Cómo transcribir notas de voz y grabadoras IC: guía completa desde la exportación de archivos hasta la transcripción con IA

Cómo transcribir notas de voz y grabadoras IC: guía completa

El autor de este artículo desarrolla y vende PUBVOICE, una herramienta de transcripción con IA. Los consejos de grabación y los métodos de transcripción descritos aquí no dependen de ninguna herramienta concreta y funcionan con cualquier servicio de transcripción.

Reuniones, clases, entrevistas, ideas anotadas en movimiento: pulsar grabar lleva segundos, pero convertir ese audio en texto cuesta horas. Una columna de Ricoh sitúa la transcripción manual en cuatro veces la duración del audio: un memo de 10 minutos cuesta 40 minutos de mecanografiado, y una clase de 90 minutos, seis horas Ricoh. Y aun sin transcribir palabra por palabra, una columna de Otsuka Shokai señala que las actas de una reunión de una hora suelen llevar de una a dos horas, y estima más de 260 horas al año para un empleado con cinco horas semanales de reuniones Otsuka Shokai.

Este artículo resuelve el problema en tres pasos: cómo grabar en cada dispositivo y extraer el archivo, los factores de grabación que deciden realmente la precisión, y cómo elegir entre las tres rutas de transcripción (funciones del móvil, modelo de IA propio y servicios en la nube). Sobre el autor: desarrollé AITOMO, una app de voz con VOICEVOX (20.000 descargas acumuladas, valoración 4,2), implementando yo mismo el soporte de formatos de audio, y como desarrollador de PUBVOICE decido qué formatos de grabación soportar a partir de datos de uso reales.

Por qué grabamos y nunca transcribimos

Grabar no cuesta nada; transcribir cuesta cuatro veces el audio. Esa asimetría produce el fenómeno de «grabar y olvidar»: los archivos se acumulan, sin poder buscarse ni servir como notas. La solución no es escribir más rápido, sino no escribir. Hay tres rutas —funciones integradas, modelo propio, servicio en la nube— y, antes de elegir, un cimiento común: cómo grabar.

La grabación en la práctica: iPhone, Android y grabadoras IC

El punto de entrada de la transcripción siempre es un archivo de audio. Los dispositivos difieren en dos cosas: la calidad de lo capturado y cómo extraer el archivo.

Notas de voz del iPhone: lo básico y el archivo m4a

Según las páginas de soporte de Apple, puedes seguir usando otras apps mientras grabas (mientras no se reproduzca audio), grabar con el micro integrado, un auricular compatible o un micrófono externo, y con iCloud activado las grabaciones se sincronizan con tus otros dispositivos Apple Apple. Para exportar: abre la grabación, toca el botón de detalles y comparte o «Guardar en Archivos»; por defecto se exporta en .m4a Apple.

El malentendido habitual es que hay que convertir el m4a antes de transcribir. No: el m4a es un contenedor de audio comprimido estándar y los servicios modernos lo aceptan directamente. PUBVOICE admite MP3, WAV, M4A, WEBM, FLAC y MP4 tal cual, una lista que decidí con datos de uso reales, porque la mayoría de grabaciones de iPhone llegan en m4a. Recomprimir audio ya comprimido solo lo degrada.

Apps de Android y grabadoras IC

Android varía por modelo: unas apps de grabación transcriben, otras solo graban, y algunos teléfonos ni siquiera traen una. Al elegir, comprueba tres cosas: el formato de guardado (elige MP3 o M4A si se puede), si las grabaciones se pueden exportar como archivo desde el menú compartir, y los límites de la transcripción integrada (idiomas, destinos de exportación).

Las grabadoras IC siguen siendo la opción más fuerte para grabaciones largas y con muchos hablantes: micrófonos direccionales, batería y almacenamiento optimizados. La mayoría ofrece PCM lineal (alta calidad, archivos grandes) y MP3 (comprimido, ligero); para transcribir, MP3 suele bastar: el tamaño del archivo afecta más a la velocidad de subida que a la precisión, comparado con la colocación del micrófono. La transferencia suele ser por USB como unidad externa: copia los archivos y el flujo es idéntico al de una grabación de móvil.

La precisión se decide al grabar

El mayor malentendido sobre la transcripción con IA es creer que la precisión depende de la IA. Con el mismo servicio, las condiciones de grabación mueven el resultado mucho más que la diferencia de modelos. Cuatro reglas: acerca el micrófono a quien habla; ajusta por la persona más callada (graba una prueba de 30 segundos); reduce las voces solapadas y el ruido; y corrige la colocación antes de obsesionarte con el formato, porque la distancia al micrófono pesa mucho más que m4a frente a mp3.

Cuando la transcripción «no funciona», la causa suele estar en la grabación: volver a grabar es la corrección más rápida.

Tres formas de pasar una grabación a texto

1. Funciones integradas del móvil. En iPhone 12 y posteriores, Notas de Voz transcribe en tiempo real en japonés y otros idiomas, permite copiar el texto y buscar grabaciones por transcripción Apple. Para memos personales suele bastar. La lista de funciones publicada no incluye etiquetas de hablante, y solo procesa grabaciones hechas en ese dispositivo: no admite el archivo de una grabadora IC. En Android también hay apps con transcripción integrada, pero conviene revisar idiomas y exportación de cada una.

2. Ejecutar Whisper por tu cuenta. Whisper, de OpenAI, es un modelo de reconocimiento de voz de propósito general —transcripción multilingüe, traducción e identificación de idioma— con código y pesos bajo licencia MIT Github. Se instala con pip y corre en tu propio PC: el audio no sale de tu máquina y no hay coste de licencia. A cambio: configurar Python, velocidad ligada a tu hardware, y sin separación de hablantes ni editor sincronizado de serie; te los montas tú.

3. Subir el archivo a un servicio de transcripción con IA. Arrastra el archivo y recibes la transcripción con hablantes. PUBVOICE admite MP3, WAV, M4A, WEBM, FLAC y MP4, hasta 2 horas y 500 MB por archivo, con editor sincronizado con el audio y exportación a TXT, SRT y VTT; nunca usa el audio para entrenar IA. Los pasos están en la guía de ayuda. Elijas lo que elijas, comprueba tres cosas: separación de hablantes, formatos de exportación y tratamiento del audio. La comparativa de 2026 lo pone cara a cara.

Las tres rutas se combinan: la integrada para memos rápidos, el servicio para reuniones y entrevistas, Whisper propio para lo que no puede salir del edificio.

Control de calidad y destino de las transcripciones

No envíes nunca una transcripción sin revisar. Los errores se concentran en nombres propios, cifras y jerga: revisa ahí. Un editor sincronizado con el audio, como la pantalla de transcripción de PUBVOICE, permite pulsar una línea dudosa y oírla al instante; sin él, guarda la salida con marcas de tiempo.

La transcripción es materia prima, no la meta: el audio de reuniones se convierte en actas con las decisiones arriba (plantilla en la guía de actas); las entrevistas en material de artículo (guía de transcripción de entrevistas); las clases en apuntes buscables. Guarda el audio original y la transcripción juntos, con fecha y tema.

Preguntas frecuentes

P. ¿Tengo que convertir el m4a a MP3 antes de transcribir?
R. No. La mayoría de los servicios acepta m4a directamente (PUBVOICE también). Recomprimir audio ya comprimido solo lo degrada.

P. ¿Y grabaciones de más de dos horas?
R. Divide la grabación en los descansos o cambios de tema. PUBVOICE admite hasta 2 horas y 500 MB por archivo.

P. ¿Puedo transcribir mensajes del buzón de voz?
R. Ese audio normalmente no se puede exportar como archivo. Lo fiable es reproducirlo y grabarlo de nuevo en otro dispositivo; revisa también si tu operadora ofrece pasar el buzón a texto.

P. ¿Qué mejora más la precisión?
R. Acercar el micrófono a quien habla al grabar. Ninguna IA recupera del todo una voz lejana captada desde el otro lado de la sala.

P. ¿Mi audio se usa para entrenar IA?
R. Depende del servicio: consulta los términos. PUBVOICE nunca usa el audio subido para entrenar IA.