Lo esencial
macOS no transcribe un archivo de video por sí solo. Lo que sí hace, sin instalar nada, es extraer la pista de audio del video con QuickTime Player, lo que te deja un archivo mucho más liviano para trabajar. El dictado por voz integrado escribe lo que el micrófono escucha mientras hablas, en vivo, así que no sirve para una grabación que ya existe. La transcripción es el paso separado, y es el mismo paso sin importar qué computadora uses.
Tienes un video guardado en tu Mac. La grabación de una reunión, una clase que alguien te mandó, un clip que guardaste. Quieres el texto de lo que se dijo. Y preferirías no tener que crear una cuenta en una empresa que nunca escuchaste solo para conseguirlo.
La tarea se divide en dos partes bien definidas. Primero, sacar un audio limpio del video. Segundo, convertir ese audio en texto. La primera mitad tu Mac ya puede hacerla, ahora mismo, con programas que ya están instalados. La segunda mitad no puede, y por más que revises la Configuración del Sistema no vas a encontrar esa opción. Saber dónde está la línea divisoria te ahorra una tarde entera buscando un menú que no existe.
Lo que macOS ya hace de fábrica
QuickTime Player viene instalado en todas las Mac. Reproduce video, grava la pantalla, y puede exportar el audio de un archivo de video. Ese último punto es lo que realmente sirve aquí, y muchas veces es el único paso que necesitas antes de pasarle el archivo a otra herramienta.
macOS también tiene dictado por voz, que convierte lo que hablas en texto mientras lo dices. Y está Notas de Voz, que se sincroniza con la misma app en un iPhone a través de iCloud. Entre las tres puedes capturar sonido, guardarlo, y escribir usando tu voz.
Ninguna de ellas lee un video que ya existe y te devuelve una transcripción. Vale la pena decirlo sin rodeos, porque las herramientas están tan cerca unas de otras que da la sensación de que la función debería estar escondida en algún lado. No lo está. La Mac es buena para producir grabaciones y mala para convertirlas en texto.
Primero, sacá el audio
Un archivo de video es un contenedor. Lleva imagen y lleva una pista de audio, y la transcripción solo usa el audio. Para este fin, el video es peso muerto.
Así que extrae el audio antes de hacer cualquier otra cosa. QuickTime Player puede hacerlo, lo que significa que este primer paso no te cuesta nada ni requiere instalar nada. Lo que obtienes es un archivo mucho más chico que el video original, a veces dramáticamente más chico, dependiendo de qué era el video.
Esa diferencia de tamaño deja de ser un dato abstracto en cuanto la grabación es larga. Una clase de dos horas en video es incómoda de mover, subir, o mantener en varias copias mientras decides qué herramienta vas a usar. Esas mismas dos horas en audio son un archivo modesto que manejas sin pensarlo. Si tienes una carpeta llena de grabaciones para procesar, extraer el audio primero es la diferencia entre una noche de trabajo y un fin de semana entero.
La extracción también resuelve una duda que confunde a mucha gente: si necesitas específicamente algo que convierta archivos de video en texto, o si te alcanza con una transcripción de audio normal. Una vez que el audio es un archivo separado, esa distinción deja de importar. Cualquier herramienta de transcripción que acepte audio va a aceptar el tuyo.
El dictado por voz es otra cosa
Dictado y transcripción se usan como si fueran la misma palabra. No lo son, y esa diferencia es exactamente lo que se interpone entre tú y el texto que quieres obtener.
El dictado escucha un micrófono y escribe lo que oye, en tiempo real, en el momento en que sucede. Hablas, y aparece el texto. Es un método para escribir. La transcripción toma una grabación que ya existe (algo que terminó de suceder hace una hora o hace un año) y produce texto a partir de ella. Uno es un dispositivo de entrada, el otro es una conversión.
Se puede intentar salvar esa brecha reproduciendo el video en voz alta y dejando que el dictado escuche por los parlantes. Hay gente que lo hace. Funciona mal. Le estás pidiendo a un micrófono que vuelva a grabar un sonido que ya se grabó una vez, en una habitación, con el sonido que tenga esa habitación, y tienes que aguantar toda la duración mientras pasa. Una hora de video te cuesta una hora. Para cualquier cosa más larga que un clip corto no es una opción seria. Hay más para decir sobre convertir voz en texto en una Mac y hasta dónde llega el camino integrado, pero la versión corta es que el dictado nunca se diseñó para archivos.
Cuando todavía no tienes el archivo
Todo lo anterior asume que el video ya está en tu disco. A veces no es así. Lo que quieres transcribir es una llamada que está sucediendo en ese momento, o un video reproduciéndose en una pestaña del navegador, y no hay nada de dónde extraer audio porque nada se guardó todavía.
Aquí es donde la Mac pone su verdadero obstáculo. Capturar el audio del sistema de tu Mac (el sonido que sale de la máquina, no el que entra por el micrófono) no es algo que macOS te permita hacer de fábrica. La grabación de pantalla te da la imagen. Conseguir el sonido que iba con ella es un problema aparte, y es el paso que más frecuentemente frena a la gente en seco. Si alguna vez terminaste con una grabación muda de una reunión y no entendiste qué hiciste mal, esto es lo que pasó. No hiciste nada mal.
Hay maneras de resolverlo, y conviene entenderlas antes de necesitarlas y no a los cinco minutos de una llamada que no se puede repetir. Los detalles de grabar la pantalla de una Mac con su audio son un tema aparte. Lo que importa acá es que es un problema de captura, no de transcripción, y resolverlo te devuelve al caso normal: un archivo en el disco.
Hay un camino que evita todo esto directamente. Notas de Voz en la Mac comparte las grabaciones con la misma app en un iPhone a través de iCloud, así que cualquier cosa que grabes en el teléfono aparece en la Mac sin que te tengas que mandar un archivo por correo o buscar un cable. Para una conversación presencial, o una charla a la que estás asistiendo, grabar desde el teléfono y buscar el archivo después en la computadora es mucho menos lío que pelear con el tema del audio del sistema. Eso sí, no soluciona nada del sonido que la propia Mac está reproduciendo.
Convertir el audio en texto
Una vez que el audio existe como archivo, ninguna decisión anterior importa más. La transcripción no le importa si el archivo salió de un video, de un teléfono, de una grabación de pantalla, o de algo que te mandó un colega. Tampoco le importa que estés en una Mac. Desde este punto es exactamente el mismo trabajo que sería en cualquier otra computadora, así que la única decisión que queda es qué herramienta de transcripción usar.
Este es también el punto donde la preferencia de no crear cuentas choca con la realidad, así que vamos a ser directos. Cualquier cosa que corra completamente dentro del navegador puede prometer que tu archivo nunca sale de tu máquina, y algunas herramientas realmente funcionan así. Pero ese tipo de herramientas de navegador manejan cosas como archivos de subtítulos o conteo de palabras, textos que ya son texto. El reconocimiento de voz real sobre una grabación de dos horas es un trabajo mucho más pesado, y las herramientas que lo hacen generalmente necesitan una aplicación instalada o que subas tu archivo a sus servidores. Lo que sea que elijas, esa es la pregunta que hay que hacer, y la respuesta debería ser fácil de encontrar.
SozAI es una opción: una app de transcripción para macOS que procesa archivos de audio y video, grabaciones y enlaces de YouTube, con etiquetas de quién habla, resúmenes y traducción a más de 99 idiomas. El mismo sitio tiene herramientas gratuitas de subtítulos y conteo que corren completamente en el navegador, sin subir nada y sin necesidad de cuenta; esas no transcriben audio, pero son útiles una vez que ya tienes una transcripción para trabajar sobre ella.
Lo que la transcripción no te va a dar
Pide marcas de tiempo si tu objetivo es volver a un momento específico. Una transcripción sin ellas es un bloque de texto en el que puedes buscar (vas a encontrar la frase), pero encontrar la frase no es lo mismo que encontrar el momento del video en que se dijo. Si estás transcribiendo una clase para poder saltar directo a los diez minutos que te importan, las marcas de tiempo son toda la función. Si estás transcribiendo para leerlo una vez y no volver a abrir el video, sobran. Decide cuál de las dos cosas quieres antes de empezar, porque agregarlas después significa hacer el trabajo dos veces.
Espera que el texto refleje la calidad de la grabación de la que salió. El reconocimiento de voz trabaja con lo que realmente se capturó, y una grabación hecha en una sala con gente hablando encima de otra le da mucho menos para trabajar que una limpia. Extraer el audio del video no mejora el audio; solo aísla lo que ya estaba ahí. Si el sonido original es malo, vas a terminar editando la transcripción, y ningún paso anterior de este proceso arregla eso.
Y acepta que parte del video no sobrevive el viaje. Diapositivas, diagramas, cualquier cosa escrita en un pizarrón, quién le estaba señalando qué a quién: todo eso se pierde, porque decidiste a propósito descartar la imagen para quedarte con un archivo más manejable. Para una conversación eso no pierde nada importante. Para una demostración o una presentación, la transcripción es apenas la mitad del registro, y vas a querer conservar el video original junto a ella.
