Subtítulos para video y transcripción de video a texto

Sube el archivo y presiona «Generar subtítulos». Al terminar el reconocimiento, sobre la transcripción aparecen los botones «Copiar» y «TXT»: el texto se puede llevar corrido o con marcas de tiempo. El conmutador «Texto corrido» muestra el resultado como un documento normal, listo para apuntes o para un artículo.

SRT para casi todo: YouTube, los reproductores y las suites de edición lo leen, y lleva líneas con tiempo, sin más. VTT es el formato de la web: es lo que un navegador espera en una pista de video. ASS se elige cuando el estilo tiene que sobrevivir al viaje: tipografías, posiciones y colores viven dentro del archivo, así que un subtítulo diseñado aquí sigue diseñado cuando otra persona lo abre.

Primero escucha y decide él: Whisper detecta el idioma a partir del propio audio entre más de noventa, así que un clip que no grabaste tú sale igualmente en el correcto. El ruso pasa por un modelo entrenado para él y no por el general. Si el idioma cambia a mitad de la grabación, o un acento fuerte despista la detección, fija el idioma a mano antes de la pasada y se acaban las conjeturas.

Sí. Antes del reconocimiento, Silero VAD marca los tramos con habla real, de modo que se salta el silencio de introducciones, pausas y cierres y la precisión aguanta en archivos largos. El texto aparece en el editor a medida que avanza el proceso: no hay que esperar al final para empezar a leer y corregir. Los videos de más de 30 minutos van mejor en una computadora con 8 GB de RAM.

Sí, «Descargar MP4 con subtítulos» monta un archivo con los rótulos dibujados sobre la imagen: se ven en cualquier red social y en reproductores que no leen SRT. El montaje corre en el navegador con FFmpeg WASM: el video se codifica en H.264 y la pista de audio se copia sin recodificar.

Haz clic en el código de tiempo a la izquierda de la línea en la transcripción y escribe la hora nueva, o muévela con las flechas (Shift = pasos de un segundo). El video salta mientras editas, así que el resultado se oye al momento. Los tiempos de palabra se recalculan desde la línea, y el resaltado de karaoke sigue a compás.

Whisper deduce los límites de palabra por decodificación cross-attention, con una precisión de unos ±200 ms — suficiente para el resaltado tipo karaoke y para subtítulos normales. Si la decodificación va lenta, el modo rápido reparte las palabras de forma uniforme dentro del segmento. El inicio de una línea también se ajusta a mano en la transcripción.

La exportación a VTT es el formato estándar de subtítulos cerrados para reproductores web (HTML5 track, YouTube, Vimeo) y lo aceptan las revisiones WCAG, ADA y EAA. Los subtítulos llevan marcas de tiempo, etiquetas de hablante si el detector está activo y puntuación limpia. El MP4 incrustado añade contorno y sombra para contraste y se mantiene dentro de las zonas seguras.

Abre «Glosario» en los ajustes de reconocimiento y escribe tus términos, uno por línea. Se pasan al modelo como indicación inicial, así que nombres de producto, apellidos, siglas y jerga profesional salen bien escritos. Es la mayor ganancia de precisión en charlas técnicas y contenido de marca.