Crea subtítulos para un vídeo o una grabación

Una entrevista, una clase, una llamada con un cliente, la demostración de un producto: las grabaciones que más necesitan subtítulos suelen ser justo las que no deberían mandarse a un servicio de transcripción. Aquí el modelo de voz funciona dentro de esta pestaña, así que el archivo nunca sale de tu ordenador.

Cargando la herramienta…

Cómo funciona

  1. Arrastra el vídeo o el archivo de audio. Deja el idioma en automático, o elígelo si la detección se equivoca.
  2. Pulsa «Crear subtítulos». La primera vez se descarga el modelo de voz, una sola vez (240 o 540 MB, según tu ordenador); después la grabación se transcribe parte por parte.
  3. Corrige el texto y los tiempos mientras el vídeo te los muestra, y descarga el .srt o el .vtt, o crea un MP4 con los subtítulos grabados.

Por qué no se sube nada

Todo lo que hace esta página lo ejecuta código que corre dentro de la pestaña de tu navegador, con el mismo motor que dibuja las páginas web. El archivo se lee del disco a la memoria de la pestaña, se transforma ahí y se vuelve a escribir como descarga. No se envía a ninguna parte: ni a nosotros, ni a terceros.

Compruébalo tú mismo

  1. Abre las herramientas de desarrollo del navegador (F12) y elige la pestaña «Red».
  2. Carga tu archivo y ejecuta la herramienta.
  3. Las únicas peticiones que verás descargan el código de la propia herramienta —y, en unas pocas herramientas pesadas, su motor de código abierto (también desde este sitio) o un modelo de IA desde Hugging Face—, más un pequeño aviso de visita a loreatec.jp (dirección y título de la página, nada más). Ninguna lleva tu archivo.

Compruébalo tú mismo →

Preguntas frecuentes

¿Qué precisión tiene?

Con voz clara y una sola persona hablando cada vez, la mayoría de las palabras salen bien, pero toma el resultado como un borrador. La precisión baja con música de fondo, personas que hablan a la vez, acentos marcados, jerga y micrófonos malos. Revisa nombres, cifras y términos técnicos, y léelo una vez con el vídeo delante. Durante la música o el silencio el modelo a veces escribe una frase que nadie ha dicho: bórrala. Los tiempos pueden desviarse una fracción de segundo.

¿Qué modelo usa y por qué la descarga es tan grande?

OpenAI Whisper (licencia MIT), en las versiones publicadas en Hugging Face. Si el navegador ofrece WebGPU, large-v3 turbo (unos 540 MB) funciona en el chip gráfico y pone tiempo a cada palabra. Si no, Whisper small (unos 240 MB) funciona en el procesador: más lento, menos preciso y con tiempos por frase en lugar de por palabra. Cualquiera de los dos se descarga una vez y se guarda en el navegador; la página de IA local de este sitio usa los mismos archivos, así que no se descargan dos veces.

¿Se sube mi grabación?

No. El sonido se decodifica, se transcribe y se convierte en subtítulos dentro de esta pestaña del navegador. Lo único que se descarga es el propio modelo y, con algunos formatos, el motor de vídeo que sirve este sitio. Puedes comprobarlo: con el modelo cargado, la herramienta sigue funcionando en modo avión.

¿Cómo se reparten las líneas?

Como mucho dos líneas por subtítulo, unos 42 caracteres por línea (16 en japonés y chino) y entre uno y siete segundos en pantalla. Las líneas se cortan al final de las frases, en las pausas y en las comas, y no detrás de un artículo o una preposición si se puede evitar. Cada subtítulo se puede editar, unir con el siguiente o borrar, y sus tiempos se pueden cambiar a mano.

¿SRT, VTT o grabados en el vídeo?

SRT lo acepta casi todo: YouTube, Vimeo, los editores de vídeo, VLC. VTT es el formato de las páginas web (el elemento <track>) y de algunas plataformas. Grabarlos dibuja el texto sobre la imagen, para los sitios que no admiten archivos de subtítulos; vuelve a codificar todo el vídeo en el navegador como MP4 H.264, lo que lleva un rato, y los subtítulos ya no se pueden desactivar.

¿Cuánto tarda?

Depende del ordenador. En un portátil corriente con gráficos integrados tardó entre 1 y 1,5 veces lo que dura la grabación; solo con el procesador, unas dos veces. Con una tarjeta gráfica dedicada va más rápido. La grabación se transcribe en partes de 30 segundos, la barra de progreso muestra en cuál va y puedes pararla cuando quieras.