Herramientas de IA para subtítulos y transcripción: cuál usar para qué

Transcribir a mano una entrevista de una hora le lleva a una persona con práctica cuatro o cinco horas. Las herramientas de transcripción con IA lo reducen a minutos. Pero lo de «minutos» engaña un poco: el texto que sale de la máquina también hay que corregirlo, y según el idioma, el acento y la grabación, esa corrección puede ser más o menos larga.

Aquí repasamos las herramientas más citadas para transcripción y subtítulos, para qué sirve cada una y qué se puede esperar de forma realista.

Dos necesidades distintas

Transcripción y subtítulos usan la misma tecnología, pero buscan cosas diferentes. En una transcripción importa el texto completo y exacto: quién dijo qué y en qué minuto. Entrevistas, clases, reuniones, notas de pódcast. En los subtítulos importa la legibilidad: longitud de línea, tiempo en pantalla, sincronía con la voz. Volcar una transcripción tal cual como subtítulos suele quedar mal, porque las frases largas tapan media pantalla.

Así que, antes de elegir, piensa qué vas a hacer más a menudo.

Descript: edición y transcripción en uno

Según su página de precios, Descript ofrece transcripción automática en 25 idiomas, español incluido, en todos los planes. Detecta y etiqueta automáticamente a más de ocho hablantes, y traduce subtítulos a 61 idiomas.

Lo que lo diferencia es que usa la transcripción como herramienta de edición. Borras una frase del texto y desaparece también del vídeo. Para quien monta entrevistas o produce pódcasts, es un método muy potente. Con el glosario de transcripción (Transcription glossary) puedes registrar nombres y términos que usas a menudo para mejorar la precisión, aunque en la tabla de precios esta función aparece asociada a los planes superiores.

Los planes: Free con 60 minutos de medios al mes y exportación a 720p. Hobbyist por 24 dólares al mes o 16 con pago anual, con 10 horas de medios y 1080p sin marca de agua. Creator por 35 o 24 dólares, 30 horas y 4K. Business por 65 o 50 dólares, 40 horas y doblaje a más de 30 idiomas.

Ojo: Descript cuenta como «horas de medios» cualquier archivo que importes o grabes, lo transcribas o no. Si subes todo tu material en bruto, la cuota se acaba enseguida.

ElevenLabs Speech to Text

Casi todo el mundo asocia ElevenLabs con locuciones. Pero con la misma bolsa de créditos también convierte voz en texto. Según las preguntas frecuentes de su página de precios, consume unos 330 créditos por minuto. Con los 10.000 créditos del plan Free salen unos 30 minutos al mes; con los 30.000 de Starter, unos 90 minutos; con los 121.000 de Creator, unas 6 horas. Si gastas los mismos créditos en locuciones, claro, salen menos.

Si ya pagas ElevenLabs para voces, es una forma cómoda de sacar alguna transcripción de vez en cuando sin otra suscripción. Eso sí, no hay interfaz de edición: recibes el texto y el resto corre de tu cuenta.

Pictory y los subtítulos automáticos de las herramientas de vídeo

En generadores de vídeo como Pictory, los subtítulos automáticos vienen en todos los planes. Según su página de precios se pueden exportar en .srt, .vtt o txt. La prueba gratuita dura 14 días y los planes de pago empiezan en 25 dólares al mes con facturación anual. Pero su FAQ habla de 7 idiomas en el plan Starter y 29 en Professional y Teams, sin que la lista se vea en la página. Si necesitas subtítulos en un idioma concreto, compruébalo durante la prueba.

Plataformas de avatares como HeyGen y Synthesia también generan subtítulos automáticos. Merecen la pena si ya produces vídeo allí; solo por los subtítulos no compensa otra suscripción.

Opciones gratuitas

YouTube Studio genera subtítulos automáticos en español para los vídeos que subes. La calidad varía, pero puedes editarlos y publicarlos. Si solo te interesa YouTube, quizá no necesites nada más.

CapCut es la herramienta gratuita más extendida para subtítulos automáticos en vídeos cortos. La mayoría de quienes hacen Shorts y Reels la usa.

Si tienes algo de soltura técnica, los modelos de reconocimiento de voz de código abierto se pueden ejecutar en tu propio ordenador: gratis y sin que la grabación salga de casa. Requieren instalación y algo de hardware, pero para grabaciones delicadas es una ventaja clara frente a la nube.

Dónde suelen fallar las transcripciones automáticas

En las reseñas de usuarios, las quejas se concentran en unos pocos puntos. Conocerlos ayuda a calcular cuánto tiempo de corrección necesitarás.

Nombres propios y palabras extranjeras. Nombres de personas, marcas y términos técnicos en inglés salen mal escritos con frecuencia. «Kubernetes» puede convertirse en cualquier cosa.

Acentos y habla rápida. Con acentos regionales marcados o gente que habla muy deprisa, la precisión baja de forma notable. También pesa la variante: un modelo puede ir mejor con el español de España que con el rioplatense, o al revés.

Gente hablando a la vez. Cuando dos personas se pisan, cualquier herramienta devuelve un batiburrillo.

Puntuación. Las herramientas la adivinan. En frases largas y llenas de subordinadas, los puntos acaban en sitios raros.

Idiomas con menos datos. En lenguas con palabras muy largas o muchas terminaciones, como el turco o el alemán, los límites entre palabras se confunden más. Si trabajas con varias lenguas, cuenta con más corrección en esas.

La expectativa realista: con una grabación limpia obtienes un borrador legible, pero para un texto que se va a publicar hay que escucharlo entero una vez y corregir. Para una hora de grabación, entre media hora y una hora de corrección. Aun así, mucho más rápido que teclearlo.

La grabación cambia más que la herramienta

La forma más barata de mejorar una transcripción no es cambiar de herramienta, sino grabar mejor. Micrófono de solapa o un micro a un palmo de la boca, una habitación con alfombra y cortinas, nada de música ni aire acondicionado de fondo. En entrevistas, un micrófono y una pista por persona. La transcripción multipista de Descript (Multitrack transcription) identifica entonces a cada hablante con mucha más fiabilidad.

Si la grabación ya es mala, prueba antes una limpieza de ruido: Studio Sound en Descript o el Voice Isolator de ElevenLabs (unos 1.000 créditos por minuto).

Formatos de subtítulos

Uses lo que uses, importa poder exportar los subtítulos como archivo. El formato más común es .srt, que leen YouTube, la mayoría de reproductores y los programas de edición. Para reproductores web está .vtt. Los subtítulos incrustados (burned-in) no se pueden desactivar, pero se ven en cualquier dispositivo en redes sociales.

Subir a YouTube un .srt aparte tiene una ventaja frente a incrustarlos: YouTube puede leer ese texto y usarlo para entender el contenido del vídeo. En Shorts y Reels, en cambio, lo normal es incrustarlos, porque casi todo el mundo los ve sin sonido.

Privacidad

Lo que subes a una herramienta en la nube se procesa en los servidores de esa empresa. Con consultas médicas, conversaciones entre abogado y cliente o reuniones internas confidenciales, es un asunto serio, y el RGPD impone obligaciones cuando se transfieren datos personales fuera de la UE. Descript afirma cumplir SOC 2 Type II y mantener la confidencialidad de los proyectos; en su plan empresarial figuran la exclusión de los datos de entrenamiento y plazos de conservación personalizados. Aun así, para grabaciones sensibles es más seguro algo que funcione en local.

Qué herramienta para quién

Edición de pódcasts y entrevistas trabajando sobre el texto: Descript. Para un pódcast semanal suele bastar Hobbyist.

Ya tienes ElevenLabs y solo necesitas una transcripción de vez en cuando: ElevenLabs Speech to Text, sin suscripción aparte.

Solo subtítulos para vídeos de YouTube: los automáticos de YouTube Studio, repasados a mano.

Subtítulos incrustados para Shorts y Reels: CapCut o Descript.

Grabaciones delicadas y confidenciales: un modelo de código abierto que funcione en local.

Preguntas frecuentes

¿Cómo paso un audio a texto gratis?

El plan gratuito de Descript da 60 minutos de medios al mes. El plan Free de ElevenLabs da créditos para unos 30 minutos de transcripción al mes.

¿Qué precisión tienen los subtítulos automáticos?

Con una grabación limpia dan un borrador legible; fallan con nombres propios, términos técnicos y habla rápida. Revísalos una vez antes de publicar.

¿Puedo traducir los subtítulos a otro idioma?

Descript traduce subtítulos a 61 idiomas. Si lo que quieres es pasar la propia voz a otro idioma, mira nuestra guía de doblaje con IA.

¿Cómo consigo un archivo SRT?

Descript, Pictory y casi todas las herramientas de subtítulos exportan .srt. En YouTube Studio también puedes descargar los subtítulos.

Fichas de las herramientas: Descript, ElevenLabs, Pictory.

Páginas citadas en esta guía