Transcribir audio con ChatGPT: ¿se puede? ¿Y con Gemini?

Sí, puedes transcribir audio con ChatGPT, pero solo en planes de pago y solo a partir de archivos de audio: el centro de ayuda de OpenAI dice que subir audio no está disponible en el plan Free, y los archivos de video y los enlaces de YouTube no se admiten como fuente de audio. Gemini, de Google, también puede transcribir audio subido, con un límite total de 10 minutos en cuentas gratuitas y de hasta 3 horas en los planes de pago de Google AI. Para grabaciones largas, entrevistas o cualquier cosa que necesites con marcas de tiempo y hablantes, una herramienta especializada sigue siendo el primer paso más confiable, y el asistente de chat rinde más después, para resumir.

Esta guía explica qué hace realmente cada asistente con audio, video y enlaces de YouTube a octubre de 2026, dónde están los límites y un flujo de trabajo que combina lo mejor de ambos. Los productos de IA cambian rápido; revisa los detalles actuales en las páginas de ayuda enlazadas abajo.

¿ChatGPT puede transcribir audio a texto?

ChatGPT maneja la voz de tres formas distintas, y es fácil confundirlas.

1. Subir un archivo de audio

El artículo de OpenAI sobre cómo subir archivos y audio a ChatGPT dice que puedes adjuntar una grabación de audio a una conversación y pedirle a ChatGPT que la transcriba, la resuma o responda preguntas sobre ella. Los datos clave de esa página, revisados en octubre de 2026:

• Planes: subir audio está disponible en las suscripciones y espacios de trabajo de pago de ChatGPT, incluido Enterprise. No está disponible en el plan Free.
• Formatos: WAV, MP3, OGG, FLAC, AAC, M4A, PCM, y WebM o MP4 solo de audio. El archivo debe tener una pista de audio válida.
• Tamaño: los archivos de audio pueden pesar hasta 512 MB.
• Duración: no hay un límite fijo, pero OpenAI dice que las grabaciones largas pueden procesarse por secciones, que el procesamiento se hace en la medida de lo posible y que las grabaciones muy largas pueden agotar el tiempo de espera.
• Calidad: OpenAI indica que las transcripciones pueden contener errores, que la identificación de hablantes puede no ser confiable y que el rendimiento varía según el idioma.

2. ChatGPT Record

ChatGPT Record graba en vivo una reunión, una lluvia de ideas o una nota de voz, la transcribe y genera notas en un canvas. Según la página de ayuda de OpenAI, está disponible en Plus, Pro, Business, Enterprise y Edu, y solo en la app de escritorio para macOS. Las sesiones tienen un tope de 4 horas, el audio se borra después de transcribirlo y Record funciona mejor en inglés. Puede etiquetar a varios hablantes ("Speaker 1") y te deja cambiarles el nombre. Record sirve para captar algo que está pasando ahora; no transcribe un archivo que ya tienes.

3. Dictado

El ícono del micrófono en el cuadro de mensaje es el dictado por voz: lo que dices se transcribe en un mensaje que puedes editar antes de enviarlo. Es práctico para hablar en lugar de escribir, pero no sirve para transcribir una grabación que ya existe, y no hay forma confiable de reproducirle un archivo.

¿ChatGPT puede convertir video a texto?

No directamente. La guía de OpenAI para subir archivos no incluye formatos de video, y dice que los archivos WebM y MP4 identificados como video no se aceptan como audio. Si quieres el texto de un archivo MP4 o MOV, tienes dos opciones:

1. Extrae primero el audio con un conversor o un editor de video, guárdalo como MP3 o M4A y súbelo a ChatGPT (en un plan de pago).
2. Usa una herramienta de transcripción que acepte video, como la herramienta de video a texto de Audiotexta, que recibe el archivo de video tal cual y devuelve una transcripción con marcas de tiempo.

La segunda vía también te da archivos de subtítulos (SRT, VTT), que ChatGPT no genera como salida estándar.

¿ChatGPT puede transcribir un video de YouTube?

En general, no, y es la pregunta que más se hace. Cuando pegas un enlace de YouTube, ChatGPT no puede reproducir el video ni descargar su audio. Con la búsqueda web activada quizá lea el título o la descripción de la página y resuma de qué cree que trata el video. Ese resumen puede sonar muy seguro aunque se base en muy poco. Al momento de escribir esto, el centro de ayuda de OpenAI no tiene ningún artículo que describa compatibilidad con enlaces de YouTube.

Lo que funciona de forma confiable es conseguir primero la transcripción y darle el texto a ChatGPT:

• Cópiala del panel de transcripción de YouTube si el video tiene subtítulos (revisa cómo ver la transcripción de un video de YouTube).
• O pega el enlace en una herramienta que transcriba el audio, lo que también funciona con videos sin subtítulos. Nuestra guía para pasar un video de YouTube a texto compara las opciones.

¿Google (Gemini) puede transcribir audio a texto?

Sí. La página de ayuda de Google sobre cómo subir y analizar archivos en las apps de Gemini cubre audio, video y documentos. A octubre de 2026 dice:

• Tienes que haber iniciado sesión. Se pueden agregar hasta 10 archivos a una sola instrucción.
• Audio: duración total de hasta 10 minutos, o de hasta 3 horas con Google AI Pro o Google AI Ultra.
• Video: cada video puede pesar hasta 2 GB, con una duración total de hasta 5 minutos, o 1 hora en los planes de pago.
• Los demás archivos pueden pesar hasta 100 MB cada uno.

Así que Gemini, a diferencia de ChatGPT, acepta archivos de video, y también acepta audio en una cuenta gratuita, dentro de esos 10 minutos en total. La documentación de Google no promete un formato de transcripción literal, marcas de tiempo ni etiquetas de hablantes, así que pídelos de forma explícita en tu instrucción y revisa el resultado.

Gemini también tiene una ventaja con YouTube: el artículo de Google sobre el contenido de YouTube en las apps de Gemini describe cómo pedirle a Gemini que encuentre un video y lo resuma usando información pública de YouTube. Es útil para un resumen, pero no es lo mismo que una transcripción completa que puedas verificar.

Para usuarios de Google Workspace, Gemini en Google Drive puede resumir videos guardados en Drive y responder preguntas sobre ellos en los planes de Workspace y Google AI elegibles, según los anuncios de Workspace de Google. Google Docs, por su parte, ofrece escritura por voz para dictar en vivo, no transcripción de archivos subidos. Los planes y la disponibilidad varían según la edición y el idioma, así que consulta con tu administrador.

ChatGPT vs Gemini vs una herramienta de transcripción especializada

Límites revisados en las páginas de ayuda de cada proveedor, octubre de 2026.

Los asistentes son claramente mejores para conversar: hacer preguntas de seguimiento, convertir un resumen en un correo, explicar un fragmento. Las herramientas especializadas son mejores para la transcripción en sí.

Límites prácticos que debes conocer antes de subir un archivo

Duración y tamaño

Las grabaciones largas son donde más batallan los asistentes de chat generales. ChatGPT puede dividir el audio largo en secciones y agotar el tiempo de espera; Gemini limita la duración total por instrucción. Una clase de una hora cabe en los planes de pago de los dos, pero un taller de todo el día no.

Faltan marcas de tiempo y hablantes

Una transcripción que quieras citar, subtitular o analizar necesita marcas de tiempo en las que puedas hacer clic y etiquetas de hablantes confiables. Los asistentes de chat no están construidos alrededor de eso. Si de todos modos pides marcas de tiempo, compara algunas con la grabación antes de confiar en ellas.

Huecos y texto inventado

Cualquier sistema de voz a texto puede entender mal palabras. Un riesgo propio de los modelos de IA es el texto creíble que nadie dijo, sobre todo en silencios, con música o con voces encimadas, y un modelo de chat que "acomoda" una transcripción larga puede acortarla o parafrasearla en vez de escribirla palabra por palabra. Pide una transcripción literal y revisa por muestreo los fragmentos importantes. El audio limpio ayuda a cualquier sistema: un hablante por micrófono, poco ruido de fondo y nada de música debajo de la voz.

Privacidad y ajustes de entrenamiento

Lo que pasa con tu grabación depende del producto y de tus ajustes:

• ChatGPT: en los planes para consumidores, OpenAI puede usar el contenido para mejorar sus modelos si está activada la opción "Mejorar el modelo para todos" ("Improve the model for everyone"); puedes desactivarla en Controles de datos, y hay un interruptor aparte para las grabaciones de audio. OpenAI dice que, de forma predeterminada, no entrena con sus ofertas empresariales, como ChatGPT Enterprise.
• Gemini: con la actividad guardada ("Keep Activity") activada, el centro de privacidad de Google dice que algunas conversaciones pueden ser revisadas por personas para mejorar sus servicios; puedes desactivarla, pero varias funciones de Gemini, incluidas la integración con YouTube y la subida de archivos desde Drive, la requieren.

Para entrevistas, conversaciones con pacientes o llamadas con clientes, revisa primero estos ajustes, pide el consentimiento de todas las personas grabadas y lee nuestra guía sobre el RGPD y la transcripción si trabajas en la UE; en México, toma en cuenta también la ley de protección de datos personales.

El flujo que funciona: primero transcribe, luego pregúntale al asistente

Los asistentes de chat son excelentes para trabajar con texto y menos confiables como motores de transcripción. Dividir el trabajo aprovecha lo mejor de cada uno:

1. Transcribe con una herramienta de voz a texto. Usa Audiotexta en la aplicación web (sube un archivo, pega un enlace o graba desde el micrófono), o ejecuta Whisper de forma local si prefieres que todo se quede en tu computadora. Nuestra comparación de Whisper con las API de voz en la nube explica qué ganas y qué pierdes con cada opción.
2. Revisa la transcripción. Corrige nombres y tecnicismos, cambia el nombre de los hablantes y compara con el audio cualquier fragmento que vayas a citar.
3. Descárgala como texto. TXT es lo más fácil de pegar en un chat y se descarga gratis, sin cuenta; con Pro también puedes exportar en Markdown.
4. Pégala en ChatGPT o Gemini y pide lo que necesites: "Resume esta entrevista en cinco viñetas", "Enumera cada decisión y quién es responsable", "Escribe un correo de seguimiento". Como el asistente ahora trabaja con el texto completo, puedes verificar cada afirmación de su respuesta contra una marca de tiempo.

Audiotexta también puede hacer el paso del resumen por sí mismo con el plan Pro (resumen, capítulos, puntos clave, decisiones y tareas pendientes), sin usar tu contenido para entrenar modelos. Usa la combinación que mejor te funcione; lo importante es partir de una transcripción completa y verificable.