El reconocimiento de voz es la tecnología que convierte lo que dices en texto escrito. Lo usas cuando dictas un mensaje de WhatsApp con el micrófono del teclado, cuando le pides algo a Siri o cuando subes la grabación de una reunión para tener la transcripción. Los mejores modelos de 2026 se equivocan en menos del 5 % de las palabras con audio limpio, pero en la práctica la precisión varía de 3 a 4 veces según cómo se grabó el audio, el vocabulario y el modelo.
Aquí verás cómo funciona, qué la hace acertar o fallar y qué herramienta te conviene para dictar o para transcribir.
Dos usos distintos del reconocimiento de voz
1. Dictado en directo. Hablas y el texto aparece al momento: el dictado del teclado en Android y iPhone, la escritura por voz de Google Docs, Windows + H en Windows o la función Dictar de Word. Está optimizado para la rapidez: procesa el audio en fragmentos pequeños y muestra el resultado en menos de un segundo.
2. Transcripción de archivos. Tienes una grabación completa y quieres el texto completo: entrevistas, reuniones, pódcasts, clases. Está optimizada para la precisión, porque el modelo ve todo el contexto del audio antes de escribir, y eso mejora bastante el resultado.
En sipsip.ai nos enfocamos en el segundo caso: transcribir audio y video que ya grabaste, donde la precisión importa más que la velocidad.
Cómo funciona un modelo de reconocimiento de voz
Los modelos actuales se basan en arquitecturas transformer, el mismo diseño de los grandes modelos de lenguaje, aplicado al audio.
- Preprocesamiento. La onda de audio se convierte en un espectrograma mel: una imagen donde el eje horizontal es el tiempo, el vertical la frecuencia y el brillo la energía. Eso es lo que "ve" el modelo.
- Codificador. Un codificador transformer analiza el espectrograma y construye una representación interna con fonemas, entonación, ritmo y contexto.
- Decodificador. Genera el texto palabra por palabra, usando tanto el audio como el texto que ya escribió. Así mantiene el contexto en frases y párrafos largos.
- Posprocesamiento. Añade mayúsculas, puntuación y formato, con un modelo aparte o dentro del propio decodificador.
El gran salto vino del preentrenamiento a gran escala con audio variado. Whisper de OpenAI se entrenó con 680,000 horas de audio multilingüe, mucho más que los modelos anteriores, y por eso se adapta bien a acentos, idiomas y condiciones de grabación muy distintas.
Whisper y Deepgram: los dos enfoques dominantes
| Whisper (OpenAI) | Deepgram Nova-2 | |
|---|---|---|
| Tipo | Código abierto | API comercial |
| Diseño | Entrenado con 680,000 horas de audio, 99 idiomas | Pensado para producción |
| Punto fuerte | Habla multilingüe, acentos, vocabulario especializado | Tiempo real, varios hablantes |
| Velocidad | Requiere GPU para ir rápido | Rápido, admite streaming |
| Tasa de error (WER) | ~3–5 % (large-v3) | Menos del 10 % con audio profesional, según Deepgram |
Ninguno gana siempre. Whisper destaca con varios idiomas y con acentos; Nova-2 en tiempo real y con varias voces. Su sucesor, Deepgram nova-3, es el que usa sipsip.ai para transcribir audio y video.
Qué determina la precisión
El modelo importa menos de lo que se cree. Estos son los factores, de mayor a menor peso:
- Calidad de la grabación. Voz clara, poco ruido y el micrófono bien colocado explican la mayor parte de la diferencia. Un micrófono USB de 50 dólares en una sala tranquila rinde más que uno de 2,000 en una oficina ruidosa.
- Claridad al hablar. Hablar muy rápido, interrumpirse o murmurar baja la precisión.
- Vocabulario del tema. Términos médicos, legales o técnicos y nombres de marcas se reconocen peor con un modelo general, aunque Whisper large-v3 ha mejorado mucho en eso.
- Codificación del audio. WAV, FLAC o un MP3 de buena calidad se transcriben mejor que el audio muy comprimido o el de una llamada telefónica.
Tasa de error según el tipo de grabación
Promedios aproximados del volumen procesado en sipsip.ai:
| Tipo de grabación | Whisper large-v3 | Deepgram Nova-2 |
|---|---|---|
| Estudio o sala tranquila, una voz | 3–5 % | 4–7 % |
| Entrevista profesional con micrófono | 5–8 % | 5–8 % |
| Grabación en exteriores con ruido | 10–18 % | 12–20 % |
| Llamada telefónica o VoIP | 12–22 % | 8–15 % |
| Reunión con varias personas | 15–25 % | 8–15 % |
| Hablante con acento, no nativo | 8–15 % | 12–20 % |
| Vocabulario técnico | 8–15 % | 10–18 % |
Cómo mejorar el reconocimiento de voz
- Graba a 16 kHz o más. La mayoría de los modelos trabaja internamente a 16 kHz; por debajo de eso (llamadas, audio muy comprimido) el resultado empeora.
- Reduce el ruido al grabar. Un micrófono direccional o unos auriculares con cancelación de ruido en una sala tranquila valen más que cualquier limpieza posterior.
- Habla a ritmo natural, unas 130 a 150 palabras por minuto. Ir muy despacio o muy deprisa sube los errores.
- Elige el modelo según el contenido: Whisper large-v3 para varios idiomas, acentos o temas técnicos; Deepgram para reuniones con varias voces o tiempo real.
- Exporta con buena calidad: WAV o FLAC para archivar, y MP3 a 128 kbps como mínimo.
Qué herramienta usar
Para dictar
El dictado del teclado de tu celular, la escritura por voz de Google Docs, Windows + H y el dictado de macOS son gratis y bastan para mensajes, correos y notas.
Para transcribir archivos
| Herramienta | Precio | Para quién |
|---|---|---|
| Transcribir audio a texto de sipsip.ai | Créditos gratis, sin tarjeta | Transcripción con hablantes, marcas de tiempo, resumen y puntos clave |
| API de Whisper (OpenAI) | 0.006 USD/min | Desarrolladores; límite de 25 MB por llamada |
| AssemblyAI | 0.012 USD/min | Separación de hablantes, análisis de sentimiento y capítulos como extras |
El transcriptor de sipsip.ai viene del equipo detrás de AI-Video-Transcriber, un proyecto de código abierto con más de 3,300 estrellas en GitHub. Subes un MP3, MP4, WAV o M4A y recibes el texto con hablantes, marcas de tiempo, un resumen con IA y los puntos clave, en más de 30 idiomas, incluido el español. Para un archivo MP3, usa directamente MP3 a texto; para video, Transcribir video a texto.
Para transcripción en directo
- Deepgram Nova-2 streaming: latencia inferior a 300 ms, 0.0059 USD/min. El estándar en producción.
- Otter.ai: transcripción en vivo de reuniones en Google Meet, Zoom y Teams, con 300 minutos al mes gratis.
- Google Cloud STT v2: para equipos que ya trabajan en Google Cloud.
Para transcripción revisada por personas
Rev cobra 0.02 USD/min por la transcripción con IA y 1.25 USD/min por la revisada por personas, con más del 99 % de precisión. Se justifica en contenido legal, médico o de archivo.
Lo que más pesa: el proceso completo
La elección real es el proceso completo más que el modelo. El mismo Whisper large-v3 puede dar entre un 3 y un 20 % de errores según si se reduce el ruido antes, si se limpia el texto con un modelo de lenguaje después y si se separan bien los hablantes. Si quieres probar Whisper por tu cuenta, la guía de Whisper AI compara las herramientas de código abierto. Si prefieres subir el archivo y recibir el texto, la Transcripción con IA de sipsip.ai hace todo el proceso en el navegador.
