Audio y video: transcribir clases, voces y subtítulos

Cuando grabas, el micrófono guarda una onda: miles de mediciones por segundo de cómo vibra el aire. Un modelo de transcripción automática (en inglés se le dice speech-to-text o ASR, reconocimiento automático del habla) convierte esa onda en texto. No lo hace letra por letra: parte el audio en pedacitos de milisegundos, los transforma en una especie de imagen del sonido y predice qué secuencia de palabras es la más probable que haya producido ese sonido.

La palabra clave es probable. El modelo no "sabe" lo que dijiste: apuesta. Por eso entiende bien lo común y falla en lo raro. Con audio limpio y español estándar puede acertar casi todo; con ruido de la 30, dos personas hablando encima o un micrófono lejano, empieza a inventar.

El modelo abierto más usado para esto se llama Whisper, es gratuito, funciona en español y viene en varios tamaños (tiny, base, small, medium, large). Entre más grande, transcribe mejor pero se demora más y pide más memoria.

Qué esperar en la práctica, para que no te sorprenda:

• Nombres propios y siglas: "Nacional" puede quedar bien, pero "Sáenz", "Uniandes", "MinTIC" o "ICFES" salen mal con frecuencia.
• Fórmulas y símbolos: "equis al cuadrado" queda escrito así, en letras, no como x².
• Muletillas: quedan todas ("o sea", "entonces", "¿sí me hago entender?").
• Puntuación: la pone el modelo y a veces parte las frases en lugares raros.
• Varios hablantes: separar quién dijo qué se llama diarización y las herramientas gratis lo hacen regular o no lo hacen.

Regla de oro: la transcripción es un borrador excelente, no un documento final. Siempre pasas los ojos por encima antes de usarla.

Camino 1 (celular, cero configuración). Muchas apps de notas y grabadoras del propio celular ya transcriben. También puedes abrir Google Docs en el computador, entrar a Herramientas → Escritura por voz, y poner el audio a sonar cerca del micrófono. Funciona, es instantáneo y no requiere instalar nada, pero la calidad baja porque el sonido pasa por el aire dos veces.

Camino 2 (Google Colab, mejor calidad y sigue siendo gratis). Colab te presta un computador de Google por un rato, dentro del navegador. Sirve igual desde un portátil viejo. Los pasos:

1. Entras a Colab con tu cuenta de Google y creas un cuaderno nuevo. 2. En el menú Entorno de ejecución → Cambiar tipo de entorno, eliges GPU (el procesador rápido). Sin GPU también corre, solo que más lento. 3. Subes tu archivo de audio arrastrándolo al panel de archivos del lado izquierdo. 4. Corres dos celdas: una que instala Whisper y otra que transcribe.

Un audio de una hora con el modelo small y GPU suele tardar unos pocos minutos. Si el resultado te queda flojo, subes a medium.

Dos advertencias importantes antes de subir nada. Primera: grabar una clase requiere permiso del profesor, y grabar a personas sin avisar es problemático legal y éticamente; en Colombia el manejo de datos personales está regulado por la Ley 1581 de 2012. Segunda: lo que subes a una herramienta en la nube sale de tu computador. Nunca subas una consulta médica, una entrevista laboral confidencial o audios de menores de edad a un servicio del que no leíste las condiciones. Si el contenido es sensible, corre el modelo localmente en tu propio equipo.

Ya tienes un texto largo, feo y sin formato. Ahora entra el modelo de lenguaje (ChatGPT, Gemini, Claude o el que uses en su plan gratis). Aquí hay tres cosas que cambian el resultado por completo.

Uno: dale el texto, no el link. Si le pasas la URL de un video de YouTube y le pides el resumen, muchas veces no puede verlo y alucina, es decir, se inventa un resumen convincente de un contenido que nunca leyó. Pega el transcrito o sube el archivo.

Dos: si es muy largo, pártelo. Los modelos gratuitos tienen un límite de cuánto texto procesan de una. Si te rebota o responde raro, divide el transcrito en bloques de unas 2.000 palabras, resume cada bloque, y al final le pides que una los resúmenes.

Tres: pide estructura y trazabilidad. Un resumen suelto no sirve para estudiar. Pide conceptos, definiciones, fórmulas mencionadas, lo que el profesor dijo que entra en el parcial, y sobre todo pídele que marque el minuto de cada punto, porque el .srt trae las marcas de tiempo. Así puedes volver al audio a verificar.

Y verifica de verdad. El modelo puede leer mal una palabra mal transcrita y construir encima una explicación coherente pero falsa: si Whisper escribió "varianza" donde el profesor dijo "covarianza", el resumen te va a explicar con total seguridad algo que no es. Revisa siempre las definiciones, los números y las fechas contra el audio original. La IA te ahorra el trabajo mecánico; el criterio sigue siendo tuyo.

TTS (text-to-speech, texto a voz) es el camino contrario: le das texto y te devuelve audio. Las voces de hoy ya no suenan a robot de los noventa; leen con entonación y pausas bastante naturales.

Opciones gratis desde Colombia:

• Microsoft Edge, función "Leer en voz alta": abres tu texto en el navegador, le das leer, escoges voz en español (según la versión encuentras varias variantes de español latinoamericano) y grabas la salida del sistema con Audacity, que es gratuito y de código abierto. Es la vía más rápida sin instalar casi nada.
• Editores de video como CapCut o Canva en su plan gratis: pegas el texto en un cuadro y generan la locución dentro del propio proyecto, ya sincronizada con el video.
• Modelos abiertos que corres en Colab, para quien quiera control total y no depender de la nube de nadie.

Tres trucos para que no suene raro: escribe los números como se pronuncian ("tres mil quinientos pesos", no "$3.500"), rompe las frases largas en frases cortas porque la voz respira donde hay punto, y escribe las siglas separadas ("I C F E S") si el sistema las lee pegadas.

Ahora lo serio. La misma tecnología permite clonar una voz con pocos segundos de muestra. Clonar la voz de otra persona sin su permiso —tu profesor, un familiar, alguien famoso— es una suplantación, y es exactamente el método de las estafas telefónicas del "llamé y era la voz de mi hijo". Las reglas mínimas: usa tu propia voz o voces sintéticas genéricas; si vas a usar la de alguien, pide permiso por escrito; y avisa en el video que la voz es generada con IA. Un letrero de "voz generada con IA" no le quita nada a tu trabajo y te protege.

Un archivo de subtítulos es un archivo de texto plano, no magia. El formato más común es SRT y lo puedes abrir y editar en el Bloc de notas. Su estructura es un número, una línea de tiempos y el texto:

1
00:00:00,000 --> 00:00:02,400
Hola, en este video les cuento

2
00:00:02,400 --> 00:00:05,100
cómo transcribimos una clase con IA.

Entender esto te da poder: si Whisper escribió mal un nombre, lo corriges ahí mismo con buscar y reemplazar. Si los subtítulos van adelantados, le sumas segundos a los tiempos (Subtitle Edit, gratuito, lo hace de un solo). El otro formato que verás es VTT, prácticamente igual, usado en páginas web.

Buenas prácticas de subtitulado, que casi nadie aplica y se nota:

• Máximo dos líneas por pantalla y unos 40 caracteres por línea.
• Que cada subtítulo dure al menos un segundo y medio: si pasa volando, nadie alcanza a leer.
• Corta las frases donde hay sentido ("la matriz de covarianza / se calcula así"), no a mitad de palabra.
• Escribe los subtítulos en el mismo idioma del audio; traducir es otra tarea distinta.

Para el video corto, CapCut y Canva en plan gratis hacen lo mismo por caminos parecidos: importas tus clips o imágenes, agregas la locución, y con la función de subtítulos automáticos generas el texto en pantalla. Reviso siempre dos cosas antes de exportar: que los subtítulos no queden tapados por la interfaz de la red social (déjalos en el tercio central) y en qué formato exportas (vertical 9:16 para celular, horizontal 16:9 para YouTube o para proyectar en clase).

Y no lo hagas solo por moda: los subtítulos son accesibilidad real para personas sordas y para todo el que ve videos sin sonido en TransMilenio.