Convierte MP3 a texto Gratuito y preciso

La mayoría de los "transcritos gratuitos" limitan el uso a unos pocos minutos al día o añaden una marca de agua a la salida hasta que se realiza el pago. ScribeGrab se ejecuta en nuestra propia GPU, por lo que no hay costes por minuto ni límites diarios: archivos individuales de hasta 60 minutos y 1,5 GB, aproximadamente 100 idiomas detectados automáticamente y su archivo se elimina en el momento en que se completa el proceso.

MP3 es el formato en el que terminan la mayoría de las grabaciones, por lo que ScribeGrab lo lee directamente, sin necesidad de conversión previa. ¿Tiene un archivo diferente? WAV, M4A, FLAC, OGG, AAC y los formatos de vídeo más comunes funcionan de la misma manera. Consulte la sección general Conversión de voz a texto que también incluye notas de voz del teléfono. Conversión de audio a texto para ver la lista completa.

1. Abra ScribeGrab y haga clic en "Abrir la herramienta".
2. Arrastre su archivo MP3 (hasta 60 minutos / 1,5 GB).
3. Permita que nuestro modelo de voz lo transcriba en nuestra GPU.
4. Descargue la transcripción como TXT, además de SRT/VTT si desea subtítulos.

Lo primero que la gente pregunta sobre un archivo MP3 es si tiene la calidad suficiente para transcribirlo. Casi siempre, la respuesta es sí. El reconocimiento de voz no "escucha" como lo haces tú: el audio se remuestrea a 16 kHz mono antes de que el modelo lo procese, porque ahí es donde reside la información del habla humana. Un archivo estéreo de 320 kbps y un archivo mono de 128 kbps terminan en un punto casi idéntico, e incluso las grabaciones de voz de 64 kbps suelen transcribirse sin problemas. La tasa de bits no es lo que debes tener en cuenta.

Lo que realmente determina la precisión es la propia grabación, y en orden de importancia: distancia al micrófono (un teléfono sobre la mesa a dos metros de distancia causa más problemas que cualquier códec), superposición de voces, reverberación excesiva en una habitación vacía con paredes paralelas, y ruido de fondo constante como el aire acondicionado, el tráfico o el ventilador de una computadora portátil. Una grabación de 96 kbps con un micrófono cercano siempre supera a una grabación sin pérdidas con un micrófono ambiental.

Esto significa que las mejoras más útiles son las que se realizan antes de la grabación, no después. Acerca el grabador a la persona que está hablando. Si hay dos personas hablando, colócalo entre ellas en lugar de delante de una. Apaga el ventilador. Y si ya tienes el archivo y es de mala calidad, transcríbelo de todos modos: es gratis, toma solo unos minutos y aprenderás más leyendo el resultado que adivinando si vale la pena intentarlo.

MP3 es el formato al que la gente se refiere cuando dice "archivo de audio", pero rara vez es la única copia que tienes, y a veces otro formato es mejor. Si tienes ambos, usa la lista que aparece a continuación.

• WAV o FLAC — sin comprimir o comprimido sin pérdida de calidad. Úselos si los tiene; son más grandes, pero no se ha eliminado información. FLAC ocupa aproximadamente la mitad del espacio que WAV para el mismo audio.
• M4A / AAC — el formato que utilizan las grabaciones de voz del iPhone y la mayoría de los dispositivos de grabación modernos. Ligeramente más eficiente que MP3 con la misma tasa de bits. Suba el archivo directamente, no es necesaria la conversión.
• MP3 — un formato universal, que funciona bien con cualquier tasa de bits a partir de 64 kbps para el habla.
• OGG / Opus — el formato que utilizan las notas de voz de WhatsApp y las grabaciones de Discord. Excelente a bajas tasas de bits. Suba el archivo tal cual.
• MP4, MOV, MKV, WebM — archivos de video. No es necesario extraer el audio primero; la pista de audio se extrae en el servidor.

Convertir un archivo MP3 a WAV antes de subirlo no sirve para nada, excepto para aumentar el tamaño del archivo, porque la información que el MP3 eliminó no se recupera. Omita ese paso. Los archivos de hasta 60 minutos se procesan de una sola vez, y obtendrá una transcripción en texto sin formato, además de SRT y VTT archivos de subtítulos del mismo proceso, ya sea que la fuente sea audio o video.

Un archivo MP3 de entrada, tres archivos de salida, todos del mismo proceso: elija el que mejor se adapte a lo que está haciendo:

• transcript.txt — texto sin formato, una línea por frase. Este es el formato ideal para leer, buscar, citar o copiar en un documento.
• subtitles.srt — las mismas palabras con códigos de tiempo de inicio y fin en el formato que aceptan casi todas las plataformas y editores de vídeo. Útil incluso para audio puro: así es como se encuentra dónde en una grabación de dos horas se dijo algo.
• subtitles.vtt — la versión nativa para la web del mismo formato, para un reproductor HTML5 o un editor basado en el navegador.

Cuando hablan varias personas, la transcripción también incluye etiquetas de oradorSe determinan a partir de las propias voces; la herramienta mide las características de cada segmento hablado y agrupa los similares, por lo que son una estimación fundamentada, no una certeza. Dos personas con voces similares pueden acabar combinadas, y una persona que se acerca y se aleja del micrófono puede dividirse en dos. Considere las etiquetas como una primera versión que corregirá en breve, no como una transcripción de quién dijo qué en un juicio.

Una transcripción nunca se puede publicar tal cual, independientemente de la herramienta que la haya generado. Realizar la limpieza en este orden requiere una fracción del tiempo:

1. Primero, corrija los nombres propios, utilizando la función de búsqueda y reemplazo. Los nombres, las empresas, los lugares y la jerga son los elementos que los modelos de voz suelen identificar incorrectamente, y lo hacen con frecuencia de forma consistente — el mismo nombre se malinterpreta de la misma manera cada vez. Una única corrección general por nombre soluciona veinte instancias.
2. Luego, revise para identificar los límites de las frases. La puntuación se infiere a partir de las pausas y la entonación, por lo que un orador que se interrumpe repentinamente tendrá un punto final en un lugar inusual. Esto es una revisión rápida, no una reescritura.
3. A continuación, corrija las etiquetas de los oradores, una vez que conozca los nombres, antes de empezar a editar el texto, mientras la estructura aún coincida con el audio.
4. Solo entonces edite para mejorar la legibilidadelimine las palabras de relleno, reduzca las repeticiones y corte las frases incompletas. Haga esto al final, porque cada paso anterior es más fácil con un texto literal.

Dos cosas ahorran más tiempo que todo lo anterior. Mantenga el archivo SRT abierto junto al texto: cuando un fragmento parezca confuso, el código de tiempo le lleva directamente a ese segundo del audio para que pueda escuchar en lugar de adivinar. Y si usted mismo está grabando el audio, acerque el micrófono al orador: un teléfono colocado sobre la mesa a un metro de distancia le costará más precisión de la que cualquier configuración pueda compensar, y es el único factor que está completamente bajo su control.