Una transcripción convierte el habla en texto y suele organizarla con marcas de tiempo y etiquetas de hablante. El formato cambia según haya una voz, una entrevista ordenada o una reunión con interrupciones.
Los ejemplos siguientes permiten escuchar el tipo de grabación y entender qué debes revisar. El resultado de cualquier sistema depende del audio; no esperes el mismo nivel de limpieza en un estudio que en una sala con eco.
Ejemplo 1: reunión con tres personas
```text
[00:02] HABLANTE 1: Revisemos primero la fecha de lanzamiento.
[00:07] HABLANTE 2: El equipo técnico propone el día dieciocho.
[00:11] HABLANTE 3: [voces solapadas] Necesitamos confirmar el presupuesto antes.
```
En una reunión, presta atención a:
La transcripción organiza el habla en una secuencia legible, aunque en el audio dos intervenciones ocurran a la vez. Marca el solapamiento si afecta al significado.
Ejemplo 2: entrevista
```text
[00:04] ENTREVISTADORA: ¿Cuándo empezó el proyecto?
[00:08] PARTICIPANTE: Después de la segunda prueba, a finales de marzo.
[00:13] ENTREVISTADORA: ¿Qué cambió a partir de ese momento?
```
Una entrevista con micrófonos cercanos y turnos claros suele resultar más fácil de revisar. Aun así, comprueba nombres, fechas y citas antes de publicarlas.
Ejemplo 3: mensaje de voz
```text
[00:00] Hola, soy Laura. Te llamo para confirmar la reunión del jueves a las diez.
[00:08] Si necesitas cambiar la hora, escríbeme esta tarde. Gracias.
```
Con una sola voz no hacen falta etiquetas de hablante. Las marcas de tiempo pueden colocarse al inicio de cada frase o párrafo.
Transcripción literal y literal limpia
La versión literal conserva repeticiones y falsos comienzos:
```text
[00:08] Tenía que, tenía que revisar el informe antes de enviarlo.
```
La versión literal limpia elimina la repetición sin cambiar la idea:
```text
[00:08] Tenía que revisar el informe antes de enviarlo.
```
Para análisis lingüístico o ciertos procedimientos puede ser necesaria la versión literal. Para notas internas, artículos o subtítulos suele ser más cómoda una versión limpia. Define el criterio antes de editar.
Qué debes revisar
1. Nombres propios: una palabra plausible puede ser el nombre equivocado.
2. Cifras y fechas: contrástalas siempre con el audio.
3. Negaciones: omitir «no» cambia por completo el sentido.
4. Hablantes: confirma quién dijo cada decisión.
5. Fragmentos dudosos: utiliza `[inaudible 00:14:22]` en lugar de adivinar.
Cómo elegir el formato final
Conclusión
El aspecto de una transcripción depende de la grabación y del uso final. Las etiquetas ayudan cuando hay varias voces; las marcas de tiempo permiten verificar; y una convención clara evita que la edición oculte lo que realmente se dijo.
Preguntas frecuentes
¿Cómo es un ejemplo de transcripción de audio a texto?
Una transcripción típica lleva marcas de tiempo a la izquierda, un bloque por cada turno de palabra y una etiqueta de hablante cada vez que cambia la voz, por ejemplo: [00:02] HABLANTE 1: Revisemos primero la fecha de lanzamiento. Con una sola voz, como un mensaje de voz o una nota dictada, no hacen falta etiquetas y basta con marcas de tiempo al inicio de cada frase o párrafo.
¿Qué diferencia hay entre transcripción literal y literal limpia?
La literal conserva repeticiones y falsos comienzos («Tenía que, tenía que revisar el informe»); la literal limpia los elimina sin cambiar la idea («Tenía que revisar el informe»). La literal sirve para investigación, análisis lingüístico o ciertos procedimientos; la limpia, para notas internas, artículos o subtítulos. Una regla útil: transcribe en literal y limpia una copia, porque el camino inverso obliga a volver a escuchar todo.
¿Cómo se transcribe una conversación con varios hablantes?
Con un bloque por turno y la etiqueta a la izquierda o encima. Nunca mezcles dos voces en el mismo párrafo, porque no se podría citar ni buscar; pon la etiqueta solo cuando cambia el hablante, no en cada línea; y renombra «Hablante 1» y «Hablante 2» con los nombres reales una sola vez, al final, cuando el texto ya esté revisado.
¿Qué precisión tiene la transcripción automática de una reunión?
Depende sobre todo de la grabación. En una reunión real en inglés, de tres personas con un solo micrófono en el centro de la mesa, nuestra transcripción tuvo una tasa de error del 30,8 % en un fragmento de 48 segundos y una mediana del 36,8 % en toda la reunión, frente a una entrevista con micrófono cercano que se lee casi como prosa. Un micrófono por persona mejora más el resultado que cualquier ajuste del programa.
¿Por qué la transcripción de una reunión omite palabras cortas como «vale» o «ajá»?
Porque los errores se concentran en los turnos cortos y en las voces bajas. En el ejemplo de la reunión faltaban 5 de las 7 reacciones breves de la referencia humana, y de tres voces solo se detectaron dos, porque la tercera persona casi solo decía cosas como «vale» o «sí». Además, lo que en el audio es simultáneo se ordena en secuencia para que el texto se lea en una sola columna.
¿Una transcripción de vídeo es distinta de una de audio?
No: una transcripción de vídeo es una transcripción del audio, porque la imagen no aporta nada al texto. La diferencia está en el uso de las marcas de tiempo: para leer y buscar se ponen en pausas naturales, y para subtítulos SRT o VTT las mismas palabras se cortan en bloques de 1 a 7 segundos que caben en dos líneas de pantalla. Por eso exportar a SRT es un cambio de formato, no una transcripción nueva.
¿Qué hay que revisar siempre en una transcripción automática?
Nombres propios, porque una palabra plausible puede ser el nombre equivocado; cifras y fechas, contrastándolas con el audio; negaciones, ya que omitir un «no» cambia el sentido; y quién dijo cada decisión. Los fragmentos que no se entienden se marcan como [inaudible 00:14:22] en lugar de adivinarlos.
¿Cómo conseguir una buena transcripción de mi propio audio?
Graba lo más cerca posible de la boca, ya que un micrófono de solapa vale más que cualquier ajuste. Indica el idioma si lo conoces en vez de dejar que se adivine con los primeros segundos, activa la identificación de hablantes antes de transcribir si hay varias voces, elige de antemano el estilo literal o limpio y revisa el primer minuto con el audio, donde se concentran los errores en nombres, jerga y siglas.
¿En qué formato conviene exportar una transcripción?
Depende del uso: DOCX para editar y comentar, PDF para una copia fija, TXT para buscar o analizar, SRT o VTT para subtítulos y JSON para integraciones y datos estructurados.