Puntos clave
En una grabación de dos horas, la transcripción automática en sí misma tarda una fracción mínima de ese tiempo: el software no es el cuello de botella. Lo que decide tu noche es la revisión posterior: un borrador que solo necesitas poder buscar apenas requiere retoques, mientras que uno que vas a citar o publicar exige escuchar todo el audio de nuevo, corrigiendo nombres, cifras y momentos donde varias personas hablan a la vez. Escribirlo a mano, en cambio, lleva varias veces la duración de la grabación, y empeora si el audio es de mala calidad. Calcula el tiempo pensando en la corrección, no en el software.
Dos horas de conversación, al ritmo habitual con que habla la mayoría de la gente, equivalen a unas dieciséis o dieciocho mil palabras, más o menos la extensión de un libro corto. Esa cifra ya dice bastante sobre lo que te espera: nadie quiere leer eso de un tirón, y casi nadie quiere escribirlo desde cero si existe otra forma de hacerlo.
La respuesta honesta sobre cuánto tiempo lleva esto depende de dos cosas que tú controlas y una que no: qué tan limpio está el audio, qué tan pulido necesita quedar el resultado final, y qué tan rápido escribes o escuchas en realidad. El software cambia una parte de esa ecuación. No toca las otras dos.
Haz primero la cuenta
Las presentaciones y las clases suelen rondar entre 130 y 150 palabras por minuto. Una conversación va más rápido y de forma menos pareja: la gente se interrumpe, retoma frases a medias, se queda a mitad de una idea. Al ritmo de una charla, una hora de habla equivale a unas ocho o nueve mil palabras. Duplica eso para una grabación de dos horas y llegas a entre dieciséis y dieciocho mil palabras de texto crudo, más si se trata de un debate en lugar de una sola persona hablando.
Y eso es antes de decidir cómo vas a producir ese texto. Si quieres una idea rápida de cuántas palabras tendrá tu grabación antes de comprometerte con nada, una calculadora de tiempo de habla te lo resuelve en un minuto, algo que vale la pena hacer antes de empezar la noche, porque un audio de quince minutos y una reunión de dos horas parecen tareas similares hasta que las mides de verdad. Puedes probar esa estimación con la calculadora de tiempo de habla.
Escribirlo tú mismo es más lento de lo que parece
Si estás pensando en transcribir esto a mano esta misma noche, conviene saber de entrada el multiplicador real. Escribir una transcripción a mano lleva varias veces la duración de la grabación, no porque escribir sea lento en sí, sino porque no puedes escuchar al ritmo de una conversación y teclear con precisión al mismo tiempo. Detienes el audio, retrocedes unos segundos, escribes lo que oíste y vuelves a empezar. Ese ciclo se repite constantemente, y empeora con vocabulario poco familiar, un habla más rápida o momentos en los que dos personas hablan a la vez.
El multiplicador crece con la dificultad del audio, no se reduce. Una entrevista limpia a ritmo conversacional normal puede llevar tres o cuatro veces su duración una vez que sumas todas las pausas y retrocesos. Una clase llena de términos técnicos que no conoces puede llevar mucho más, porque te detienes constantemente para resolver la ortografía y la redacción que de otro modo escribirías sin frenar. Para dos horas de audio, transcribir a mano no es tarea de una sola noche. Es un trabajo de varias jornadas, y es mejor saberlo antes de empezar que descubrirlo una hora después de haber comenzado.
La transcripción automática no se vuelve más lenta: empeora
Esta es la parte que sorprende a quien lo prueba por primera vez. La transcripción automática no tarda más cuando el audio es difícil. Necesita, en términos generales, el mismo tiempo de procesamiento tanto si la grabación es una sola voz clara en una habitación silenciosa como si son tres personas discutiendo por una llamada con mala señal. Lo que cambia con un audio más complicado es la calidad del resultado, no el tiempo que tarda en producirse.
Eso es a la vez una buena y una mala noticia. Buena, porque no te quedas esperando más tiempo por condiciones peores: el software termina siguiendo su propio ritmo, sin importar el caso. Mala, porque el tiempo que se ahorra al principio no desaparece, se traslada al final, a cuánta corrección necesitará la transcripción después. Un servicio como el que hay detrás de la conversión de audio a texto te devuelve un documento completo para un archivo de dos horas en muy poco tiempo. Que ese documento esté casi listo o necesite una revisión cuidadosa depende por completo de lo que llegó al micrófono, no de cómo lo procesó el software.
La revisión final es lo que realmente decide tu noche
Este es el tiempo que nadie calcula de antemano, y es el que más importa. Una transcripción que produces solo para poder buscar algo después, como encontrar el momento en que alguien mencionó una fecha o repasar una decisión que se tomó, casi no necesita corrección. Pasas por alto los pequeños errores porque ya sabes más o menos qué debería decir ahí. Para una grabación de dos horas, ese tipo de repaso puede tomar unos veinte minutos para confirmar que el texto sirve.
Una transcripción que piensas citar, publicar o entregar a alguien que no estuvo presente es una tarea completamente distinta. Esa exige escuchar todo el audio de nuevo, frase por frase, porque un error en una cita es un problema muy distinto a un error en una nota privada para ti mismo. Para dos horas de audio original, una revisión cuidadosa como esa puede llevar casi dos horas de tu propio tiempo, a veces más si el material es denso o técnico.
Los errores no se distribuyen de forma pareja a lo largo de la grabación, y esa es la única buena noticia real aquí. Los nombres propios, el vocabulario técnico, las cifras y los momentos en que varias personas hablan a la vez son donde el resultado automático realmente falla. La mayor parte de una grabación de dos horas saldrá básicamente correcta, y solo un puñado de minutos, normalmente donde dos personas se superponen o alguien suelta un dato rápido, necesitará atención real. Si sabes más o menos dónde caen esos minutos, puedes ir directo a ellos en lugar de releer todo el documento de principio a fin. Calcular tus propios números primero, según la duración de la grabación y para qué necesitas realmente la transcripción, con una calculadora de tiempo de transcripción, te da un plan más cercano a la realidad que una suposición hecha antes de empezar.
Dividir el archivo no ahorra tiempo, pero salva la noche
Cortar una grabación de dos horas en cuatro fragmentos de media hora antes de transcribirla no hace que el trabajo total sea más rápido. La cuenta de las secciones anteriores no cambia: sigues transcribiendo dos horas de habla y corrigiendo lo que haya que corregir, sin importar cómo dividas el archivo. Lo que cambia es si el trabajo se puede interrumpir.
Un único archivo de dos horas es, en la práctica, una sola sesión, porque volver a abrirlo más tarde significa buscar tu lugar de nuevo en un muro de texto sin pausas naturales. Cuatro archivos separados son cuatro sesiones, y puedes terminar uno esta noche, otro mañana y el resto la semana siguiente sin perder el hilo de dónde te quedaste. Para una grabación tan larga, lo bastante larga como para que terminarla toda de una sentada sea poco realista para la mayoría, esa posibilidad de interrupción importa más que cualquier velocidad ganada procesando fragmentos en paralelo. Si vas a hacer la revisión final en serio, mejor planear dividirla en partes que esperar sentarte una sola vez y terminarla.
Una aplicación que procese el archivo completo de una sola vez, en lugar de pedirte que tú mismo lo dividas, es una opción que vale la pena conocer aquí. La app de transcripción está disponible desde la página de descargas para iOS, Android y macOS, y a partir de audio, video, grabaciones o un enlace de YouTube devuelve el texto con etiquetas de interlocutor, un resumen y traducción a una amplia variedad de idiomas: una ruta entre las varias descritas antes, no un atajo que elimine la revisión final.
Lo que no se soluciona solo, en la práctica
La transcripción automática no conoce a tus interlocutores por su nombre a menos que se lo indiques. Asigna una etiqueta en lugar de un nombre que no tiene forma de adivinar, y así se queda hasta que alguien lo corrija. Tampoco captará con fiabilidad un nombre que nunca ha visto escrito, un término específico de tu área o una cifra dicha rápido en medio de una frase veloz. Estos son exactamente los puntos donde siempre se concentra la corrección, y ninguna capacidad de procesamiento los evita.
Los momentos en que varias personas hablan a la vez son casi imposibles de recuperar por completo, sin importar el método que elijas. Cuando dos personas hablan al mismo tiempo, tanto la transcripción automática como una persona escribiendo a mano pierden parte de eso: el software se decide por un solo hilo y descarta el otro, y alguien escribiendo a mano tiene el mismo problema, solo que más lento. Si una grabación de dos horas tiene tramos largos de conversación superpuesta, calcula tiempo extra de corrección específicamente para esos tramos, y no esperes que ninguno de los dos métodos te entregue una lectura limpia de ambas voces al mismo tiempo.
La propia estimación de dos horas es un punto de partida, no una garantía. Una grabación con un ritmo pausado, un solo interlocutor y terminología conocida avanzará más rápido en cada etapa descrita aquí que una con tres personas, un micrófono deficiente y un tema que no dominas de antemano. Los cálculos anteriores te dan un plan para la noche. No te prometen que la terminarás en una sola.
