Dos formas de convertir voz en texto
Qué hace esta herramienta
Speech to Text reúne dos motores independientes con un mismo objetivo. El modo en tiempo real recurre a la Web Speech API —la interfaz SpeechRecognition presente en los navegadores actuales— y va escribiendo las palabras sobre la página mientras hablas: primero como texto provisional y, al hacer una pausa, como línea definitiva. El modo Archivo de audio, en cambio, carga un modelo de IA Whisper en tu navegador y transcribe una grabación que ya tienes, sin escuchar ningún micrófono.
Cuándo usar cada modo
El dictado en tiempo real es ideal para capturar ideas con las manos libres: notas de una reunión, un borrador rápido o un recordatorio que prefieres decir antes que escribir. Rinde especialmente bien en sesiones breves y en directo, donde ver el texto al instante ayuda a mantener el ritmo.
El modo Archivo de audio conviene más al material ya existente: una entrevista, una clase, una nota de voz o la pista de audio de un vídeo. Una vez descargado el modelo Whisper, el navegador lo conserva, así que los trabajos siguientes empiezan sin otra descarga, algo práctico para grabaciones largas y para varios archivos.
Un recorrido rápido
Para trabajar en directo, elige tu idioma en el desplegable, pulsa Iniciar Grabación y concede el acceso al micrófono cuando el navegador lo solicite; tu voz llena la transcripción y luego puedes editarla. Para una grabación, cambia a la pestaña Archivo de audio, escoge un modelo —Tiny si buscas velocidad, Small para más precisión multilingüe— y suelta un archivo MP3, WAV, MP4 o similar. La primera vez, antes de pulsar Transcribir, verás cuánto va a descargar el modelo; al terminar, el texto queda listo para copiar o descargar.
Compatibilidad y detalles a tener en cuenta
El reconocimiento en tiempo real depende del navegador: Chrome, Edge y Safari implementan la Web Speech API, mientras que Firefox no, así que allí conviene usar el modo Archivo de audio. Las versiones recientes de Chrome pueden instalar un modelo de idioma en el dispositivo y mantener el audio del micrófono en local; de lo contrario, el habla la procesa el servicio de voz del fabricante del navegador. Ambos modos comparten una lista de 22 opciones que cubre 18 idiomas (inglés, español, portugués y chino tienen cada uno dos variantes regionales), así que elige el que hablas antes de empezar: el modo Archivo de audio usa tu elección en lugar de detectar el idioma e ignora la región. El modo Archivo de audio acepta formatos de audio y vídeo habituales hasta 500MB; con vídeo, extraer antes el audio acelera el proceso y mejora el resultado.