Guía

Cómo transcribir una grabación de dos horas

Los archivos largos fallan de formas que los cortos nunca conocen: precio por minuto, límites de subida, memoria y transcripciones que se disuelven en texto repetido a mitad de camino.

30 August 2026

Una nota de voz de diez minutos se transcribe bien en casi cualquier cosa. Una reunión de consejo de dos horas es otro problema, y la mayoría de herramientas lo llevan mal de una de estas cuatro formas concretas.

Si tienes una grabación larga y estás intentando averiguar por qué no va bien, este es el mapa.

Las cuatro cosas que se rompen #

1. El precio, si pagas por minuto #

La transcripción en la nube se suele vender por minuto de audio. A una tarifa típica, una grabación de dos horas cuesta unos pocos dólares: aceptable una vez, doloroso como costumbre. Si grabas una reunión semanal de dos horas, te espera una suscripción que sí vas a notar, por algo que tu portátil puede hacer mientras te preparas un café.

Este es el más fácil de resolver de los cuatro: la transcripción local no tiene contador por minuto, porque no hay contador que tener.

2. El tiempo de subida y los límites de archivo #

Un WAV de dos horas puede ocupar varios cientos de megabytes. Subir eso con el Wi-Fi de un hotel tarda más de lo que duró la reunión, y muchos servicios limitan el tamaño o la duración del archivo y sencillamente lo rechazan.

El apaño al que recurre la gente es comprimir o dividir el archivo antes de subirlo, lo que cuesta calidad y crea los problemas de límite del punto cuatro.

3. La memoria, en tu propia máquina #

Si transcribes en local, la herramienta tiene que mantener el audio en memoria como muestras en bruto. Dos horas a 16 kHz son unos 470 MB de muestras en coma flotante, y Whisper construye encima un espectrograma de tamaño comparable.

En un Mac con 16 GB de RAM nadie lo nota. En un iPhone, una app que carga ingenuamente el archivo entero acaba eliminada por el sistema a mitad de proceso, y por eso algunas apps móviles de transcripción limitan la duración de los archivos sin decirlo, o se cierran con grabaciones largas sin explicar por qué.

La solución es transcribir por ventanas: decodificar un fragmento, transcribirlo, liberarlo y seguir. El pico de memoria pasa a depender del tamaño de la ventana y no de la duración del archivo, y una grabación de dos horas cuesta más o menos lo mismo que una de quince minutos.

4. La transcripción se desmorona por la mitad #

Este es el que sorprende a la gente, porque los primeros diez minutos parecen perfectos.

Las grabaciones largas contienen silencio: antes de que empiece la reunión, durante la pausa, después de que todos se vayan. Whisper genera texto para lo que sea que se le dé y, cuando se le da silencio, se repite, a veces durante páginas. Escribimos sobre la causa en detalle, porque es la queja más habitual sobre la transcripción automática.

En un archivo de dos horas esto no es un problema cosmético. Puede convertir el último cuarto de tu transcripción en ruido.

Cómo conseguir una pasada limpia #

Graba el archivo de forma que se pueda transcribir #

Todo lo que viene después se decide aquí, y merece treinta segundos de reflexión antes de una sesión larga:

• Acerca el micrófono más a quienes hablan que al aire acondicionado. Un teléfono en el centro de la mesa de una sala de juntas es el error clásico: está a la misma distancia de todos, lo que significa que está lejos de todos.
• Graba sin comprimir si puedes. WAV o M4A a un bitrate normal. La compresión fuerte elimina justo el detalle de alta frecuencia que distingue consonantes parecidas.
• Detén la grabadora cuando acabe la reunión. Veinte minutos de ruido de recogida son la materia prima del problema de repetición.

Fija el idioma de forma explícita #

La detección automática muestrea el principio del archivo. Si tu grabación abre con treinta segundos de ruido de sala, o con alguien hablando un idioma distinto del resto de la reunión, la detección puede elegir mal y seguir equivocada durante dos horas.

Si conoces el idioma, fíjalo. En Offline Transcription puedes mantener pulsado el botón Transcribir de un archivo y elegir su idioma directamente, algo que importa sobre todo cuando transcribes un lote de grabaciones en idiomas distintos.

Lánzalo y ponte a hacer otra cosa #

Un archivo de dos horas en un Mac moderno con Apple Silicon tarda minutos, no horas: el motor en el dispositivo va varias veces más rápido que el tiempo real. En un Mac Intel antiguo es más lento, y conviene lanzarlo antes de comer en vez de quedarse mirando.

Lo que quieres de la app mientras corre es honestidad: un porcentaje y un tiempo restante, para saber si está trabajando o atascada. Un indicador giratorio sin progreso en un archivo de dos horas es indistinguible de un cuelgue.

Revisa los límites, no el conjunto #

No vas a corregir dos horas de texto. Ni falta que hace.

Los errores de una transcripción larga se concentran en sitios predecibles: nombres y acrónimos, el primer minuto (antes de que el modelo tenga contexto), los momentos en que la gente habla a la vez y cualquier punto en que la grabación cambia de carácter: alguien se une por manos libres, la sala se mueve, se reproduce un vídeo.

Una vista por segmentos con marcas de tiempo hace esto rápido: repasa esos momentos y reproduce el audio que hay detrás de cualquier línea que parezca mal, en vez de arrastrar por una forma de onda de dos horas para encontrarla.

Si tienes un montón de grabaciones largas #

La mecánica de cada archivo importa menos que la cola. Suéltalos todos, deja que se procesen en secuencia y vuelve más tarde: en local no hay motivo para hacerlos de uno en uno, porque no hay subida ni coste por archivo.

Lo único que merece la pena hacer archivo por archivo es fijar el idioma, si difieren.

La versión corta #

Las grabaciones largas fallan por precio, límites de subida, memoria y repetición inducida por el silencio. La transcripción local elimina los dos primeros de raíz. Para los otros dos, quieres una herramienta que transcriba por ventanas en vez de cargar el archivo entero, y que ejecute detección de actividad de voz para que los tramos silenciosos nunca lleguen al modelo. Después revisa la transcripción en los límites en vez de leer las dos horas enteras.

Offline Transcription aborda el caso de las dos horas específicamente: transcripción por ventanas para que la memoria se mantenga plana, detección de voz para que el silencio no se convierta en texto repetido y progreso en vivo con tiempo restante para que sepas por dónde vas. Es gratis de descargar y probar, en Mac y iPhone.