Grabadora de voz a texto: cómo transcribir grabaciones

2026-08-13

La grabadora de voz — el dictáfono de toda la vida o la app de grabación del móvil — sigue siendo la forma más fiable de capturar una entrevista, una consulta o una clase. El problema llega después: pasar la grabadora de voz a texto. Transcribir a mano una hora de audio consume entre cuatro y seis horas de trabajo; con un servicio de reconocimiento de voz, subes el archivo mp3, m4a, wav o amr y tienes la transcripción en minutos. En esta guía verás cómo sacar las grabaciones del dispositivo, qué formatos importan de verdad, cómo mejorar el audio antes de transcribir y flujos de trabajo concretos para periodistas, médicos, estudiantes y abogados.

Primero, saca los archivos del dispositivo

Con un dictáfono de hardware (Olympus, Sony, Zoom y similares), lo habitual es conectarlo por USB: el ordenador lo detecta como una memoria externa y las grabaciones aparecen en carpetas tipo RECORDER, VOICE o FOLDER_A. Si el aparato usa tarjeta microSD, sacarla y leerla con un adaptador suele ser aún más rápido. Copia los archivos al ordenador antes de tocar nada — trabajar sobre copias evita el clásico borrado accidental — y renómbralos con fecha y tema: «REC0047.mp3» no te dirá nada dentro de un mes; «2026-08-12_entrevista-alcaldesa.mp3», sí.

Con el móvil como grabadora, todo es más directo. Las Notas de Voz del iPhone se exportan en m4a desde el botón de compartir; las apps de grabación de Android permiten lo mismo desde el gestor de archivos o el propio menú de la app. Y si la grabación ya vive en el móvil, ni siquiera necesitas pasar por el ordenador: puedes convertir tus notas de voz a texto reenviando el archivo directamente a un bot de Telegram como @oratextbot, que devuelve la transcripción en el propio chat.

Formatos: mp3, m4a, wav y amr sin misterio

Los cuatro formatos que verás en el 95 % de las grabadoras se resumen así:

• mp3 — el estándar universal. Comprimido, ligero y suficiente para voz. Si tu grabadora te deja elegir, es la opción segura.
• m4a — el formato por defecto del iPhone y de muchas apps de Android. Calidad similar al mp3 con archivos algo más pequeños. No necesita conversión.
• wav — audio sin comprimir. La mejor calidad posible, pero archivos enormes: una hora puede ocupar más de 600 MB. Útil como original de archivo, incómodo para enviar.
• amr — el formato de dictáfonos antiguos y de algunas apps de grabación de llamadas. Suena estrecho y metálico, pero el reconocimiento de voz suele manejarlo sin problema.

La regla práctica: sube el archivo original tal cual. Cada conversión con pérdida (de amr a mp3, de mp3 a otro mp3) degrada un poco el audio sin aportar nada. Convierte solo si el servicio rechaza el formato — y los buenos aceptan todos los anteriores, además de vídeo.

Mejora el audio antes de transcribir — o mejor, graba bien

La mejora más rentable ocurre antes de pulsar REC, no después:

1. Acerca la grabadora a la fuente. Medio metro de quien habla vale más que cualquier filtro posterior. En una entrevista, más cerca del entrevistado que de ti: tus preguntas las conoces, sus respuestas no.
2. Superficie estable, nunca el bolsillo. El roce de la tela contra el micrófono arruina más grabaciones que el ruido de fondo.
3. Graba diez segundos de prueba en el lugar real y escúchalos con auriculares. Detectar el aire acondicionado o el zumbido de la nevera antes cuesta diez segundos; después, la grabación entera.

Si el audio ya está grabado y suena flojo, normalizar el volumen y recortar los silencios largos del principio ayuda. Lo que no conviene es aplicar reducción de ruido agresiva: los filtros que hacen el audio más agradable al oído humano a menudo eliminan matices que el reconocimiento de voz sí aprovechaba. Prueba primero a transcribir el archivo tal cual — los modelos actuales toleran bastante más ruido de fondo del que imaginas — y procesa solo si el resultado lo pide.

De la grabadora de voz a texto: el flujo en tres pasos

Una vez el archivo está fuera del dispositivo, el resto es corto:

1. Sube la grabación. Oratext acepta audio y vídeo en los formatos habituales, reconoce el habla en unos 99 idiomas y detecta el idioma automáticamente, así que no hay nada que configurar. Desde el móvil, el bot @oratextbot procesa archivos de hasta 20 MB directamente en Telegram.
2. Limpia la transcripción. El habla dictada al vuelo está llena de «eh», arranques dobles y frases que se corrigen a mitad. El modo de limpieza convierte ese material en prosa legible sin alterar el contenido.
3. Genera el entregable. Sobre el texto limpio, un clic produce el resumen, la lista de puntos accionables o la traducción — según lo que necesite tu caso.

Flujos reales: periodista, médico, estudiante, abogado

• Periodista. Entrevista con la grabadora sobre la mesa → transcripción literal el mismo día → citas exactas verificables contra el audio. La versión literal (sin limpiar) es la que protege ante un desmentido; la limpia, la que se convierte en artículo. Más detalle en la guía de transcripción de entrevistas.
• Médico. Dictar las notas de la consulta al salir del despacho — dos minutos de voz — y transcribirlas en bloque al final del día. Ojo con revisar nombres de fármacos y dosis: son justo el vocabulario donde cualquier sistema falla más, y donde el error cuesta más caro.
• Estudiante. Clase grabada desde la primera fila → transcripción completa → resumen como esqueleto de apuntes. El texto completo queda como material de consulta antes del examen; cómo exprimirlo se explica en convertir clases en apuntes.
• Abogado. Dictado de borradores de escritos camino del despacho y grabación de reuniones con clientes (con su consentimiento — compruébalo siempre según tu jurisdicción). La transcripción con marcas de tiempo permite localizar en segundos el momento exacto de una manifestación concreta.

Errores que se pagan caros

• Dejar las grabaciones en el dispositivo. Las tarjetas fallan y los dictáfonos se pierden. Descarga y respalda el mismo día.
• Transcribir «cuando haya tiempo». El contexto se evapora: una transcripción a las 24 horas se corrige en minutos; a las tres semanas, ya no recuerdas quién dijo qué.
• Publicar sin revisar nombres propios. Personas, empresas, lugares y términos técnicos son el punto débil de cualquier reconocimiento. Una pasada de dos minutos por el texto buscando solo eso evita el 90 % de los errores visibles.

¿Tienes una grabación esperando en el dictáfono? Pruébalo gratis en oratext.com — 3 minutos de transcripción al día sin registrarte — o envía el archivo al bot @oratextbot en Telegram. Los planes de pago parten de unos 100 ₽ o 60 Telegram Stars al mes.