Transcribir MP3

El MP3 es el formato al que mucha gente convierte el audio antes de subirlo, casi siempre por costumbre. Rara vez hace falta: puedes subir directamente más de 30 extensiones habituales de teléfonos, grabadoras y editores de vídeo.

Convertir cuesta algo. Recodificar añade una generación con pérdida sobre lo que el origen ya perdió, y las consonantes son lo primero que se difumina. Si tu original es un .m4a de notas de voz, un .wav de grabadora o un .mov de móvil, sube ese: se transcribirá igual de bien o mejor.

Donde el MP3 sí gana es como lo más ligero que puedes enviar cuando el cuello de botella es la subida. A 128 kbps una hora ocupa unos 58 MB, frente a unos 2 GB de la misma hora en vídeo.

Estas son medianas medidas en nuestro clúster de producción, expresadas como tiempo por hora de audio.

Frente a los MP3 subidos aquí —7.743, una quinta parte de todo— el mediano dura 14 minutos 12 segundos y vuelve en unos 21 segundos. Nueve de cada diez están por debajo de 65 minutos, alrededor de minuto y medio.

No. El modelo trabaja con audio de 16 kHz mono, así que ambos se remuestrean a lo mismo antes de transcribir: el MP3 mediano que se sube aquí es de 128 kbps y eso no supone ninguna desventaja.

La tasa de bits solo importa por abajo. Por debajo de unos 32 kbps los codificadores con pérdida emborronan las consonantes lo suficiente como para que el daño sobreviva al remuestreo, y por eso una nota de voz muy comprimida se transcribe peor que una limpia. Entre 64 y 320 kbps las diferencias desaparecen.

Dos cosas sí siguen importando, y ninguna es la tasa de bits: cuántas veces se ha recodificado el archivo, y la grabación en sí —distancia del micrófono, sala, voces solapadas.

La duración, con holgura. A 128 kbps, 5 GB darían para unas 87 horas, así que el tope de 8 horas llega antes en un orden de magnitud. El MP3 más grande procesado aquí pesaba 785 MB.

• Divide por sesión, no por reloj. Corta entre grabaciones y no a mitad de frase: una palabra partida entre dos subidas se pierde en ambas.
• La tasa variable no es problema. Los archivos VBR se suben y transcriben con normalidad; una cabecera VBR ausente o incorrecta puede hacer que algunos reproductores indiquen mal la duración, pero no afecta a la transcripción.