Subtítulos de un video: cómo obtener el texto completo

2026-08-13

Para conseguir los subtítulos de un video existen exactamente dos caminos: extraer una pista de subtítulos que ya viene con el archivo o con la plataforma, o generarlos desde cero reconociendo el habla con IA. Parecen lo mismo, pero son problemas distintos que se resuelven con herramientas distintas. Y hay un tercer escenario que casi nadie formula bien al buscar: muchas veces lo que de verdad necesitas no son subtítulos sincronizados, sino la transcripción del video en texto plano — para leer, citar, resumir o traducir. En esta guía verás cómo funciona cada opción, qué es un archivo SRT y cómo decidir cuál te conviene sin perder la tarde.

Extraer subtítulos de un video: cuando el texto ya existe

Antes de generar nada, comprueba si el texto ya está ahí. Hay tres situaciones posibles:

• Subtítulos como pista separada (softsubs). Los contenedores como MKV o MP4 pueden llevar una o varias pistas de subtítulos dentro del archivo, independientes de la imagen. Un reproductor tipo VLC las muestra u oculta, y las herramientas de edición de video las exportan como archivo aparte. Si los subtítulos se pueden activar y desactivar, son de este tipo.
• Subtítulos de la plataforma. En YouTube y servicios similares los subtítulos viven en el servidor, no dentro del video. Si eres el autor, puedes descargarlos desde el panel de gestión del canal; si no lo eres, la propia interfaz permite activarlos y, en muchos casos, abrir la transcripción completa junto al reproductor.
• Subtítulos quemados (hardsubs). Si el texto forma parte de la imagen — píxeles, no datos —, no hay nada que extraer. La única salida es el OCR fotograma a fotograma, que es lento y propenso a errores, o ignorar el texto en pantalla y reconocer el audio directamente, que casi siempre resulta más rápido y más preciso.

La conclusión práctica: extraer subtítulos de un video solo tiene sentido cuando existen como datos. En cuanto el texto está fundido con la imagen, el reconocimiento de voz gana.

Generar subtítulos automáticamente con reconocimiento de voz

Cuando el video no trae subtítulos, el camino moderno es el reconocimiento automático del habla: el sistema escucha la pista de audio, la convierte en texto y marca el tiempo de cada frase. De ahí salen dos formatos posibles: un archivo de subtítulos sincronizado o una transcripción corrida sin códigos de tiempo.

La calidad del resultado depende sobre todo del audio de origen. Una voz clara sobre fondo silencioso se reconoce casi perfecta; la música alta, varias personas hablando a la vez o un micrófono lejano bajan la precisión. Los modelos actuales manejan bien los acentos y el habla espontánea, pero los nombres propios y los términos técnicos siguen siendo el punto débil típico: repásalos siempre antes de publicar.

Qué es un archivo SRT y cómo se lee

SRT es el formato de subtítulos más simple y universal: un archivo de texto plano donde cada subtítulo es un bloque con número de orden, códigos de tiempo y una o dos líneas de texto.

1
00:00:01,000 --> 00:00:03,500
Bienvenidos al canal.

2
00:00:03,600 --> 00:00:06,200
Hoy hablamos de subtítulos.

Se puede abrir y corregir con cualquier editor de texto, lo aceptan casi todos los reproductores y plataformas, y por eso se convirtió en el estándar de facto. Si vas a editarlo a mano, conviene respetar algunas convenciones:

• Máximo dos líneas por subtítulo y unas 35–42 caracteres por línea, para que dé tiempo a leer.
• Cada bloque en pantalla entre uno y seis segundos, sincronizado con el habla.
• Los bloques no deben solaparse en el tiempo.

Su variante para la web, WebVTT (.vtt), es casi idéntica.

Subtítulos automáticos o manuales: qué esperar de cada opción

Los subtítulos manuales — escritos y sincronizados por una persona — siguen siendo el listón de calidad: segmentación pensada, nombres correctos, matices intactos. El problema es el coste: subtitular a mano una hora de video supone varias horas de trabajo minucioso.

Los subtítulos generados automáticamente invierten la ecuación: la mayor parte del trabajo se hace en minutos y tu papel pasa de mecanógrafo a revisor. En la práctica, el flujo que mejor funciona es híbrido:

1. Genera los subtítulos automáticamente a partir del audio.
2. Repasa nombres propios, cifras, siglas y términos del sector.
3. Ajusta la puntuación y divide las frases demasiado largas.
4. Reproduce un par de fragmentos para verificar la sincronización.

Para un video de veinte minutos, esa revisión suele llevar un cuarto de hora. La versión manual desde cero, una tarde entera.

Cuándo una transcripción es más útil que los subtítulos

Los subtítulos están pensados para verse junto al video. Si tu objetivo es otro — leer la charla sin reproducirla, buscar una cita exacta, convertir un webinar en artículo, repasar una clase —, los códigos de tiempo estorban más de lo que ayudan. En esos casos lo que quieres es una transcripción en texto plano.

Ahí es donde un servicio como Oratext encaja de forma natural: subes el video tal cual — sin extraer antes la pista de audio —, el reconocimiento cubre alrededor de 99 idiomas con detección automática, y sobre la transcripción resultante puedes limpiar las muletillas, generar un resumen, extraer tareas o traducir el texto a otro idioma con un clic. El proceso completo, paso a paso, lo contamos en la guía sobre cómo pasar un video a texto; y si dudas entre transcripción literal, limpia o resumida, las diferencias están explicadas en qué es la transcripción.

Cómo decidir en treinta segundos

• El video ya tiene pista de subtítulos → extráela: es la única opción sin pérdidas.
• Los subtítulos están quemados en la imagen → reconoce el audio; el OCR rara vez compensa.
• No hay subtítulos y los necesitas sincronizados → genera un SRT automáticamente y revísalo.
• Necesitas el contenido, no la sincronización → pide una transcripción en texto plano y trabaja sobre ella: resumen, cita, traducción.
• El material te llega al móvil → reenvía el archivo al bot de Telegram @oratextbot (hasta 20 MB) y recibe el texto en el propio chat, sin instalar nada.

Obtener el texto de un video dejó de ser un proyecto para convertirse en un paso más del flujo de trabajo. La regla es simple: primero comprueba si el texto ya existe como datos; si no, deja que el reconocimiento de voz haga el trabajo pesado y reserva tu tiempo para lo que las máquinas todavía hacen regular: nombres, matices y el formato final.

¿Tienes un video esperando? 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.