MP4 a texto: convierte tu vídeo en una transcripción

Para convertir un MP4 a texto, sube el archivo de vídeo a un servicio de transcripción con IA como TranscribeNext: no hace falta extraer el audio ni convertir el archivo antes. La pista de audio se lee directamente del contenedor y se devuelve como texto con marcas de tiempo y etiquetas de hablante. En los 5.266 archivos MP4 que hemos procesado, una grabación de 30 a 60 minutos terminó en una mediana de 3,8 minutos. Suelta un archivo abajo para probarlo: los primeros 5 minutos se transcriben gratis y sin cuenta.

Respuesta rápida: sube el MP4 a una herramienta de transcripción con IA, deja que detecte el idioma y luego revisa y exporta el texto como TXT, DOCX, PDF, SRT, VTT o JSON. No necesitas convertir el MP4 ni extraer el audio, pero si el archivo es grande y tu conexión lenta, sacar la pista de audio antes reduce la subida de gigabytes a megabytes. Los números para tomar esa decisión están más abajo.

Aviso: TranscribeNext es nuestro servicio de transcripción. Las mediciones de esta página proceden de nuestros propios datos de producción y se indican con su tamaño de muestra para que puedas juzgarlas. Esta guía también explica cuándo son mejor opción los subtítulos de YouTube, Microsoft Word o Whisper en local.

Qué hay realmente dentro de un MP4 y qué se transcribe

Un MP4 no es un formato de audio, y en realidad tampoco es exactamente un formato de vídeo. Es un contenedor: una envoltura con pistas separadas, normalmente una de vídeo (H.264 o HEVC) y una de audio (casi siempre AAC). La transcripción solo lee la pista de audio. El vídeo, que es lo que hace grande al archivo, se descarta.

Este único hecho explica casi todo lo que desconcierta a la gente al transcribir MP4: por qué un archivo de 2 GB da la misma transcripción que uno de 40 MB, por qué «convertir MP4 a MP3» antes de subirlo no cambia nada en la precisión, y por qué un MP4 grabado con el móvil puede transcribirse peor que un MP3 de la misma conversación.

Esto es lo que cuesta en la práctica. Son tamaños medianos por minuto de grabación, medidos sobre nuestras propias subidas:

Un MP4 típico transporta unas nueve veces más datos que el audio que contiene. El MP4 mediano que nos envían pesa 84 MB para 18 minutos de grabación; el 5 % superior supera 1,3 GB y el mayor que hemos procesado ocupaba 4,9 GB. La pista de audio de ese archivo de 4,9 GB eran unas pocas decenas de megabytes. Todo lo demás eran píxeles que la transcripción nunca mira.

El MP4 es lo tercero que más se sube a nuestra plataforma —5.266 archivos, el 14,7 % del total—, por detrás de MP3 y M4A. Es el formato que sale de Zoom, Teams, QuickTime, OBS, las cámaras de móvil y los grabadores de pantalla, y por eso tantas transcripciones empiezan siendo vídeo. La página de transcripción de MP4 detalla los límites técnicos —duración, tamaño y los códecs de audio dentro del contenedor— y formatos de audio y vídeo admitidos cubre el resto.

Cómo convertir MP4 a texto en 5 pasos

Para convertir un MP4 a texto, sube el archivo, confirma el idioma hablado, deja que la IA procese la pista de audio, revisa el resultado y expórtalo en el formato que necesites.

1. Usa el MP4 original. No lo recodifiques, no lo recortes en un editor con pérdida ni lo pases antes por una web «conversora». Cada recodificación destruye detalle del audio, y es ese audio el que se transcribe. El archivo tal como salió del grabador es la mejor versión que tienes.
2. Sube el MP4. Suéltalo en la caja de arriba. No hace falta extraer el audio ni convertirlo a MP3: la pista se lee automáticamente del contenedor. MOV, MKV, WebM, AVI y M4V funcionan igual.
3. Confirma el idioma. La detección automática acierta en la mayoría de grabaciones. Si el audio es bajo, con acento marcado o cambia de idioma, fijar el idioma a mano es más fiable que dejar que se adivine por los primeros segundos.
4. Deja que procese y luego contrasta con el audio. Revisa nombres, cifras, siglas, citas y cualquier tramo donde la gente hable a la vez. Ahí es donde la transcripción automática falla, y suele ser lo que más importa.
5. Nombra a los hablantes y exporta. DOCX para seguir editando, PDF para enviar, TXT para texto plano, SRT o VTT para subtitular el vídeo, y JSON cuando otro programa deba leerlo.

¿Cuánto tarda en transcribirse un MP4?

Casi todas las herramientas responden «en unos minutos», lo cual es cierto e inútil. Esta es la distribución real de nuestros trabajos con MP4 completados: mediana y percentil 90, medidos de extremo a extremo desde que llega el archivo hasta que la transcripción está lista.

Dos cosas merece la pena leer en esa tabla. Primera: los archivos largos son proporcionalmente más rápidos. Un MP4 de una hora se transcribe a unas 18 veces el tiempo real y un clip corto a menos de 5, porque en un archivo de tres minutos dominan los costes fijos —subida, cola, arranque del modelo—. Segunda: la distancia entre la mediana y el percentil 90 es grande, y casi toda es tiempo de subida, no de proceso. Un MP4 de 1,3 GB en una conexión doméstica pasa mucho más tiempo enviándose que transcribiéndose. Ese es el problema que resuelve el apartado siguiente.

¿Conviene extraer el audio del MP4 antes?

Normalmente no. No es necesario, y cada conversión extra es una oportunidad de degradar el audio. Pero hay un caso en que claramente compensa: un MP4 grande con una conexión lenta.

Como la pista de vídeo se descarta igualmente, quitarla antes de subir no cuesta nada en precisión y, en el MP4 mediano de nuestros datos, elimina alrededor del 89 % de los bytes. En los archivos del 5 % superior —los que pasan de 1,3 GB— convierte una subida larga y propensa a fallar en una corta.

Si tienes FFmpeg, esto copia la pista de audio sin recodificarla, así que no se pierde nada:

ffmpeg -i grabacion.mp4 -vn -acodec copy grabacion.m4a

-vn descarta el vídeo y -acodec copy deja pasar el audio intacto. El resultado es un M4A con exactamente el audio que la transcripción iba a leer de todos modos; cómo convertir M4A a texto repasa ese tipo de archivo, incluida una prueba medida sobre una reunión de 58 minutos. Evita recodificar a MP3 en este paso (-acodec libmp3lame) salvo que algo más adelante exija MP3: es una ida y vuelta con pérdida que solo puede empeorar el audio.

Qué determina de verdad la precisión de una transcripción de MP4

Las páginas de la competencia anuncian un «98 %» o un «99,9 % de precisión» sin decir qué se midió, sobre qué audio ni contra qué transcripción de referencia. Esas cifras no son comparables entre sí y no predicen nada sobre tu archivo. La precisión suele expresarse como tasa de error de palabra —la proporción de palabras insertadas, borradas o sustituidas frente a una referencia humana— y varía mucho más según tu grabación que según la herramienta.

Lo que más influye, aproximadamente por orden:

• Voces solapadas. Dos personas hablando a la vez es el caso más difícil, y abunda justo en las reuniones que más se quieren transcribir.
• Distancia al micrófono. El micro de un portátil al otro lado de la mesa capta más sala que voz. Unos auriculares o un micro de solapa valen más que cualquier ajuste.
• Ruido de fondo. Aire acondicionado, cafeterías, tráfico y teclados restan precisión; el ruido constante penaliza menos que el intermitente.
• Acentos y vocabulario especializado. Nombres propios, fármacos, citas jurídicas, tickers y jerga interna son las palabras que más se fallan, y normalmente las que importan.
• Bitrate del audio. Aquí es donde el MP4 sí puede perjudicar: los grabadores de pantalla y las apps de videollamada a veces escriben una pista AAC mono de 32 kbps. El detalle perdido al grabar no se recupera después.
• Códec y contenedor. Casi irrelevante. Un MP4 y un MP3 de la misma fuente se transcriben igual.

El resumen honesto: con una grabación limpia y de micro cercano de una o dos personas, la transcripción con IA solo necesita una revisión ligera. Con un móvil en medio de una reunión ruidosa de seis personas, necesita edición de verdad. Ninguna herramienta del mercado escapa a esto, y cualquier página que te dé un único porcentaje de precisión para tu archivo está adivinando. Si tu grabación es de audio y no de vídeo, cómo transcribir audio a texto cubre lo mismo para archivos MP3, WAV y M4A, incluido cuándo conviene más Word o Whisper en local.

¿Se puede pasar MP4 a texto gratis?

En parte sí, en todas partes, y la palabra «gratis» esconde cosas muy distintas entre las herramientas que compiten por este término. Conviene saber cuál te están ofreciendo:

• Una prueba gratuita medida en minutos. El modelo más común: tienes un número de minutos de transcripción y luego se paga.
• Una vista previa gratuita de cada archivo. Lo que hacemos nosotros: los primeros 5 minutos de cualquier MP4 se transcriben al momento y sin cuenta, para que juzgues la calidad con tu audio antes de decidir nada.
• «Gratis para siempre», con publicidad o con límites. Suele significar archivos más cortos, sin etiquetas de hablante, sin más exportación que texto plano, o que tu grabación se usa para entrenar modelos. Lee las condiciones, no el titular.
• Gratis de verdad y sin conexión: Whisper en tu propio equipo. Coste cero y nada sale de tu ordenador, a cambio de instalarlo y poner el hardware. Para material confidencial esta es la respuesta correcta, no un apaño.

MP4 a texto: comparativa de opciones

Etiquetas de hablante: quién dijo qué

La transcripción de una reunión sin hablantes es un muro de texto. La detección de hablantes (diarización) divide la transcripción en turnos y etiqueta cada uno, de modo que se lee como una conversación.

En los MP4 donde se detectaron hablantes, las grabaciones de dos personas son con diferencia las más frecuentes, seguidas de las de tres y luego las de una: justo lo que cabe esperar de entrevistas, llamadas uno a uno y pódcast. Los archivos con seis o más hablantes existen, pero son la cola, y también son donde la diarización más se equivoca: cuanta más gente y más interrupciones, más difícil es el problema.

Las etiquetas automáticas salen como «Hablante 1», «Hablante 2», etc.; las renombras una vez y se actualiza toda la transcripción. En nuestro editor también puedes reasignar un tramo a otro hablante escribiendo su nombre en una línea aparte, útil cuando dos personas quedaron fundidas en una sola etiqueta.

Idiomas

La transcripción cubre más de 100 idiomas, y las subidas de MP4 usan muchos de ellos. En nuestros datos, el inglés supone en torno al 83 % de los archivos MP4, seguido de español, francés, chino, ruso, coreano, portugués, árabe, hebreo y japonés.

Dos notas prácticas. La detección automática se basa en los primeros segundos, así que una grabación que empieza con música o silencio puede detectarse mal: fija el idioma a mano si las primeras palabras no son habla. Y una grabación que cambia de idioma a mitad de frase es genuinamente difícil para cualquier herramienta; cuenta con corregir los puntos de cambio a mano.

Formatos de exportación

Qué formato quieres depende de qué va a pasar después con la transcripción:

• TXT: texto plano, para buscar, pegar y alimentar otras herramientas.
• DOCX: Word y Google Docs, cuando la transcripción se va a seguir editando.
• PDF: un documento fijo para enviar o archivar.
• SRT y VTT: archivos de subtítulos, para devolver el texto al MP4 del que salió. Es el motivo por el que mucha gente transcribe un vídeo. Si el vídeo va a YouTube, conviene leer antes por qué subir tus propios subtítulos en lugar de los automáticos.
• JSON: tiempos, hablantes y datos por palabra para que otro programa los consuma.

Privacidad: qué pasa con tu vídeo

Antes de subir algo sensible —una llamada con un cliente, una consulta médica, una reunión interna— comprueba tres cosas en cualquier servicio, también en el nuestro: si tus archivos se usan para entrenar modelos, cuánto tiempo se conservan y si puedes borrarlos. Si las respuestas no están escritas con claridad, esa es la respuesta. Para material que legalmente no puede salir de tu organización, ejecuta Whisper en local: ningún servicio en la nube, a ningún precio, cambia ese cálculo.

Cómo sacar una mejor transcripción de un MP4

• Graba bien el audio desde el principio. Nada de lo que hagas después recupera tanto como un micrófono cerca de quien habla.
• Pide que no se hable encima en reuniones grabadas. Es la mayor fuente de errores.
• Sube el archivo original. No una reexportación, ni una grabación de pantalla de una reproducción, ni una copia comprimida enviada por chat.
• Di los nombres y términos técnicos con claridad al principio cuando puedas: una primera mención limpia da al modelo más opciones de acertar en todas las siguientes.
• Revisa contra el audio, no contra lo que suene plausible. Las transcripciones automáticas se equivocan de forma fluida y creíble; una frase que se lee bien puede seguir estando mal.