Voz a texto en Twitch, con sinceridad

Voz a texto, no texto a voz — aclaración rápida

Aclaración rápida — STT vs TTS. Si llegaste aquí buscando la voz robótica que lee los mensajes de donación en voz alta durante tu stream, eso es texto a voz, no voz a texto. Agujero de conejo diferente. Prueba SoundAlerts, que hace TTS para Bits, Propinas, Puntos de Canal, Subs, Raids y Hype Trains, con voces de IA en Premium. O usa StreamElements, que ejecuta AlertBox TTS con más de 1000 voces de Polly, Google, Azure y TikTok, además de moderación anti-spam. El resto de este artículo es lo otro: tu voz convertida en texto.

La voz a texto convierte tu voz en letras en pantalla: subtítulos, transcripciones, mensajes dictados. El texto a voz va en la dirección opuesta: mensajes escritos leídos en voz alta por una voz sintética, generalmente una alerta de donación.

La mitad de los usuarios de Twitch que buscan esta frase quieren lo segundo. Google no puede saber cuál de los dos buscas, por eso no hay AI Overview para esta consulta: la intención está demasiado dividida. Las herramientas de TTS enlazadas arriba se ocupan de leer las donaciones. El resto de este artículo trata sobre tu voz convertida en texto.

Para qué usan realmente la voz a texto los streamers

Cuatro casos de uso que aparecen una y otra vez. La mayoría de los streamers hace uno. Los buenos hacen los cuatro.

Subtítulos en directo para accesibilidad

Una línea de texto en la parte inferior de la transmisión para espectadores sordos, con dificultades auditivas, que ven el stream sin sonido en el trabajo o que no son hablantes nativos y siguen el texto. Twitch muestra un botón CC en los streams que ya tienen subtítulos en el feed RTMP, y nada en los que no. Así que esto depende de ti.

Transcripciones de VOD para cortos y SEO

Hiciste stream durante tres horas, la pelea contra el jefe ocurrió alrededor de la marca de las dos horas y quieres un TikTok de 60 segundos con texto en pantalla. La transcripción significa que usas ctrl-F para encontrar el momento en lugar de avanzar manualmente.

Dictado entre escenas

La parte de la que nadie habla y por la que yo pagaría. En mitad del stream, con las manos en el teclado, tu mod te avisa en Discord preguntando si quieres extender el modo solo para suscriptores para la raid. Puedes intentar hacer alt-tab torpemente mientras la pelea del jefe se tuerce, o puedes pulsar una tecla, decir la frase y que aterrice en Discord a 145 palabras por minuto.

El atajo predeterminado de Whisper es Ctrl+Space en Windows y Linux, y el atajo push-to-talk solo con modificador command+option en macOS. Ambos funcionan en cualquier lugar donde se pueda escribir texto: chat, Discord, campos de nombre de escena en OBS, un DM de disculpa a la 1 de la mañana al espectador cuyo nombre pronunciaste mal. Dos advertencias específicas para streamers: si tu atajo para cambiar escena es Ctrl+Space, OBS lo interceptará antes de que Whisper lo escuche. Reasigna uno. Y algunos juegos en pantalla completa (cualquier juego con motor Unreal en pantalla completa exclusiva) bloquean el atajo global; ejecuta el juego en modo ventana sin bordes y el problema desaparece.

Notas post-stream

Un memo de tres líneas para tu yo futuro sobre qué funcionó, qué falló y qué clip vale la pena editar. La mayoría de los streamers omite esto. La mayoría también se pregunta por qué su canal no crece.

El primero es OBS. El segundo es una herramienta de transcripción. El tercero es una app de dictado como la nuestra. El cuarto es la combinación que te lleve a la cama antes de las dos de la mañana.

Subtítulos en directo en OBS: la configuración de 10 minutos

Primero, una confesión honesta. La configuración estándar de subtítulos en directo para Twitch no funciona con Whisper. Es el plugin OBS Closed Captions de ratwithacompiler, que utiliza Google Speech Recognition como backend por defecto. La versión 0.33 salió el 15 de octubre de 2025, tiene 1,3k estrellas en GitHub y funciona en Windows, macOS y Linux. No funciona con Streamlabs OBS porque SLOBS no acepta plugins de terceros.

Aquí está la configuración de 10 minutos. Ninguno de estos pasos requiere código.

1. Instala OBS Studio si no lo tienes. El plugin es solo para OBS, no para SLOBS.
2. Descarga el plugin desde la página de releases de ratwithacompiler/OBS-captions-plugin en GitHub. Elige el instalador para tu sistema operativo, cierra OBS primero y ejecútalo.
3. Abre OBS, ve a Herramientas → Closed Captions. Selecciona tu fuente de micrófono, normalmente Mic/Aux o como la hayas renombrado.
4. Establece el idioma de la fuente. El predeterminado es inglés. El plugin transmite al endpoint gratuito de Google; la precisión es buena con audio de micrófono limpio y empeora con música de fondo intensa.
5. Activa los subtítulos en tu panel de Twitch. Administrador de Stream → Configuración → Stream → interruptor de Subtítulos. La Guía de Subtítulos de Twitch cubre la parte del broadcaster si la necesitas.
6. Prueba en un stream privado. Configura la transmisión como no listada, habla durante 30 segundos y comprueba que aparece el botón CC.

Listo. El compromiso: el audio sale de tu máquina y va a Google. Si eso rompe el acuerdo con tu audiencia, salta a la sección de nube vs. local. Whisper en sí no encaja en esta parte; nosotros somos la capa de dictado y VOD que está a su lado. OBS gestiona los subtítulos, Whisper gestiona el texto controlado por atajo. Dos herramientas, dos trabajos.

Transcribir VODs y clips para cortos (el verdadero ahorro de tiempo)

Un stream de tres horas es un problema de búsqueda de tres horas. Sabes que el momento gracioso ocurrió en algún punto del segundo sub-train, pero no puedes encontrarlo sin avanzar manualmente. Una transcripción soluciona eso en diez segundos.

Segunda confesión honesta. Whisper by Remskill no acepta subidas de archivos de vídeo o audio en la app de escritorio hoy en día. La transcripción funciona con el micrófono en directo mediante un atajo de teclado, sin arrastrar y soltar ni botón de "abrir VOD". Si tu flujo de trabajo es soltar un MP4 y obtener una transcripción, no somos la herramienta. Todavía. Dos opciones honestas:

Opción A — enruta tu VOD por el micrófono con bucle de retorno. Usa VB-CABLE en Windows o BlackHole en Mac para enrutar el audio de tu VOD de vuelta a Whisper como si fuera un micrófono, luego mantén pulsado el atajo mientras se reproduce. Sin necesidad de intervención, pero tienes que escuchar la reproducción completa. Elige large-v3 para streams multilingües o distil-large-v3 (Turbo) para inglés: 6× más rápido que large-v3 con el 99% de la precisión.

Opción B — usa el código abierto whisper.cpp o faster-whisper. Ambos aceptan archivos .mp4 y .wav desde la línea de comandos. La configuración es más lenta, pero procesan trabajos mientras duermes. Este es el movimiento legítimo de "saltarse Whisper para esto": whisper.cpp y openai/whisper son gratuitos y están bien mantenidos.

La victoria real está en lo que viene después. Pega la transcripción en ChatGPT y pídele los tres mejores momentos para recortar, pégala en tu editor de vídeo como pista de subtítulos, y úsala como descripción de YouTube con las marcas de tiempo ya ordenadas.

Nube vs local: adónde va el audio de tu stream

El audio de un stream es sensible. Aunque lo transmitas en directo a miles de personas, la diferencia entre «sabemos que estamos grabando» y «una empresa estadounidense sin relación con nosotros tiene una copia de mi conversación privada con un mod» es real.

Whisper ofrece tres rutas de transcripción y te deja elegir. No hay ninguna predeterminada.

Nube (OpenAI, BYOK)

La mejor precisión, búsqueda web integrada y mejora de texto con IA mediante GPT-5. La transcripción usa gpt-4o-mini-transcribe por defecto o gpt-4o-transcribe para mayor precisión. Traes tu propia clave de OpenAI y pagas a OpenAI por minuto de audio. El audio sale de tu dispositivo.

Local — NVIDIA Parakeet

Opción local rápida. ~600 MB en disco, entre 5 y 10× más rápido que Whisper en CPU, inglés más 24 idiomas europeos sin traducción al inglés. Sin idiomas asiáticos: los streamers que hablan japonés, coreano o chino no pueden usar Parakeet.

Local — Whisper

Más lento que Parakeet, disponible en ocho tamaños de modelo desde Base (~140 MB) hasta Large v3 (~3 GB). Las variantes multilingües cubren 99 idiomas y admiten traducción al inglés; las versiones .en son solo para inglés con el selector de idioma bloqueado.

Si haces stream desde un ordenador de escritorio con una CPU reciente o un Mac de la serie M, prueba primero el modo local. La nube es la salida de emergencia cuando necesitas un idioma que Parakeet no cubre o quieres la búsqueda web de OpenAI integrada en el mismo atajo. Tu portátil ya tiene micrófono y CPU; no necesita un servidor en el circuito para una sola frase de nota de moderación.

Una vez intenté subtitular mi propio stream de programación y el modelo autocorregía cada git commit en el tipo equivocado de herramienta de jardinería. Ese fue el momento en que dejé de usar subtítulos en directo para los clips y empecé a pasar las transcripciones por una corrección manual. El flujo de dictado entre escenas ha funcionado correctamente en cientos de notas de moderación sin ningún fallo significativo. Trabajos diferentes, presupuestos de fiabilidad diferentes.

Cuándo saltarse Whisper para esto

La matriz honesta:

• Solo quieres subtítulos cerrados en directo integrados en la transmisión. Usa el plugin OBS Closed Captions y ya está. Whisper no es un motor de subtítulos en directo para OBS; somos la herramienta de dictado que está a su lado.
• Quieres una voz robótica que lea los mensajes de donación. Usa SoundAlerts o StreamElements; eso es TTS, la dirección opuesta.
• Necesitas transcripción por lotes de años de archivos VOD. El código abierto whisper.cpp o faster-whisper aceptan archivos directamente y no cuestan nada. Nosotros todavía no tenemos una interfaz de subida de archivos.
• Haces stream desde un Mac Intel. Whisper by Remskill está disponible solo para Windows x86_64 y macOS Apple Silicon; el Mac Intel no está soportado. Los servicios solo en la nube funcionan bien en un navegador de todas formas.

Si tu caso de uso es el dictado entre escenas, transcripciones de VOD mediante bucle de retorno o notas post-stream, eso es lo que hacemos nosotros. Para cualquier otro punto de esta lista, usa lo que mejor te convenga.

La mayor parte de la configuración de voz a texto para Twitch es fontanería: un plugin de OBS que instalas una vez, un driver de bucle de retorno del que te olvidas, un atajo que asignas y nunca vuelves a cambiar. El trabajo ocurre en el otro lado. ¿Cuándo merece la pena que el audio salga de tu máquina para tener subtítulos? ¿Qué clip de 60 segundos de un stream de tres horas vale la pena extraer? ¿Escribir o hablar cuando los mods te están enviando mensajes? Elige la herramienta que no se interponga en tu camino en la hora tres de un stream, porque ahí es cuando importa.