voice to text y speech to text significan lo mismo: conversión de voz a texto. El dictado es uno de sus usos (hablar para escribir en un campo de texto), y la transcripción es otro (convertir una grabación en un registro escrito). La identificación de voz es distinta: determina quién habla.
La Iniciativa de Accesibilidad Web del W3C llama «reconocimiento del habla» a la conversión de palabras en texto y reserva «reconocimiento de voz» o «reconocimiento de hablantes» para la tecnología que identifica a quien habla, en lugar de reconocer las palabras.
| Término | Qué suele significar | Resultado habitual |
|---|---|---|
| Conversión de voz a texto | Nombre común para transformar el habla en texto | Texto en pantalla o en un archivo |
| Speech to text (STT) | Lo mismo; es el término habitual en la documentación de software | Texto, a menudo con marcas de tiempo |
| Reconocimiento automático del habla (ASR) | El campo técnico y el modelo en el que se apoya | La secuencia de palabras más probable |
| Dictado o escritura por voz | Hablar en un campo de texto en vez de escribir | Texto en la posición del cursor |
| Transcripción | Registro escrito de una grabación o un evento | Una transcripción que puedes editar, buscar y exportar |
| Subtítulos en directo | Texto en tiempo real mientras se reproduce el audio | Subtítulos en pantalla, normalmente sin guardar |
| Reconocimiento de voz o de hablantes | Identificar a la persona que habla | Una etiqueta con el hablante |
En resumen, todo dictado convierte voz en texto, pero esa tecnología también sirve para otras tareas. Una entrevista de 90 minutos requiere una transcripción; para responder a un correo sin usar las manos, basta el dictado.
¿Cómo funciona la conversión de voz a texto?
Todo sistema de voz a texto captura audio, convierte el sonido en datos numéricos, usa un modelo entrenado para detectar las palabras más probables y da formato al resultado. Lo que ha cambiado durante la última década es cómo se construye el modelo.
- Captura. Un micrófono o un archivo de audio aporta una señal digital. La documentación de Cloud Speech-to-Text de Google recomienda capturar a 16.000 Hz cuando se pueda elegir. Por debajo puede caer la precisión, y por encima no hay una diferencia apreciable.
- Extracción de características. La señal se divide en fragmentos cortos y se convierte en características, normalmente un espectrograma que muestra cómo varía la energía del sonido con el tiempo en cada frecuencia.
- Reconocimiento. Un modelo asigna a esas características la secuencia de palabras más probable.
- Formato. El sistema añade puntuación, mayúsculas y, a veces, marcas de tiempo o etiquetas de hablante.
El método clásico: modelo acústico y modelo de lenguaje
Durante décadas, el reconocimiento del habla se dividió en varias partes. Una revisión de 2023 sobre reconocimiento de extremo a extremo describe cuatro componentes en los sistemas clásicos: extracción de características acústicas, modelado acústico, modelado del lenguaje y una búsqueda que elige el mejor resultado global.
- El modelo acústico estima qué sonidos del habla contiene cada fragmento de audio. Los sistemas clásicos usaban modelos ocultos de Márkov para adaptarse a distintas velocidades al hablar.
- Un diccionario de pronunciación relaciona esos sonidos con palabras.
- El modelo de lenguaje asigna una puntuación a las secuencias de palabras probables. Así el sistema prefiere «reconocer el habla» a una secuencia de sonidos parecida pero sin sentido.
El método moderno: modelos de extremo a extremo
La mayoría de los sistemas nuevos son de extremo a extremo: una sola red neuronal, entrenada con audio transcrito, aprende a convertir el audio en texto. La misma revisión señala que el aprendizaje profundo redujo en más de un 50 % la tasa de error de palabra respecto a los modelos anteriores y que los modelos de extremo a extremo se han convertido en el enfoque predominante. Whisper, de OpenAI, es un ejemplo conocido. Lo explicamos en nuestra guía sobre qué es Whisper AI.
| Sistema clásico | Modelo de extremo a extremo | |
|---|---|---|
| Estructura | Modelo acústico, diccionario de pronunciación y modelo de lenguaje independientes | Una sola red neuronal que convierte audio en texto |
| Qué necesita para entrenarse | Listas de palabras y conjuntos de fonemas preparados a mano, y varias fases de entrenamiento | Grandes cantidades de audio transcrito |
| Principal limitación | Entrenar las partes por separado puede añadir errores y costes | Requiere mucho audio transcrito; cuesta más aprovechar datos que solo contienen texto |
| Conocimiento del idioma | Un modelo de lenguaje aparte | Se aprende dentro de la red, aunque puede añadirse un modelo externo |
Transcripción en directo y por archivo: ¿cuál es la diferencia?
La conversión de voz a texto en directo (streaming) muestra el texto mientras alguien habla, lo que sirve para dictar o ver subtítulos en directo. La transcripción por archivo (por lotes) procesa una grabación completa y devuelve el texto después. Es útil para entrevistas, reuniones y clases.
Cloud Speech-to-Text de Google ofrece tres tipos de solicitud: síncrona para audios de hasta 1 minuto, asíncrona para archivos de hasta 480 minutos y streaming, que devuelve resultados provisionales mientras la persona todavía habla. La documentación de Azure Speech de Microsoft distingue de forma similar entre transcripción en tiempo real, rápida y por lotes. Ambas fuentes se consultaron en noviembre de 2026.
| Conversión de voz a texto en directo (streaming) | Transcripción por archivo (por lotes) | |
|---|---|---|
| Cuándo aparece el texto | Mientras hablas. Las palabras provisionales pueden cambiar cuando llega más audio | Después de procesar la grabación |
| Usos habituales | Dictado, subtítulos en directo, asistentes de voz | Entrevistas, reuniones, clases, pódcast y subtítulos para vídeo |
| Qué conservas | Lo que queda en el campo de texto o la ventana de subtítulos | Una transcripción que puedes editar y exportar |
| Qué debes valorar | Prima la rapidez frente al acabado | Tienes que esperar, pero puedes volver a procesar el archivo con otros ajustes |
Una regla práctica: si nadie necesita el texto de inmediato, graba un audio limpio y transcribe el archivo. Así conservas el original y puedes comprobar cualquier línea.
¿Para qué sirve convertir voz a texto?
Se usa para escribir sin teclear, convertir grabaciones en notas que se pueden buscar, subtitular vídeos y hacer accesible el contenido hablado. Microsoft también menciona usos en centros de atención, como el análisis después de una llamada.
| Uso | Modo habitual |
|---|---|
| Redactar correos, mensajes y borradores con la voz | Dictado en directo |
| Tomar notas de reuniones y entrevistas | Transcripción por archivo, o en directo para apuntes rápidos |
| Tomar apuntes de clases y seminarios | Grabar y luego transcribir el archivo |
| Subtitular vídeos | Transcripción del archivo con exportación en SRT o VTT |
| Convertir notas de voz y llamadas grabadas en texto | Transcripción por archivo |
| Ayudar a personas sordas o con pérdida auditiva, o a quienes no pueden usar un teclado | Subtítulos en directo y dictado |
Nuestra guía sobre aplicaciones para grabar clases explica el caso del aula.
Dónde encontrar la función de voz a texto en tu móvil u ordenador
La mayoría de los dispositivos ya incluyen una función de escritura por voz: tecla del logotipo de Windows + H en Windows 11, Dictado en Mac o iPhone, y el micrófono del teclado Gboard en Android. Escriben en el campo que tienes abierto; no transcriben grabaciones previas.
| Plataforma | Función integrada | Cómo empezar (según la ayuda oficial) | ¿Hace falta internet? |
|---|---|---|---|
| Windows 11 | Escritura por voz | Coloca el cursor en un campo de texto y pulsa la tecla del logotipo de Windows + H | Sí. Microsoft indica que usa el reconocimiento de voz en línea de Azure Speech |
| Mac | Dictado | Actívalo en Ajustes del Sistema, Teclado, Dictado. Inícialo con la tecla del micrófono, la función rápida de Dictado o Edición, Iniciar dictado | Depende. Los ajustes de Teclado indican si el dictado general se procesa en el Mac |
| iPhone | Dictado | Ajustes, General, Teclado, Activar dictado. Después toca el micrófono del teclado | En muchos casos no. Apple indica que Dictado funciona en el iPhone sin internet en muchos idiomas |
| Android | Escritura por voz de Gboard | En una aplicación en la que puedas escribir, toca el micrófono en la parte superior del teclado | La página de Google no lo indica |
Algunos detalles de las páginas oficiales:
- Windows: la guía de escritura por voz de Microsoft también explica la opción de puntuación automática.
- Mac: según la guía de Dictado para Mac, Dictado se detiene tras 30 segundos sin habla y subraya en azul las palabras dudosas, por ejemplo «flour» si querías decir «flower».
- iPhone: la guía de Dictado para iPhone enumera órdenes de voz para puntuar y editar.
- Android: la ayuda de Gboard indica que la escritura por voz no funciona en todos los idiomas y que algunos pasos requieren Android 7.0 o posterior.
Los nombres de los menús cambian según la versión. Consulta la ayuda de tu dispositivo.
¿Qué precisión tiene la conversión de voz a texto y cuáles son sus límites?
Con audio claro de una sola persona cerca del micrófono, los sistemas modernos aciertan la mayoría de las palabras. La precisión cae con el ruido, la distancia, los acentos marcados, el vocabulario especializado y las voces superpuestas. No hay una cifra universal: la grabación importa tanto como el software.
La medida habitual es la tasa de error de palabra (WER): se suman las palabras sustituidas, omitidas o añadidas y se divide entre el número de palabras de una transcripción revisada por una persona. Nuestro artículo sobre la precisión de Whisper muestra cuánto cambia la WER entre audiolibros claros y reuniones grabadas con un micrófono lejano.
| Límite | Por qué ocurre | Qué ayuda |
|---|---|---|
| Acentos y dialectos | Algunos acentos aparecen mucho menos durante el entrenamiento | Elige la variante regional adecuada y prueba con un fragmento corto |
| Ruido de fondo y distancia | El ruido y el eco dificultan distinguir el habla | Acércate al micrófono y usa una sala silenciosa o unos auriculares con micrófono |
| Jerga, nombres y palabras poco frecuentes | Los modelos favorecen las palabras comunes | Usa listas de palabras personalizadas (Microsoft las llama listas de frases) o revisa los nombres y las cifras |
| Varias personas y voces superpuestas | Las voces superpuestas son difíciles de separar; identificarlas es una tarea aparte, llamada diarización | Hablad por turnos y revisa las etiquetas de hablante |
| Audio telefónico o de baja calidad | Según Google, gran parte del audio telefónico de sistemas antiguos está a 8.000 Hz, lo que puede reducir la precisión | Graba con mayor calidad; subir la frecuencia de muestreo no arregla grabaciones antiguas |
| Palabras que suenan igual | «Flour» y «flower» se pronuncian igual | Relee el texto antes de enviarlo |
Dos hábitos ayudan a detectar la mayoría de los errores: comprueba cada nombre, cifra y término técnico escuchando el audio, y usa los subtítulos en directo como guía, no como registro definitivo.
Conversión de voz a texto para accesibilidad
Esta tecnología ayuda de dos formas. El dictado permite escribir hablando. El W3C señala que, entre quienes dependen de él, hay personas con discapacidades físicas, lesiones por esfuerzo repetitivo y discapacidades cognitivas o de aprendizaje. Los subtítulos y las transcripciones permiten seguir el audio a quienes son sordos o tienen pérdida auditiva.
En su página sobre discapacidad auditiva, el W3C indica que el audio necesita alternativas, como transcripciones y subtítulos. También advierte que, por lo general, los subtítulos automáticos son demasiado imprecisos para servir de alternativa por sí solos: pueden pasar por alto términos especializados y juntar oraciones. Revisa y corrige el resultado antes de publicarlo. Nuestra guía sobre subtítulos y captions explica ambos formatos.
Los móviles también ofrecen funciones en directo. Subtítulos en directo de Apple (iPhone 11 o posterior) transcribe en tiempo real el audio de las aplicaciones o de la habitación. Apple advierte que no se debe depender de ella en situaciones de riesgo o emergencia. Transcripción instantánea de Google en Android muestra el habla y los sonidos como texto y necesita internet, salvo cuando se usa un idioma sin conexión.
Cómo elegir una herramienta de voz a texto: 5 criterios
Empieza por el resultado que necesitas. Para un mensaje rápido, basta con el dictado integrado. Para una grabación larga, compara las herramientas de transcripción por archivo con estos cinco criterios.
- ¿En directo o a partir de una grabación? Para escribir con la voz necesitas dictado dentro de tus aplicaciones. Si ya tienes una grabación, necesitas una herramienta que acepte archivos y, quizá, enlaces.
- Idiomas y acentos. Comprueba si admite tu idioma y variante regional en el modo que vayas a usar. Las listas de idiomas en directo y por archivo no siempre coinciden.
- Dónde se procesa el audio. Algunas herramientas procesan el habla en el dispositivo; otras la envían a un servidor. Lee la página de privacidad antes de subir grabaciones delicadas y pide permiso antes de grabar a otras personas.
- Qué resultado obtienes. Busca etiquetas de hablante, marcas de tiempo, un editor y formatos de exportación como DOCX, TXT, SRT o VTT.
- Límites de duración y coste. Comprueba la duración y el tamaño máximos del archivo, y cómo cambia el precio según las horas de audio.
Si lo más importante es el presupuesto, nuestra comparativa de programas gratuitos de transcripción repasa los planes sin coste.
En qué casos sirve whispertranscribe.ai
whispertranscribe.ai es un servicio en el navegador para convertir grabaciones en texto y transcribir en directo desde el micrófono. No funciona como dictado dentro de otras aplicaciones ni tiene una aplicación de escritorio. Estas son las opciones descritas en las páginas del producto:
- Sube grabaciones. Usa voz a texto en línea con archivos de audio o vídeo como MP3, WAV, M4A, MP4 y MOV, de hasta 5 GB y 10 horas. La transcripción por archivo abarca más de 130 idiomas, con detección de hablantes opcional.
- Transcribe desde un enlace. Pega un enlace de YouTube, Vimeo, Google Drive o Dropbox en Transcribir desde URL.
- Graba con el navegador. Puedes grabar y transcribir tu voz sin instalar nada o subir notas de voz.
- Transcribe en directo. La página de transcripción en directo graba el micrófono y muestra lo que se dice como texto en tiempo real. Puedes elegir el idioma, el micrófono y activar la detección de hablantes. La lista de idiomas es más corta que la de los archivos.
- Exporta el resultado. Puedes elegir DOCX, PDF, SRT, VTT, TXT o CSV. El generador de subtítulos con IA crea archivos de subtítulos. También se admiten llamadas grabadas; consulta transcripción de llamadas.
La precisión llega hasta el 99 % con audio claro; el ruido de fondo, los acentos marcados y las voces superpuestas la reducen. Los planes de pago parten de 9,99 USD al mes con facturación anual (precios), y puedes empezar gratis y sin cuenta. Consulta la lista completa en la página de funciones.
Preguntas frecuentes
¿Voice to text y speech to text son lo mismo?
Sí. Ambos nombres se refieren a la misma tecnología: software que escucha el habla y genera texto editable. Speech to text es más habitual en la documentación para desarrolladores de Google y Microsoft, mientras que voice to text es lo que suele buscar el público. Ambas expresiones se refieren al reconocimiento automático del habla. El W3C reserva «reconocimiento de voz» para identificar quién habla, en lugar de reconocer qué dijo.
¿Convertir voz a texto es lo mismo que dictar?
No exactamente. El dictado es un uso: hablas en un campo de texto y las palabras aparecen donde está el cursor, como en la escritura por voz de Windows o el Dictado de Apple. La conversión de voz a texto también abarca la transcripción: convertir una grabación completa, como una entrevista, una clase o una reunión, en texto editable. Si quieres escribir texto nuevo, usa el dictado. Si ya tienes el audio y necesitas un registro escrito, usa una herramienta de transcripción.
¿La conversión de voz a texto necesita internet?
Depende de la herramienta. Microsoft dice que la escritura por voz de Windows necesita internet porque usa reconocimiento del habla en línea. Apple indica que Dictado en iPhone se procesa en el dispositivo y sin internet en muchos idiomas. En Mac, los ajustes de Teclado muestran si el dictado se procesa en el equipo. Transcripción instantánea de Google requiere internet salvo para un idioma sin conexión. Los servicios en la nube, incluidos los que funcionan en el navegador, necesitan conexión para subir y procesar el audio.
¿Convertir voz a texto es gratis?
Las funciones básicas son gratuitas en la mayoría de los dispositivos. Windows, macOS, iOS y Android incluyen escritura por voz o dictado sin coste extra, aunque los idiomas disponibles varían. El coste suele aparecer al transcribir grabaciones largas: muchos servicios ofrecen una prueba o un plan gratuito y después cobran por horas de audio o por suscripción. Antes de pagar, comprueba la duración y el tamaño máximos, los idiomas admitidos y los formatos de exportación incluidos en el plan.
¿Qué precisión tiene la conversión de voz a texto?
Con audio claro de una sola persona cerca del micrófono, los sistemas actuales aciertan la mayoría de las palabras, pero no existe una cifra universal. El ruido, el eco, la distancia al micrófono, los acentos marcados, el vocabulario técnico y las voces superpuestas aumentan los errores. La medida habitual es la tasa de error de palabra, que cuenta las palabras sustituidas, omitidas o añadidas. Escucha el audio para comprobar nombres, números y términos antes de usar la transcripción.
¿La conversión de voz a texto puede identificar a quien habla?
Algunas herramientas pueden. Marcar quién habló en cada momento es un paso aparte llamado diarización de hablantes, que no todas las herramientas incluyen. El dictado integrado supone una sola persona: tú. Los servicios de transcripción suelen añadir etiquetas de hablante; por ejemplo, Azure Speech de Microsoft documenta diarización para hasta 35 personas. Las etiquetas funcionan mejor si las voces son distintas y no se superponen. Revísalas cuando las voces se parezcan o hablen a la vez.
¿Tienes una grabación que quieras convertir en texto? Súbela a whispertranscribe.ai para obtener una transcripción en más de 130 idiomas y exportarla en DOCX, PDF, SRT o VTT.
Referencias
- Google Cloud: Información general sobre Cloud Speech-to-Text (consultada en noviembre de 2026)
- Microsoft Learn: ¿Qué es la conversión de voz a texto? (Azure Speech) (consultada en noviembre de 2026)
- Prabhavalkar, Hori, Sainath, Schlüter y Watanabe: Revisión del reconocimiento del habla de extremo a extremo (arXiv 2303.03329)
- W3C WAI: Reconocimiento del habla y Discapacidades auditivas
- Soporte de Microsoft: Usar la escritura por voz para hablar en lugar de escribir en tu PC
- Soporte de Apple: Dictar mensajes y documentos en Mac y Dictar texto en el iPhone
- Google: Ayuda de Gboard: escribir con la voz
