Apps de voz a texto: cuál elegir

Una app de voz a texto, en una línea: tú hablas, ella escribe

Aquí tienes todo el mecanismo, sin marketing. Pulsas una tecla. Hablas. La app graba tu voz, la pasa por un modelo de reconocimiento y las palabras aparecen como texto. Con nuestra app, Whisper by Remskill, el valor por defecto es Ctrl+Space en Windows y mantener command+option en macOS: pulsa, habla, suelta, y la transcripción se pega en el cursor de la app en la que ya estabas.

Esa última parte es la que la mayoría pasa por alto al comparar apps. Una app de voz a texto solo es tan útil como el lugar donde puede poner el texto. Apple Dictation escribe en apps de Mac e iOS. La voz a texto de Windows se abre con la tecla del logotipo de Windows + H y funciona en cualquier campo de texto de un PC. La escritura por voz de Google Docs solo funciona dentro de Google Docs, en Chrome. Todas transcriben; no todas llegan a todas partes. Así que, antes de comparar puntuaciones de precisión, pregúntate dónde necesitas que aparezca el texto.

Cómo funciona una app de voz a texto (ASR más la pasada de limpieza)

Por debajo, toda app de voz a texto hace dos cosas distintas, y confundirlas es donde fallan las reseñas.

La primera es la transcripción: el reconocimiento automático del habla convierte la forma de onda del audio en una cadena de palabras. Esta es la parte difícil, y es donde se nota la calidad del modelo. El modelo Parakeet de NVIDIA, que ofrecemos como una de las opciones de motor, registra una tasa media de error por palabra del 6,34 % en el Open ASR Leaderboard de Hugging Face. Dragon Professional anuncia "hasta un 99 % de precisión de reconocimiento, desde el primer uso". Cifras así son reales, pero describen audio limpio en una sala silenciosa. El ruido de fondo y un micrófono barato de portátil las mueven más que cualquier cambio de modelo.

La segunda es la pasada de limpieza: convertir "envíale el archivo eh la segunda versión no la primera" en una frase con mayúscula inicial y punto. Las mejores apps ejecutan un paso extra de IA aquí para arreglar la puntuación, las mayúsculas y el ocasional "eh". Esa limpieza también es donde se interpretan los comandos dictados, donde se recortan las muletillas y donde un muro de palabras encadenadas se convierte en algo que enviarías. La transcripción te da las palabras. La pasada de limpieza te da un texto que no tienes que volver a teclear.

Qué separa a una buena app de un simulador de tecleo

La mayoría de las apps de voz a texto superan el listón básico: aciertan las palabras casi siempre. Lo que separa una herramienta que conservas de una que desinstalas en una semana se reduce a unas cuantas cosas que rara vez aparecen en la tabla de funciones.

La latencia, primero. Si hay una pausa larga entre que terminas una frase y aparece el texto, pierdes el hilo y empiezas a releer en lugar de hablar. La precisión con tu voz, segundo: no la voz de la demo, la tuya, con tu acento, en tu habitación. La cobertura de idiomas, tercero, si no trabajas en inglés. Y el alcance: ¿puede escribir en la única app en la que vives, o solo en una pestaña del navegador?

Y luego está la aburrida que nadie promociona: adónde va tu audio. Una herramienta integrada del sistema operativo y una app local guardan la grabación en tu máquina. Una app en la nube la sube. Para una lista de la compra, a quién le importa. Para un borrador legal o una nota clínica, es toda la decisión. Ya llegaremos a eso.

Qué pinta tiene Whisper by Remskill

Ya que sigo mencionando nuestra app, esto es lo que es, para que la comparación sea justa. Whisper by Remskill es una app de escritorio de todo el sistema, no una extensión de navegador, ni un complemento de Word, ni un bot de reuniones. Mantienes el atajo, hablas, sueltas, y la transcripción aterriza en tu cursor en cualquier app o campo de texto.

Para la transcripción eliges una de tres vías. Local Whisper ejecuta ocho tamaños de modelo, desde Base (~140 MB) hasta el multilingüe Large v3 (~3 GB), admite 99 idiomas en las variantes multilingües y puede traducir al inglés. Local Parakeet (~600 MB) es de 5 a 10 veces más rápido que Whisper en CPU y cubre inglés más 24 idiomas europeos. El modo Cloud usa tu propia clave de OpenAI para quienes quieren los modelos más recientes y respuestas web en directo. Toda la transcripción local corre en Rust puro, totalmente en el dispositivo, y funciona sin conexión. La app no elige por ti. Muestra las tres vías y tú eliges según la velocidad, los idiomas o la precisión. Para la lista completa de cómo se comparan las herramientas de dictado, nuestra guía de software de transcripción recorre las mismas concesiones en más herramientas.

Deciding between the two local engines is the most common question we get, and our Whisper vs Parakeet explainer breaks down speed, language coverage, and accuracy side by side.

Nube vs. local: adónde va tu voz

Esta es sobre la que tengo una opinión firme. La voz a texto solo en la nube es un problema de privacidad en el que la mayoría no piensa hasta que es demasiado tarde. La hoja de cálculo con el salario de tu jefe, el correo a la escuela de tu hijo, el borrador de un contrato: nada de eso debería quedar en los registros de un proveedor solo porque querías escribir con la voz.

Una vez vi a un equipo de una empresa con la que trabajé acumular una factura de IA en la nube de cinco cifras en un solo trimestre, porque un bucle de "reintento inteligente" no paraba de retranscribir las mismas grabaciones de la daily cuatro veces. El director financiero abrió el panel en la revisión trimestral y la sala se quedó en silencio. El coste fue el titular. El problema más silencioso era que cada reunión grabada se había enviado a una API de terceros para descubrirlo.

Local-first resuelve ambas cosas. Nuestro pipeline local nunca envía tu audio a ningún sitio; el modo Cloud es la excepción opcional, y es tu propia clave de OpenAI, no la nuestra. Wispr Flow, el competidor directo más parecido, es solo de nube. El audio sale del dispositivo por diseño. Ningún enfoque está mal. Pero si tu trabajo toca algo que dudarías en enviar por correo, ejecútalo en tu propia máquina.

Palabras en bruto entran, texto limpio sale: el paso de limpieza con IA

La pasada de limpieza merece su propia mención porque es la diferencia entre una transcripción y un texto utilizable. El reconocimiento te da las palabras en orden. No siempre te da una frase.

En modo local, nuestra app ejecuta la limpieza opcional a través de Ollama en tu máquina: puntuación, mayúsculas y recorte de las muletillas, todo sin un viaje de ida y vuelta a internet. En modo Cloud, el mismo trabajo va a los modelos de OpenAI mediante tu clave. La cuestión no es qué modelo lo hace. La cuestión es que una app de voz a texto que se salta este paso te entrega un párrafo sin comas y un "o sea" perdido cada tres líneas, y gastas en limpiar el tiempo que habías ahorrado. Las buenas hacen ese trabajo antes de que el texto llegue a tu cursor. Las herramientas integradas básicas en su mayoría no lo hacen, lo cual está bien para una nota rápida y es frustrante para cualquier cosa más larga.

Las otras apps de voz a texto que conviene conocer

Ninguna app gana en todos los usos. Aquí tienes el panorama honesto, y para quién es cada una.

A finales de los noventa, un familiar mío ejecutaba Dragon NaturallySpeaking en un equipo de sobremesa con Windows 98 y 64 MB de RAM. La configuración te hacía leer una lista de palabras durante 45 minutos para "entrenarlo", y luego el dictado funcionaba con quizá un 70 % de precisión y un retraso de cuatro segundos por frase. Dictar un párrafo de una carta navideña llevaba quince minutos. Los auriculares acabaron lanzados por la habitación; sobrevivieron, el experimento no. Veinticinco años después, un niño de siete años puede dictar un correo completo en noventa segundos sin entrenar nada. Si una app de voz a texto todavía te pide "entrenarla" antes de funcionar, vive en 1999.

Cuándo prescindir por completo de una app dedicada

Aquí es donde te mando a otro sitio (sí, el tipo que vende la app). Si solo dictas notas cortas —un mensaje, una entrada de calendario, una respuesta rápida— y estás en un Mac o iPhone, usa Apple Dictation. Es gratis, viene integrada y, para menos de cien palabras, hace el trabajo; sin límite de tiempo estricto en macOS moderno. En un PC, la tecla del logotipo de Windows + H hace lo mismo gratis.

And if you land on the install-something side, picking a voice typing app for each device is its own short guide.

Y si lo único que haces es grabar reuniones y quieres una transcripción con búsqueda después, un transcriptor de reuniones dedicado como Otter es la categoría correcta. Se conecta a Zoom y Teams y está hecho para ese trabajo exacto. Una app de dictado de todo el sistema empieza a justificar su sitio en torno al punto en que escribes textos más largos, a través de muchas apps, y te importa adónde va tu audio.

Gratis vs. de pago: qué te da $0

Las opciones gratuitas son reales, no pruebas mutiladas. Apple Dictation, la voz a texto de Windows y la escritura por voz de Google Docs no cuestan nada y gestionan el dictado del día a día. Con nuestra app, todo el pipeline local —Whisper, Parakeet, limpieza con IA en el dispositivo, historial, ajustes preestablecidos— es gratis para cualquier usuario con sesión iniciada, sin tarjeta para empezar.

Las herramientas de pago ganan dinero por encima de eso: funciones en la nube, más idiomas, gestión de equipos. Así que la pregunta de verdad no es gratis frente a de pago. Es si el plan gratuito que te dan llega a cada app en la que trabajas y mantiene tu audio en tu máquina. Si lo hace, párate ahí. Cuando mi mujer me preguntó por qué iba a regalar todo el pipeline local, le di una respuesta de cinco minutos; la versión corta es que prefiero que empieces gratis y solo pagues si te topas con un muro. El precio del nivel en la nube está en nuestra página de precios.

El veredicto de mi hija pequeña sobre todo esto fue más simple que cualquier reseña. Pulsó la tecla una vez, dijo una frase sobre un diente que se le había caído, lo vio aparecer y volvió a dibujar sin decir palabra. Sin gráfico de precisión, sin tabla de funciones, solo texto donde lo quería. Esa es la única prueba que importó alguna vez: ¿aparecieron las palabras donde las necesitabas, y tuviste que pensar en ello? Si la respuesta es sí y no, elegiste la app correcta.