Cómo transcribir un vídeo a texto: MP4, MOV, WebM (guía 2026)

Transcribir un vídeo a texto funciona igual que transcribir un audio: subes el archivo MP4, MOV, WebM o MKV a una herramienta de transcripción, el sistema extrae la pista de audio, la convierte en texto con marcas de tiempo y te deja revisarlo en un editor. Lo que cambia con el vídeo son los detalles prácticos: los archivos pesan mucho más, los formatos de contenedor confunden y muchas veces lo que buscas no es solo el texto, sino también subtítulos sincronizados. Esta guía cubre todo eso.

Qué puedes sacar de un vídeo

• Texto plano para leer, buscar y citar.
• Transcripción con marcas de tiempo para localizar momentos concretos.
• Subtítulos en SRT o VTT, sincronizados con el vídeo.
• Resumen, capítulos y puntos clave generados con IA.
• Traducción del texto a otros idiomas (y subtítulos traducidos).
• Un borrador para un artículo, un guion o la documentación interna.

Formatos de vídeo: lo que de verdad importa

Un archivo de vídeo es un contenedor con una o varias pistas: vídeo, audio y a veces subtítulos. Para la transcripción solo importa la pista de audio, así que casi cualquier formato sirve siempre que el audio esté dentro.

Dos problemas habituales:

• El vídeo tiene varias pistas de audio (por ejemplo, una grabación de OBS con el micrófono y el audio del juego por separado). La mayoría de herramientas transcribe la primera pista; si no es la que te interesa, mézclalas o exporta la correcta antes de subir.
• El vídeo no tiene audio o el audio está vacío (grabaciones de pantalla sin micrófono). Compruébalo reproduciéndolo antes de subirlo para no gastar minutos del cupo.

Paso a paso: cómo transcribir un vídeo

Lo describimos con Audiotexta; otras herramientas en la nube siguen un flujo muy parecido.

1. Comprueba el archivo

Reproduce unos segundos y confirma que el audio se oye bien. Si el vídeo dura varias horas y pesa decenas de gigabytes, lee primero la sección sobre archivos grandes.

2. Sube el vídeo o pega el enlace

Arrastra el MP4, MOV o WebM a la aplicación web. Si el vídeo está en YouTube, no hace falta descargarlo: pega el enlace y la herramienta se encarga del resto. Si es una grabación de Google Meet, Zoom o Teams, el archivo que descargas de la plataforma se sube directamente.

3. Configura la transcripción

Indica el idioma y activa la identificación de hablantes si aparece más de una persona (entrevistas, mesas redondas, reuniones). En un tutorial grabado por una sola persona, déjala desactivada.

4. Espera y revisa

El sistema extrae el audio y lo transcribe. En el editor, al reproducir el vídeo, el texto se resalta palabra a palabra: si ves un término raro, haz clic en él, escucha ese instante y corrígelo. Presta especial atención a nombres propios, siglas, cifras y negaciones.

5. Exporta según lo que necesites

• TXT o DOCX: para leer, editar o entregar un documento.
• PDF: versión final para compartir.
• SRT o VTT: subtítulos con tiempos, listos para cargar en YouTube, Vimeo, un reproductor o un editor de vídeo.
• Resumen y capítulos: en un vídeo largo, los capítulos con IA te dan un índice navegable; si es un vídeo tuyo de YouTube, puedes copiarlos a la descripción.

Archivos grandes: cómo evitar que la subida sea un problema

Un vídeo en 1080p de una hora puede ocupar varios gigabytes; una grabación en 4K, bastante más. Como la transcripción solo usa el audio, estás subiendo muchísimos más datos de los necesarios. Opciones, de la más sencilla a la más técnica:

Comprueba los límites del servicio

Cada herramienta tiene un tamaño máximo por archivo y una duración máxima que dependen del plan; consulta la página de precios antes de intentar subir un archivo enorme. Si lo supera, elige una de las opciones siguientes.

Extrae solo el audio

Es la solución más eficaz: un M4A o MP3 de una hora pesa una fracción del vídeo y el resultado de la transcripción es idéntico. Cómo hacerlo:

• Con un editor de vídeo (iMovie, DaVinci Resolve, Clipchamp, CapCut): exporta solo el audio.
• Con VLC: Medio, Convertir/Guardar, elige el archivo y un perfil de solo audio.
• Con FFmpeg, gratuito y de línea de comandos, en un solo paso:

ffmpeg -i grabacion.mp4 -vn -c:a aac -b:a 128k grabacion.m4a

El parámetro -vn descarta el vídeo y el resto define un audio AAC con calidad de sobra para transcribir. La documentación oficial está en ffmpeg.org.

Divide el vídeo en partes

Si prefieres no convertir, puedes cortar el archivo en bloques de, por ejemplo, treinta o sesenta minutos y subir cada uno. El inconveniente es que las marcas de tiempo de cada parte empiezan desde cero, tendrás que unir las transcripciones a mano y los nombres de los hablantes pueden no coincidir entre partes. Divide en pausas naturales, no en mitad de una frase.

Reduce la calidad del vídeo

Recodificar a 480p reduce el peso sin tocar el audio, pero tarda más que extraer el audio y no aporta nada a la transcripción. Solo tiene sentido si necesitas conservar la imagen por otro motivo.

Usa una conexión estable

Para archivos grandes, evita las redes wifi públicas y no cierres la pestaña hasta que la subida termine. Si procesas muchos archivos de forma habitual, una herramienta con API te permite subirlos desde un servidor sin pasar por el navegador.

Grabaciones de pantalla, tutoriales y cursos

Un caso muy frecuente es transcribir vídeos propios grabados con OBS, Loom, la grabación de pantalla del sistema o la de Meet y Zoom. Consejos específicos:

• Graba el micrófono en una pista separada si tu software lo permite; así puedes transcribir solo tu voz sin el audio del sistema.
• Usa un micrófono decente y habla de cara a él; una grabación de pantalla con el micrófono integrado del portátil y el ventilador a tope es lo peor para cualquier sistema de reconocimiento de voz.
• Si enseñas a usar un programa, di los nombres de los menús y comandos con claridad; luego te servirán como índice de capítulos.
• En cursos largos, transcribe cada lección por separado: tendrás capítulos naturales y archivos manejables.

Subtítulos: lo que debes revisar antes de exportar

Si el objetivo es subtitular el vídeo, un texto perfecto no basta: los segmentos tienen que ser legibles en pantalla.

• Líneas de una o dos filas y de unos cuarenta caracteres cada una, como referencia habitual.
• Duración de cada subtítulo suficiente para leerlo, sin solaparse con el siguiente.
• Los subtítulos no deben cortar una unidad de sentido ("de la" en una línea y "empresa" en la siguiente).
• Si hay varios hablantes, un guion o el nombre al inicio ayuda a seguir el diálogo.
• En redes sociales muchos espectadores ven el contenido sin sonido, así que ahí los subtítulos pesan más que en cualquier otro contexto.

Un editor de transcripción que permita dividir y unir segmentos te ahorra abrir después un editor de subtítulos dedicado.

Privacidad: vídeos con caras, nombres y datos

Un vídeo suele contener más datos personales que un audio: caras, pantallas compartidas con información interna, nombres de clientes. Antes de subirlo a cualquier servicio:

• Confirma dónde se procesan y almacenan los archivos y durante cuánto tiempo.
• Comprueba si el proveedor usa tu contenido para entrenar modelos.
• Si solo necesitas el texto, extraer el audio también reduce lo que compartes: ninguna imagen sale de tu equipo.
• Borra el vídeo del servicio cuando tengas la transcripción, si no vas a necesitarlo para revisar.

Con Audiotexta puedes eliminar los archivos en cualquier momento desde la aplicación. Para contenido realmente confidencial, un modelo local como Whisper sigue siendo la opción más conservadora.

Alternativas rápidas

• Subtítulos automáticos de la plataforma: YouTube, Vimeo o los reproductores de Meet y Zoom generan subtítulos; útiles para ver, pero difíciles de exportar y editar.
• Whisper en local: gratis y privado; necesitas instalar el software, un equipo potente y extraer el audio tú mismo. Sin editor ni hablantes de serie.
• Editores de vídeo con transcripción integrada (Premiere, DaVinci Resolve): cómodos si ya trabajas en ellos, aunque están pensados para editar el vídeo, no para producir documentos.
• Servicios de transcripción humana: para vídeo legal o médico que exige máxima precisión, a un precio por minuto mucho más alto.

En resumen

Pasar un vídeo a texto no tiene misterio: el formato apenas importa; lo que importa es el audio. Comprueba que se oye bien, sube el archivo (o extrae el audio si pesa demasiado), activa los hablantes cuando haga falta, revisa en el editor y exporta en el formato que necesites, subtítulos incluidos. Si quieres un repaso más general del proceso, empieza por la guía para transcribir audio a texto; y si lo que tienes son grabaciones de reuniones, la guía de transcripción de reuniones explica cómo convertirlas en un acta.