Software de transcripción, explicado

La verdad aburrida sobre la precisión (y la trampa del 95%)

Todos los productos de transcripción en internet afirman una precisión de entre el 95 y el 99%. Notta anuncia un 98,86%. Happy Scribe vende un nivel de transcripción humana al 99%. Nuestra propia FAQ de la página principal dice que la precisión en modo local «normalmente oscila entre el 95% y el 99%». Ninguno de esos números es mentira. Son el número equivocado, presentado sin el audio con el que se midieron.

Esto es lo que dice la investigación subyacente. El Whisper large-v3 de OpenAI es el modelo contra el que casi todas las herramientas modernas de transcripción compiten, copian o se inspiran. Reporta una tasa de error de palabras (WER) media del 7,44% en el ranking público de ASR de Hugging Face. En LibriSpeech-clean (grabaciones de audiolibros de calidad de estudio) el mismo modelo alcanza un WER del 2,01%. En AMI, el benchmark estándar de sala de reuniones con voces superpuestas y mala acústica, el mismo modelo alcanza un WER del 15,95%. Mismo modelo. Misma semana. Ocho veces más errores en el audio de peor calidad.

Esa diferencia es la trampa del 95%. «95% de precisión» en condiciones de estudio puede ser un 84% de precisión en la reunión que tu jefe convocó desde un coche en marcha. La propia tarjeta de modelo de OpenAI lo explica con claridad: el rendimiento varía entre idiomas, es menor en los de pocos recursos, y depende del acento, la edad, el género y el grupo demográfico. NVIDIA dice lo mismo sobre Parakeet: 1,93% WER en LibriSpeech-clean, 11,31% WER en AMI.

Así que cuando leas un número de precisión en una página de marketing, hazte la pregunta que ese proveedor no respondió. Con qué audio. Con qué micrófono. En qué idioma. Con cuántos hablantes superponiéndose. Si la página no lo dice, asume que es el mejor caso posible. Y después asume que tu audio real es peor.

La verdad aburrida es que la mejora más importante que puedes hacer a tu precisión de transcripción es un micrófono, no un modelo.

Transcripción por IA frente a transcripción humana

Actualmente existen dos tipos de software de transcripción en el mundo. Se presentan con precios similares, lo que es la fuente de aproximadamente la mitad de la confusión.

La transcripción por IA es la opción barata e instantánea. Subes un archivo, o dictas en directo, y un modelo devuelve texto en segundos. La precisión se sitúa entre el 84% (una mala reunión) y el 98% (un mensaje de voz limpio). Happy Scribe cobra $0,20 por minuto en recargas de sus planes de IA. Nuestro propio modo Cloud te factura unos $0,003 por minuto directamente a través de OpenAI. Otter, Notta, Trint, Descript, Jamie: todos funcionan con IA por debajo, a menudo los mismos modelos.

La transcripción humana es la opción cara y que requiere tiempo. Una persona escucha tu audio y lo transcribe. El nivel humano de Happy Scribe empieza en $2,00 por minuto. Anuncian un 99% de precisión con un plazo de más de cuatro horas. Rev, GoTranscript y otros están en una franja de precios similar. El caso de uso es real pero específico: actas judiciales, deposiciones médicas, cualquier cosa donde un resultado de IA al 92% con el nombre de un medicamento equivocado pueda llevar a alguien a juicio.

La mayoría de quienes leen esto necesitan IA. Usa la tabla para confirmarlo.

El error que veo cometer a la gente es pagar por transcripción humana por miedo. Y luego no leer el resultado porque llega seis horas después, cuando ya han pasado página. Si la respuesta va a ignorarse el martes, la IA es suficiente.

Cloud frente a local: adónde va tu audio

Nadie quiere leer esta parte y todo el mundo debería hacerlo. Elige una herramienta de transcripción y el audio de tu voz (cada palabra) va a parar a algún lugar. Ese lugar importa.

La transcripción en la nube significa que tu audio sale de tu ordenador. Va al servidor del proveedor, es transcrito por un modelo que corre en su hardware, y el texto (y normalmente el audio) se almacena el tiempo suficiente para que puedas recuperarlo. Otter, Trint, Notta, Happy Scribe, Descript, Jamie, Wispr Flow: todos son en la nube. También lo es nuestro modo Cloud, con un matiz importante. En el modo Cloud, el audio se envía desde tu máquina directamente a OpenAI usando tu propia clave API. Whisper by Remskill nunca está en medio, nunca ve el audio, nunca ve las transcripciones. El proveedor responsable de tus datos es la empresa cuyo modelo elegiste.

La transcripción local significa que el audio nunca sale de tu portátil. El modelo corre en tu CPU o GPU. Sin viaje de red. Sin registros del proveedor. Sin cláusula de «podemos usar tus datos para mejorar nuestro servicio». Apple Dictation hace esto para texto general en los Mac compatibles. Nuestros modos locales (Parakeet y Whisper) lo hacen en Windows y en Mac con Apple Silicon. Casi nadie más en esta categoría ofrece local puro.

Una vez vi a un equipo interno de una empresa con la que trabajé acumular una factura de cinco cifras en la nube en un trimestre, dictando grabaciones de standup cuatro veces cada una. El «smart retry» del prototipo era demasiado agresivo. El CFO abrió el panel durante la siguiente revisión trimestral. La sala se quedó muy callada. El punto no es que la nube sea cara (normalmente no lo es, con el volumen de un usuario). El punto es que no siempre te das cuenta de lo que sale de tu máquina hasta que alguien te pide que lo justifiques.

La mayoría de las apps de dictado por IA que ves anunciadas hoy son suscripciones de $30 al mes con una interfaz sobre la misma llamada a la API de OpenAI Whisper que podrías hacer tú mismo. Cobran el margen de la nube por un software que básicamente corre el modelo en su servidor y reenvía el resultado a tu pantalla. Ese modelo está disponible desde 2022. Lo caro no es la IA. Lo caro es la suscripción recurrente. Si tu audio es sensible, o si tu portátil es de los últimos cuatro años y no hace gran cosa más, local es la opción honesta.

That choice deserves its own breakdown, so our local vs cloud transcription guide spells out the accuracy, privacy, and cost trade between keeping audio on your machine and sending it to a server.

If that resonates, it is worth reading how offline speech-to-text desktop apps keep your voice on your own machine.

Qué hace Whisper by Remskill (y qué no hace)

Whisper by Remskill es nuestra app. Es una herramienta de escritorio (Windows y Mac con Apple Silicon) que pone el reconocimiento de voz detrás de un atajo de teclado. Pulsas el atajo, hablas, sueltas, y el texto aparece en el cursor. Funciona en cualquier app: correo electrónico, Word, Slack, editores de código, la barra de direcciones del navegador. El pipeline local es gratuito para cualquier usuario autenticado (Whisper, Parakeet, mejora de IA con Ollama, historial, presets, atajo personalizado). Sin tarjeta requerida al registrarte. Pro añade funciones Cloud.

Ofrecemos tres opciones de transcripción. La app no elige por defecto; eres tú quien decide:

El atajo predeterminado es Ctrl+Space en Windows y Command+Option en macOS, ambos personalizables en Configuración. La palabra de activación de IA predeterminada (cuando el procesamiento de IA está activado) es «Hey whisper». La mejora de IA local corre a través de Ollama en localhost:11434. Tres presets de rendimiento (Rápido, Equilibrado y Preciso) ajustan el tamaño del haz y los umbrales de actividad de voz por detrás.

Lo que Whisper by Remskill no hace: bots de reuniones. No se une a tu Zoom, no lo resume después, no persigue invitaciones de calendario. Una herramienta en tu máquina, un atajo, un pegado en el cursor. Si quieres un tomador de notas de reuniones, necesitas una categoría diferente. Sigue leyendo.

Una nota sobre los nombres, porque esto confunde a casi todo el mundo. Whisper-el-modelo-de-OpenAI es un modelo de reconocimiento de voz de código abierto y gratuito publicado en 2022. Whisper by Remskill es nuestra app de escritorio, que usa ese modelo (entre otros). Cuando alguien en internet dice «uso Whisper», la mitad de las veces se refiere al modelo y la otra mitad a un producto. Vale la pena tenerlo claro al leer reseñas.

La superposición de grabación, en tres estados

La píldora aparece en la parte inferior de la pantalla cuando Whisper está activo. No estorba y se mantiene fuera de tus aplicaciones.

Elegir el modelo de Whisper adecuado para tu hardware

Las variantes en inglés (.en) solo admiten inglés: funcionan un poco más rápido y con algo más de precisión con audio en inglés que sus equivalentes multilingües. Elige la multilingüe solo si dictas en más de un idioma o necesitas traducción al inglés.

Otras herramientas que vale la pena conocer

Estos nombres aparecerán si buscas «mejor software de transcripción». He usado la mayoría, y algunos los tengo a mano para trabajos que nuestra app no hace.

Ocho herramientas, repasadas. Casi todo lo demás en esta categoría es una de estas empresas con otra marca, o uno de estos modelos en una caja más pequeña.

If text-to-speech is what you actually need here is the honest free TTS roundup with the H1-vs-FAQ trick every "free" page hides.

Cuándo saltarse todas las herramientas de esta lista y usar directamente el móvil

Before you pay anyone anything, check what is already on your phone. iOS ships system-level dictation through Voice Control and the keyboard mic. Android ships Live Transcribe and Gboard voice typing. Both are free, no signup, work in every app, and the quality on modern phones is good enough for short text — we walked through the talk-to-text shortcuts on every device if you want the exact key combos.

Si tu tarea es «responder a un mensaje mientras hago la cena» o «escribir una nota de 60 palabras antes de que empiece esta reunión», el móvil es la respuesta correcta. Más rápido que abrir un portátil, más rápido que iniciar sesión en cualquier cosa, sin cuota mensual. Apple Dictation en Mac también merece un vistazo. En los Mac compatibles procesa el texto general en el dispositivo, dicta todo el tiempo que quieras sin límite de duración fijo, y se detiene sola después de 30 segundos de silencio. Ese tiempo de espera en el silencio es el origen del persistente mito de «Apple Dictation tiene un límite de 30 segundos»: no es el límite de grabación. Apple Dictation cubre hoy 62 variantes de idioma y regionales, más que la mayoría de los productos de pago.

Donde el móvil falla es en el dictado sostenido hacia apps de escritorio. Puedes dictar un correo en el móvil. Puedes dictar 12 variantes de un correo en frío en tu CRM desde el móvil. Lo odiarás. Una herramienta de escritorio gana ahí su lugar. Hasta entonces, el móvil es gratis.

If most of your desktop dictation is email — specifically dictating Gmail replies on a laptop — there is a separate breakdown of the Chrome-extension path versus the system-app path that goes deeper than this article does.

Precios

La mayoría de las herramientas de transcripción quieren entre $20 y $50 al mes. Nosotros cobramos menos, y puedes pagar una sola vez.

El panorama de precios en esta categoría se divide en cuatro grupos. Las herramientas de suscripción solo-IA (Otter, Trint, Notta, Descript, Jamie) se sitúan entre $10 y $50 por usuario y mes, a veces con un nivel gratuito generoso limitado por minutos de grabación. Los servicios de IA más transcripción humana como Happy Scribe cobran por minuto además de una suscripción; el nivel humano solo ya cuesta entre $1,90 y $2,00 por minuto. Las herramientas de dictado por atajo (Wispr Flow, nosotros) tienen precio de software de productividad, mensual o anual para un solo usuario, a veces con opción de pago único. Y luego está la opción gratuita: Apple Dictation, Google Voice Typing, el micrófono integrado del teclado de tu móvil. Cero al mes mientras Apple y Google sigan publicando esos sistemas operativos.

La regla de decisión honesta no es «cuál es el más barato». Es «cuál es el coste recurrente durante los próximos tres años para lo que realmente hago». Una herramienta de reuniones de $20 al mes que usas dos veces a la semana son $720 en tres años. Una compra única de por vida de una herramienta de dictado que usas a diario es una sola factura. Multiplica tu hábito mensual por 36 antes de hacer clic en suscribirse. Las matemáticas rara vez son favorables para una suscripción que usas una vez a la semana.

Nuestros números actuales (mensual, anual, de por vida, equipo) están en la página de precios. No los cito aquí porque cambian y la página es la fuente de verdad.

La versión aburrida de este artículo es que ya sabes lo que necesitas. ¿Escribes de forma sostenida todo el día? Una herramienta de dictado por atajo, local o en la nube. ¿Una reunión a la semana? Un tomador de notas de reuniones, suscripción mensual. ¿Una entrevista de 90 minutos aislada? Paga $0,20 por minuto a Happy Scribe y sigue adelante. ¿Una deposición legal? Contrata a un humano. La versión no aburrida es que la mayoría de la gente en esta categoría está pagando por el producto equivocado porque las páginas de marketing las escriben siempre las mismas tres personas. El movimiento honesto es mirar lo que haces esta semana, no lo que esperas hacer el mes que viene, y elegir la herramienta cuya propuesta principal describe exactamente eso. El resto es ruido.