Transcribir audio a texto solía ser un trabajo que se pagaba por minuto y requería horas de trabajo humano. La IA ha cambiado esto completamente, hasta el punto de que hoy la pregunta no es "¿puedo transcribir esto automáticamente?" sino "¿cuál herramienta da mejor resultado para este tipo de audio específico?"
Porque la diferencia entre herramientas es real y significativa. Especialmente para audio en español, donde las diferencias de calidad entre opciones son más marcadas que en inglés.
He probado las siete herramientas principales con el mismo conjunto de audios: una entrevista periodística en español neutro (30 minutos), una reunión de trabajo con varios participantes (45 minutos, español con mezcla de términos técnicos en inglés), un podcast con dos personas (60 minutos, español de España con algunas palabras en catalán intercaladas), y un audio de conferencia grabado con mala acústica (20 minutos).
Publiqué 172 artículos en marzo y fue mi peor mes
Tenía esta web parada y la estoy rehaciendo con IA. Cambié la forma de hacerlo y en once días de agosto ha tenido más visitas desde Google que en todo julio. Te cuento por correo qué cambié.
- · Por qué la oportunidad es mayor ahora, y no menor
- · Lo único que la IA no te puede copiar: tu criterio
- · Cómo hacer que Google te vea en días, no en seis meses
Los resultados son más variados de lo que esperaba.
Resumen: qué usar según tu caso
Si vienes buscando una respuesta directa, aquí la tienes antes de entrar en el detalle.
| Necesitas | Herramienta | Por qué |
|---|---|---|
| Máxima precisión en español de España | Happy Scribe | Puntuación y acentos peninsulares |
| Transcribir sin pagar y sin límite | Whisper en local | Gratis y open source, requiere setup |
| Privacidad total (nada sale de tu equipo) | MacWhisper o Whisper local | Procesamiento 100% offline |
| Reuniones en tiempo real | Otter.ai | Se conecta a Zoom, Meet y Teams |
| Saber quién dice qué (diarización) | Otter.ai o AssemblyAI | La mejor separación de hablantes |
| Editar podcast o vídeo | Descript | Editas cortando texto, no la onda |
| Volumen variable sin suscripción | Sonix | Pago por hora de audio |
| Integrarlo en tu propia aplicación | API de OpenAI o AssemblyAI | Céntimos por minuto |
Whisper (OpenAI): el mejor modelo, la peor experiencia
Whisper es el modelo de transcripción de OpenAI y sigue siendo, en 2026, el estándar de facto de la transcripción automática. El problema es que Whisper es un modelo, no una herramienta de usuario final. Para usarlo directamente necesitas conocimientos técnicos.
El modelo en sí: la precisión de Whisper large-v3 sigue siendo excelente, aunque en 2026 ya no está sola en cabeza: Voxtral, el modelo abierto de Mistral, la supera en tasa de error en los idiomas que cubre — el español entre ellos —, y los modelos de NVIDIA dominan las clasificaciones en inglés. Aun así, Whisper sigue siendo el todoterreno del sector, con más de 90 idiomas y un ecosistema de herramientas que ninguna alternativa tiene. En mi prueba de la entrevista en español neutro, la tasa de error de palabras fue la más baja de todas las herramientas de esta lista. Maneja acentos regionales notablemente bien y en audio de buena calidad produce transcripciones que apenas necesitan corrección. Existe además una versión turbo, bastante más rápida y con una pérdida de precisión mínima, que es la que yo uso por defecto.
El problema de la experiencia de usuario: para ejecutar Whisper necesitas Python, algo de línea de comandos y, con el modelo grande, una GPU decente o mucha paciencia. No tiene interfaz gráfica oficial. No separa hablantes. El resultado es texto plano o subtítulos sin etiqueta de interlocutor.
Dónde brilla Whisper: muchas herramientas de esta lista lo usan como motor por debajo. Si lees que una herramienta "usa tecnología de OpenAI Whisper", eso es exactamente lo que ocurre.
Opciones para usuarios no técnicos: hay aplicaciones que hacen de interfaz: MacWhisper (Mac), Buzz (multiplataforma) o WhisperDesktop en Windows. Todas gratuitas o muy baratas.
Vía API: OpenAI cobra 0,006 $ por minuto de audio con whisper-1. Desde 2025 tiene también modelos de transcripción más nuevos: gpt-4o-transcribe, al mismo precio de 0,006 $/minuto, y gpt-4o-mini-transcribe, a 0,003 $/minuto. Una hora de reunión sale por unos 36 céntimos con el modelo estándar y 18 con el mini. El límite de tamaño de archivo son 25 MB, así que para audios largos hay que trocearlos.
Precio: gratuito en local (open source) / desde 0,003 $ por minuto vía API. Mejor para: developers que quieren integrar transcripción en sus aplicaciones y usuarios técnicos que quieren máxima precisión sin coste de herramientas SaaS.
Puedes profundizar en el modelo, la instalación y el código en mi guía sobre transcribir audio con IA y Whisper, que es la parte técnica que aquí no cabe.
MacWhisper: Whisper para usuarios de Mac
MacWhisper es la forma más sencilla de usar Whisper si tienes un Mac, especialmente con chip Apple Silicon. Es una aplicación nativa que ejecuta los modelos localmente, sin enviar tu audio a ningún servidor.
Lo que hace bien: la velocidad en Macs con chip M es impresionante: el modelo grande transcribe más rápido que el tiempo real en máquinas recientes. La privacidad es total, el audio nunca sale de tu ordenador. La versión Pro añade diarización de hablantes, exportación en múltiples formatos (SRT, VTT, TXT, DOCX) y edición básica.
Lo que hace mal: solo para Mac. La diarización de la versión Pro no llega al nivel de Otter.ai o AssemblyAI. No tiene colaboración ni acceso web.
Precio: hay que fijarse en dónde lo compras, porque hay dos versiones con modelos de precio distintos. La versión directa del desarrollador es una licencia de pago único de unos 59 € con actualizaciones incluidas. La versión de la Mac App Store funciona por suscripción, con una opción de compra vitalicia bastante más cara y funciones de nube facturadas aparte. Si quieres la licencia perpetua clásica, cómprala directamente al desarrollador y compruébalo antes de pagar, porque estos esquemas han cambiado más de una vez.
Mejor para: usuarios de Mac que quieren transcripción local sin costes recurrentes ni privacidad comprometida.
Otter.ai: el mejor para reuniones en tiempo real
Otter.ai tiene un enfoque diferente al resto: está diseñado para transcribir reuniones en tiempo real. Se integra con Zoom, Google Meet y Microsoft Teams, y transcribe mientras la reunión ocurre.
Lo que hace bien: para reuniones de trabajo es la herramienta más completa. Transcribe en directo, identifica a cada participante cuando se configura bien, genera un resumen automático al terminar y marca las tareas pendientes mencionadas. La integración con Notion, Slack y correo es útil.
La diarización es de las mejores de la categoría. En la prueba de reunión con varios participantes identificó correctamente quién hablaba en el 89% de los segmentos, el mejor resultado de todas las herramientas probadas.
Lo que hace mal: en español la precisión cae respecto al inglés más que en otras herramientas. Es claramente un producto optimizado para inglés americano. Con audio malo (conferencias con eco) empeora bastante.
Y el plan gratuito es más restrictivo de lo que parece: 300 minutos al mes, pero con un tope de 30 minutos por conversación y un puñado de importaciones de archivo de por vida. Sirve para probarlo, no para trabajar.
Precio: gratuito (300 min/mes) / Pro unos 16,99 $/mes con pago mensual o 8,33 $/mes con pago anual / Business unos 30 $ por usuario y mes, 19,99 $ con pago anual. Mejor para: profesionales que trabajan en inglés y transcriben muchas reuniones. Para uso intensivo en español hay mejores opciones.
Descript: el editor de audio que transcribe
Descript es una herramienta de edición de audio y vídeo donde la transcripción es el núcleo del flujo de trabajo. La idea es radical: editas el audio eliminando texto de la transcripción, no cortando la onda de sonido.
Lo que hace bien: para podcasters y creadores de contenido el flujo es genuinamente distinto. Transcribes, lees, borras las muletillas ("eh", "o sea", "básicamente") y Descript corta el audio solo. También detecta y elimina silencios largos con un clic.
La clonación de voz permite corregir errores de grabación sin volver a grabar. Es utilísima cuando dices mal una palabra y no quieres regrabar la sección entera. Si te interesa esa función por sí misma, la cubro en cómo clonar tu voz con IA.
Lo que hace mal: la precisión en español es buena pero no la mejor de la lista; Happy Scribe y Sonix la superan. Descript es una herramienta de edición que transcribe, no una herramienta de transcripción que edita. Matiz importante.
Precio: plan gratuito con 60 minutos de material al mes / Hobbyist desde unos 16 $ al mes con pago anual (24 $ mensual) / Creator 24 $ anual (35 $ mensual) / Business 50 $ anual (65 $ mensual). Mejor para: podcasters y creadores de vídeo que necesitan edición además de transcripción. Encaja bien en el flujo que describo en cómo crear un podcast con IA.
Happy Scribe: la mejor precisión en español de Europa
Happy Scribe es, en mis pruebas, la herramienta que mejor maneja el español de España. No es casualidad: la empresa es española y el idioma ha sido prioridad de desarrollo.
Lo que hace bien: la precisión en español peninsular es notablemente mejor que la de Otter.ai y comparable o superior a Whisper en textos conversacionales. La puntuación es la mejor de la lista: las comas y los puntos aparecen donde tienen sentido gramaticalmente, no solo donde hay una pausa en el audio.
También ofrece transcripción humana para cuando la IA no basta: audio muy difícil, idiomas mezclados o terminología muy específica.
Los formatos de exportación son completos: SRT, VTT, TXT, DOCX, con y sin marcas de tiempo.
Lo que hace mal: la prueba gratuita son 10 minutos, poco más que una demo. Para volumen alto el precio sube deprisa. La diarización es correcta pero no llega al nivel de Otter.ai.
Precio: prueba gratuita de 10 minutos / planes desde unos 17 $ al mes por 120 minutos de transcripción con IA, hasta unos 89 $ al mes por 6.000 minutos / minutos extra a unos 0,20 $ / transcripción humana desde unos 2 $ por minuto. El pago anual descuenta bastante. Mejor para: periodistas, investigadores y profesionales en España que necesitan la mejor precisión posible en español. Si trabajas en medios, tengo más casos de uso en IA para periodistas.
Inteligencia Artificial aplicada a negocio
Sin humo. Solo experimentos reales, prompts que funcionan y estrategias de escalabilidad.
Sonix: el mejor equilibrio calidad-precio para volumen variable
Sonix es una plataforma de transcripción con buena precisión en varios idiomas, flujos de colaboración y una política de precios razonablemente transparente.
Lo que hace bien: la precisión en español es buena, similar a Happy Scribe en la mayoría de casos. Tiene el mejor editor de transcripciones en línea de la lista: corregir errores es rápido e intuitivo. Y las herramientas de gestión son sólidas si trabajas en equipo o con muchos archivos.
El modelo de pago por uso, sin suscripción, es lo que lo hace interesante para volumen irregular: pagas por hora de audio y punto.
Lo que hace mal: la diarización automática falla con audio de mala calidad. Con mucho ruido de fondo, la tasa de error sube notablemente.
Precio: pago por uso a unos 10 $ por hora de audio, sin compromiso / plan Premium a unos 5 $ por hora más una cuota de unos 22 $ por usuario y mes. Mejor para: freelances y agencias con volumen variable que prefieren pagar por uso.
Transkriptor: el más accesible para empezar
Transkriptor es la opción más barata de la lista con un plan gratuito razonablemente útil. La precisión no está al nivel de Happy Scribe o Sonix, pero para muchos casos es suficiente.
Lo que hace bien: el plan gratuito es de los más generosos que quedan (ha ido oscilando entre una cuota diaria de unos 30 minutos y una bolsa inicial de minutos, así que compruébalo en su web antes de contar con ello). La interfaz es simple. Funciona bien para entrevistas en español con audio limpio.
Lo que hace mal: con audio complicado —mala acústica, varios hablantes, vocabulario técnico— la calidad cae más que en los competidores. La diarización es básica y los formatos de exportación, limitados.
Precio: plan gratuito / planes de pago en la franja baja del mercado, alrededor de 10-25 $ al mes según minutos y facturación. Verifícalo, porque lo reestructuran a menudo. Mejor para: uso ocasional y para probar la transcripción automática antes de comprometerse con herramientas más caras.
La tabla comparativa definitiva
| Herramienta | Precisión ES | Diarización | Tiempo real | Formatos | Precio |
|---|---|---|---|---|---|
| Happy Scribe | ★★★★★ | ★★★★ | No | ★★★★★ | Medio-alto |
| Whisper / MacWhisper | ★★★★★ | ★★★ | No | ★★★★ | Gratis o pago único |
| Sonix | ★★★★ | ★★★★ | No | ★★★★★ | Medio, por uso |
| Descript | ★★★★ | ★★★★ | No | ★★★★ | Alto |
| Otter.ai | ★★★ | ★★★★★ | Sí | ★★★★ | Medio |
| Transkriptor | ★★★ | ★★★ | No | ★★★ | Bajo |
Cuánto tarda realmente una transcripción
Es la duda práctica que más me llega y casi nadie la responde con números.
| Método | Audio de 1 hora | Notas |
|---|---|---|
| Servicio en la nube (Happy Scribe, Sonix, Otter) | 3-10 minutos | Depende de la cola del servicio |
| API de OpenAI | 2-5 minutos | Troceando el archivo en bloques |
| MacWhisper en un Mac con chip M | 5-15 minutos | Más rápido que el tiempo real |
| Whisper large-v3 con GPU NVIDIA | 5-10 minutos | Con CUDA configurado |
| Whisper large-v3 solo con CPU | 1-3 horas | Puede tardar más que el audio |
| Otter.ai en directo | 0 minutos | Va transcribiendo durante la reunión |
| Transcripción humana profesional | 4-8 horas de trabajo | Y de ahí su precio por minuto |
A eso hay que sumarle la corrección. Para una entrevista en español con buen audio, calcula entre 10 y 20 minutos de revisión por hora transcrita. Para audio malo o con jerga técnica, el doble.
Casos de uso específicos y qué usar en cada uno
Podcast en español (edición y producción): Descript para el flujo de edición. Happy Scribe para la transcripción si Descript no llega a la precisión que necesitas.
Reuniones de trabajo en español: Otter.ai si el equipo habla sobre todo inglés. Happy Scribe o Sonix si el equipo habla español. Y si lo que quieres no es la transcripción sino el acta, mira cómo hacer un acta de reunión con IA: el proceso completo es transcribir y luego pasar el texto por un modelo de lenguaje con una plantilla.
Entrevistas periodísticas: Happy Scribe. La mejor precisión en español y los mejores formatos de exportación para trabajo editorial.
Investigación académica (entrevistas cualitativas): MacWhisper para privacidad total, más edición manual posterior. Happy Scribe si la comodidad importa más que la privacidad.
E-learning y subtitulado de vídeo: Sonix por los formatos completos y el editor de subtítulos. Los subtítulos, además, tienen impacto directo en posicionamiento: lo explico en SEO para YouTube.
Audio técnico (conferencias, webinars): Whisper large-v3 vía API o MacWhisper. El modelo base maneja mejor el vocabulario técnico que las herramientas optimizadas para conversación.
Convertir el audio en algo útil: transcribir es el primer paso, no el último. Una transcripción de una hora son 8.000-10.000 palabras que nadie va a leer. Pásala por un modelo para sacar resumen, decisiones y tareas; tengo la comparativa de herramientas en la mejor IA para resumir textos.
La precisión de puntuación: el detalle que nadie menciona
Hay un aspecto que raramente aparece en las comparativas y que marca una diferencia enorme en la utilidad práctica: la puntuación.
Una transcripción sin puntuación es texto difícil de leer y casi imposible de usar directamente. Punto. Coma. Dónde termina una oración y empieza la siguiente.
Las herramientas difieren enormemente aquí. Whisper es bueno en puntuación básica pero conservador. Happy Scribe tiene la mejor puntuación de la lista para español: las comas están donde gramaticalmente deben estar, no solo donde hay una pausa. Otter.ai es buena en inglés e irregular en español. Transkriptor es básico.
Si vas a usar la transcripción para publicar o compartir sin editarla, la puntuación importa más que el 1-2% de diferencia en tasa de error de palabras.
Privacidad y uso legal o médico: dónde está el límite
Si transcribes conversaciones confidenciales —reuniones con clientes, entrevistas con fuentes, consultas médicas o legales— la privacidad de tus audios importa, y no es solo una cuestión de sensibilidad.
La mayoría de herramientas SaaS envían tu audio a sus servidores. Eso significa que ese audio confidencial está, al menos temporalmente, en la infraestructura de un tercero. Si contiene datos personales de terceros, en España y en la UE eso implica un tratamiento de datos: necesitas base legal, contrato de encargado de tratamiento con el proveedor y saber dónde se alojan esos datos. Con categorías especiales —salud, datos de un procedimiento judicial— el listón es todavía más alto.
Para casos donde la confidencialidad es crítica, MacWhisper o Whisper en local son las únicas opciones de esta lista que procesan el audio completamente en tu máquina, sin comunicación externa.
Y el aviso más importante del artículo: para uso legal o médico, la revisión humana de la transcripción es obligatoria. No es una recomendación de prudencia, es lo que separa una herramienta de apoyo de un problema serio. Un modelo puede equivocarse en una negación, en una cifra, en una dosis o en un nombre propio, y esos errores no se ven leyendo por encima porque el texto resultante suena perfectamente natural. Una transcripción automática sin revisar no vale como historia clínica ni como acta, ni te va a cubrir en una reclamación. Transcribe con IA, revisa con una persona, y deja constancia de que se ha revisado. Si trabajas en estos sectores, tengo el contexto ampliado en IA para médicos y en IA para abogados.
El futuro de la transcripción con IA
La precisión de reconocimiento de voz para idiomas con mucho dato de entrenamiento —inglés, español— ya está en un nivel donde el error humano y el error de la IA son comparables con audio de buena calidad. La diferencia entre herramientas va a seguir estrechándose en precisión básica.
Donde va a haber diferenciación es en la capa de encima: resúmenes, identificación de tareas, integración en flujos de trabajo y búsqueda semántica dentro de archivos de audio. Descript y Otter.ai ya van por ahí.
La otra frontera es el code-switching: audios donde los hablantes cambian de idioma o mezclan dos en la misma frase. Para el español mezclado con inglés técnico —o sea, cualquier reunión de una empresa tecnológica española— todavía hay mucho margen de mejora.
Preguntas frecuentes
¿Cuál es la mejor IA para transcribir audio en español?
Happy Scribe para español de España, sobre todo por la puntuación y por cómo maneja los acentos peninsulares. Whisper large-v3 iguala o supera su precisión bruta de palabras pero puntúa peor y exige conocimientos técnicos. Si el audio es en español latinoamericano y limpio, casi cualquiera de las grandes te va a dar un resultado utilizable.
¿Distingue la IA quién habla en cada momento?
Eso se llama diarización y no todas las herramientas la hacen. Otter.ai es la mejor de esta comparativa: acertó el 89% de los segmentos en mi prueba con varios participantes. AssemblyAI también es muy buena vía API. Whisper por sí solo no la incluye, aunque MacWhisper Pro y varias interfaces la añaden por encima con resultados aceptables.
¿Hay alguna IA para transcribir gratis y sin límite?
Sí: Whisper en local. Es open source, gratuito y sin cuota de minutos, y tu audio no sale de tu ordenador. El precio lo pagas en setup (Python, FFmpeg) y en tiempo de proceso si no tienes GPU. Entre las herramientas con interfaz, todos los planes gratuitos tienen tope: Otter da 300 minutos al mes y Descript 60 minutos de material.
¿Sirve para transcribir una reunión o una entrevista?
Sí, y es de los mejores usos. Para reuniones en directo, Otter.ai se conecta a Zoom, Meet y Teams y transcribe mientras hablas. Para una entrevista grabada, Happy Scribe o Whisper dan mejor calidad. Si la reunión tiene más de dos participantes, prioriza la diarización sobre la precisión pura: un texto perfecto sin saber quién dijo qué sirve de poco.
¿Cuánto tarda en transcribir una hora de audio?
Los servicios en la nube tardan entre 3 y 10 minutos. La API de OpenAI, entre 2 y 5. MacWhisper en un Mac con chip Apple Silicon, entre 5 y 15. Whisper en un ordenador sin GPU puede tardar más que la propia duración del audio. A eso súmale entre 10 y 20 minutos de corrección humana por hora transcrita.
¿Es fiable para uso legal o médico?
Como apoyo sí, como documento final no. La revisión humana es obligatoria en estos contextos: un modelo puede equivocarse en una negación, una dosis o una cifra, y el texto seguirá sonando perfectamente natural, así que el error no se detecta leyendo por encima. Una transcripción sin revisar no vale como historia clínica ni como acta, y además tratar audio con datos de salud o judiciales exige contrato de encargado de tratamiento con el proveedor.
¿Cuánto cuesta transcribir con la API de OpenAI?
El modelo whisper-1 y gpt-4o-transcribe cuestan 0,006 dólares por minuto de audio, y gpt-4o-mini-transcribe cuesta 0,003. Una reunión de una hora sale por unos 36 céntimos con el modelo estándar y 18 con el mini. El límite de tamaño de archivo son 25 MB, así que para grabaciones largas hay que trocear el audio antes de enviarlo.
¿Puedo transcribir sin que mi audio salga de mi ordenador?
Sí. Whisper en local o MacWhisper procesan todo en tu máquina, sin conexión a servidores externos. Es la única opción de esta lista que garantiza confidencialidad absoluta y la que recomiendo para entrevistas con fuentes, conversaciones con clientes bajo acuerdo de confidencialidad y cualquier audio con datos sensibles.
¿Qué precisión tiene realmente la transcripción automática?
Con audio limpio, un solo hablante y español estándar, las mejores herramientas rondan el 95-98% de palabras correctas, que es nivel comparable al de un transcriptor humano. Con varios hablantes solapados, ruido de fondo o vocabulario técnico, esa cifra puede caer al 80-90%, y ahí es donde el tiempo de corrección se dispara. La calidad del micrófono influye más en el resultado final que la elección de herramienta.
¿Merece la pena pagar o me apaño con lo gratis?
Si transcribes menos de una hora al mes, el plan gratuito de cualquiera te sirve. Si transcribes varias horas y tienes conocimientos técnicos, Whisper en local es gratis e ilimitado y es lo que yo recomiendo. Pagar tiene sentido cuando necesitas diarización decente, transcripción en tiempo real, exportación a formatos concretos o trabajar en equipo sobre el mismo archivo.
