Saltar al contenido
Yaptake
FuncionesPreciosCompararAyuda
Descargar gratis
Yaptake/Video a texto

Transcribe un video a texto en tu navegador

Comprobado el 18 de noviembre de 2026 con el código fuente de la herramienta

Abre un video o un archivo de audio y su voz se convierte en texto: copia la transcripción o guárdala como archivo de texto o como subtítulos SRT o VTT sincronizados con la voz. Entiende español, inglés, italiano, francés, portugués y alemán. Un modelo de voz se ejecuta en tu navegador, así que el archivo nunca se sube.

Transcribe tu video o tu audio

Tu archivo se queda en este dispositivo. Aquí se abre cualquier video o audio que reproduzca este navegador, de hasta 30 minutos. La primera vez, el modelo de voz se descarga, 94 MB, o 125 MB para ejecutarse en la tarjeta gráfica. Marca la casilla si quieres que este navegador lo guarde para la próxima vez.

Cómo transcribir un video o un audio

  1. Elige el idioma que se habla en la grabación: español, inglés, italiano, francés, portugués o alemán.
  2. Abre el archivo: un video MP4, MOV o WebM, o una grabación MP3, M4A o WAV. El sonido se lee con el decodificador de tu propio navegador.
  3. Primero se descarga el modelo de voz: una sola vez si lo guardas en este navegador, o cada vez que abres la página si no. Después, la barra sigue la transcripción, y Cancelar la detiene.
  4. Pulsa Copiar texto o Guardar .txt para la transcripción, o Guardar .srt o Guardar .vtt para los subtítulos. Cada archivo lleva el nombre del tuyo.

Qué se ejecuta en tu navegador

ParteQué es
Modelo de vozWhisper base de OpenAI, el modelo multilingüe, con 74 millones de parámetros
IdiomasEspañol, inglés, italiano, francés, portugués y alemán. Tú eliges, y al modelo se le indica el idioma en lugar de dejar que lo adivine
ConversiónXenova/whisper-base, el modelo en formato ONNX, de 8 bits, con un codificador de media precisión para la tarjeta gráfica
MotorTransformers.js sobre ONNX Runtime Web, en WebAssembly con un solo hilo, y también en WebGPU si el navegador lo ofrece
Descarga94 MB, o 125 MB con WebGPU, desde el servidor de modelos de Yaptake: una sola vez si lo guardas; si no, una vez por visita
VelocidadUn clip de un minuto en 15 a 20 segundos en un Mac con M5 Max sin WebGPU, y en 6 a 10 con él

Licencias: Whisper es MIT, la conversión a ONNX y Transformers.js son Apache 2.0, y ONNX Runtime Web es MIT. Sus avisos están en speech-licenses.txt (en inglés).

Cómo funciona

La herramienta lee el sonido de tu archivo a 16 kHz en mono, tal como lo oye el modelo, y se lo pasa al modelo en un hilo aparte, para que la página siga respondiendo. El modelo sabe el idioma que eliges y escribe lo que oye en ese idioma. Lee 30 segundos cada vez, escribe las palabras y marca cuándo empieza y termina cada tramo de voz. El final de esos 30 segundos puede partir en dos el último tramo, así que los 30 siguientes empiezan donde empezó ese tramo: cada frase se lee entera y una sola vez.

La transcripción empieza un párrafo nuevo tras una pausa de 2 segundos o más. Los subtítulos son esos mismos tramos de voz, normalmente una frase cada uno, en los tiempos que les dio el modelo. Un tramo que solo nombra un sonido, como [Música], queda fuera de los dos, igual que lo que el modelo escriba donde la grabación está en silencio.

Tu archivo se queda en tu dispositivo

Tu video o tu audio nunca se sube: el modelo de voz se ejecuta en este navegador, y la transcripción se hace ahí. Los archivos del modelo vienen del servidor de modelos de Yaptake en Cloudflare, y cada uno se comprueba con la huella integrada en la herramienta antes de ejecutarse. Tu navegador solo los guarda si marcas «Guardar el modelo de voz en este navegador». En la Unión Europea, el Espacio Económico Europeo, el Reino Unido y Suiza la casilla empieza sin marcar, y en el resto, marcada; desmárcala para eliminar el modelo guardado.

El sitio cuenta que se usó la herramienta, en una página en español, y en rangos amplios: la duración de la grabación, cuántas palabras se encontraron, si el modelo se ejecutó en WebGPU o en WebAssembly, si se descargó o ya estaba guardado, y si elegiste guardarlo. Nunca envía el archivo, su nombre ni ninguna de sus palabras, como explica la política de privacidad.

Límites

  • Es un modelo pequeño. Puede entender mal nombres, términos técnicos y voces bajas o que se solapan, así que lee el texto antes de publicarlo. En nuestras pruebas se equivocó más en alemán, francés, portugués e italiano que en español e inglés.
  • Escribe en el idioma que eliges. Si eliges uno distinto del que se habla, escribe palabras equivocadas, una traducción aproximada o frases sin sentido, así que elige el de la grabación: al cambiarlo, el archivo se vuelve a leer.
  • Grabaciones de hasta 30 minutos y 512 MB.
  • Yaptake transcribe en tu Mac con un modelo de voz más grande, Parakeet, que descarga una sola vez, en los mismos seis idiomas.

Preguntas frecuentes

¿Cómo paso un MP4 a texto?

Abre el MP4 en la herramienta de arriba, espera a que aparezca la transcripción y pulsa Copiar texto o Guardar .txt. La imagen no interviene: solo se lee el sonido.

¿Cómo transcribo un audio a texto?

Igual que un video: abre el MP3, M4A, WAV u otra grabación en la herramienta de arriba y pulsa Copiar texto o Guardar .txt. Se abre cualquier archivo de sonido que reproduzca tu navegador, de hasta 30 minutos.

¿Cómo hago un archivo SRT a partir de un video?

Abre el video, espera a la transcripción y pulsa Guardar .srt, o Guardar .vtt para WebVTT. Los subtítulos van sincronizados con la voz. Para adelantarlos o retrasarlos todos, abre el archivo en el conversor de subtítulos (en inglés).

¿Qué idiomas transcribe?

Español, inglés, italiano, francés, portugués y alemán, los seis que transcribe Yaptake. Elige el que se habla antes de abrir el archivo; si lo cambias después, el archivo se vuelve a leer. El modelo no adivina: escribe en el idioma que le indicas.

¿Se sube mi video o mi audio?

No. El modelo de voz se ejecuta en tu navegador, y el archivo nunca sale de tu dispositivo.

¿Por qué la primera transcripción tarda más?

Primero se descarga el modelo de voz, 94 MB, o 125 MB para ejecutarse en la tarjeta gráfica. Si lo guardas en este navegador, después la herramienta arranca en un segundo, más o menos.

¿Por qué no encontró voz?

Puede que la grabación esté en silencio o que tenga música u otros sonidos en lugar de voz. Lo que el modelo escriba sobre un tramo en silencio se descarta.

¿En qué navegadores funciona?

Necesita un navegador con WebAssembly, como una versión reciente de Chrome, Edge, Firefox o Safari. Si el navegador ofrece WebGPU, el modelo se ejecuta en la tarjeta gráfica, y en el Mac que medimos fue el doble de rápido.

Prueba Yaptake

Yaptake transcribe en tu Mac con un modelo de voz más grande, en español, inglés, italiano, francés, portugués o alemán, y edita el propio video a partir de su transcripción: borra una frase y su imagen y su sonido se van con ella. Crea subtítulos a partir de la voz y los incrusta en el video, sin subir nada.

Tus 3 primeras exportaciones completadas en cada Mac son gratis, sin marca de agua, sin cuenta y sin tarjeta de crédito. Después, exportar cuesta 9,99 US$ al mes o 79 US$ al año. Editar es siempre gratis.

Descargar para MacSubtítulos automáticosEliminar muletillasQué se ejecuta en tu Mac

DocumentaciónCompararHerramientas gratisPrivacidadTérminosSoporte
English
Tus opciones de privacidad Hraness