Puntos clave
Sí, es posible, pero es más raro de lo que sugiere el marketing. La transcripción que se procesa en tu dispositivo y la que se procesa en un servidor son dos construcciones distintas, no un ajuste que se activa desde un menú, y la mayoría de las apps funcionan con servidor porque un modelo local ocupa espacio de almacenamiento y va más lento en equipos antiguos. Una política de privacidad que promete cifrado en tránsito está describiendo la conexión, no el destino final de tus datos. Exígele tres respuestas a cualquier herramienta: si el audio sale del dispositivo, cuánto tiempo se conserva y si se usa para entrenar algo.
Si tienes grabada una sesión de terapia, una llamada con un abogado o una reunión que nunca debía salir de esa sala, la pregunta no es teórica. Quieres saber si ese archivo puede convertirse en texto sin que una copia termine en el hardware de otra persona. La respuesta existe, y es mucho más concreta de lo que suelen dar a entender las páginas de producto.
Lo que sigue es el panorama real: qué se procesa en local, qué no, por qué esa división existe y qué preguntar antes de confiarle a cualquier herramienta un audio que no se puede recuperar.
La transcripción en el dispositivo y la transcripción en servidor son dos programas distintos
Lo primero que hay que entender es que esto no es una preferencia de privacidad que una app te concede. Transcribir en tu teléfono u ordenador y transcribir en una máquina remota son arquitecturas diferentes. Una app se construyó de una forma o de la otra. No hay ningún interruptor escondido en los ajustes que traslade el trabajo del servidor a tu dispositivo, porque las piezas necesarias para procesar en local vienen incluidas en la app desde el principio o no vienen en absoluto.
La transcripción local significa que un modelo de voz vive dentro de tu dispositivo. El audio se le pasa ahí mismo, el texto sale de ahí mismo, y no hace falta que nada viaje. La transcripción en servidor significa que tu audio se envía a otro sitio, se procesa en un equipo que no controlas y el texto vuelve de vuelta. Ambas pueden estar bien hechas. Ambas pueden estar mal hechas. Pero solo una de ellas mantiene el audio en tus manos, y cuál de las dos estás usando es un hecho sobre el software, no sobre lo cuidadoso que hayas sido configurándolo.
Que la mayoría de las apps elijan la vía del servidor no es indiferencia. Un modelo local hay que almacenarlo en el dispositivo, y eso cuesta espacio real. Funciona con el procesador que tenga ese dispositivo, lo que significa que va más lento en equipos antiguos y todavía más lento con archivos largos. Esas dos limitaciones bastan para empujar a la mayoría de los productos hacia los servidores, donde el modelo puede ser grande, el hardware puede ser rápido y no hace falta descargar nada. Ese intercambio explica por completo por qué la opción privada es la menos habitual.
El cifrado en tránsito describe el camino, no el destino
Aquí es donde mucha gente razonable se lleva una falsa sensación de seguridad. Una política de privacidad afirma que tus datos están cifrados en tránsito. Esa frase es casi con toda seguridad cierta, y no te dice absolutamente nada sobre si tu audio se procesa en un servidor o se queda almacenado ahí después.
Cifrado en tránsito significa que la conexión entre tu dispositivo y el servicio está protegida mientras los datos se mueven. Es una afirmación sobre el camino. Es perfectamente compatible con que tu audio llegue a un servidor, se procese ahí y se quede guardado durante todo el tiempo que permita la política de retención. Si acaso, una promesa de cifrado en tránsito confirma, de forma implícita, que algo efectivamente está viajando. Un audio que nunca sale de tu dispositivo no necesita una conexión protegida, porque no está haciendo ningún viaje.
Así que cuando leas una página de seguridad, separa las afirmaciones. Proteger la conexión es una cosa. Dónde ocurre el procesamiento es otra. Cuánto tiempo se conserva el audio es una tercera. Una página puede ser rigurosamente honesta con la primera y guardar silencio absoluto sobre las otras dos, y tú puedes terminar creyendo algo que esa página nunca llegó a decir.
Lo que un navegador puede hacer de verdad sin enviar tu archivo
Existe una categoría real de herramientas que procesan un archivo por completo dentro de tu navegador. Abres una página, eliges un archivo, y el trabajo ocurre en esa misma pestaña. No se sube nada. Esto no es un truco de marketing; así está construida la herramienta, y significa que el archivo nunca sale de tu equipo.
El detalle está en qué pueden hacer esas herramientas. El procesamiento local en el navegador funciona para tareas que no necesitan ningún modelo: convertir entre formatos de subtítulos, desplazar los tiempos para que los subtítulos encajen con un vídeo reeditado, contar palabras o caracteres en una transcripción que ya tienes. Son transformaciones de texto y de datos de tiempo. Son sencillas, predecibles, y no necesitan nada más que el propio archivo.
Convertir voz en texto no es ese tipo de tarea. Necesita un modelo de voz, y un modelo es algo grande que tiene que venir de algún sitio y vivir en algún sitio. Una página web que ofrece transcribir tu audio, en la práctica, está enviando ese audio a un servidor para procesarlo. La página es solo la interfaz; el trabajo ocurre en otro lugar. Si una herramienta de navegador transcribe, asume que hay subida, y busca la política de retención en lugar del mensaje tranquilizador.
Las tres preguntas que separan las respuestas reales del marketing
No necesitas auditar la infraestructura de nadie. Necesitas tres respuestas, y las necesitas todas, porque una buena respuesta a una pregunta puede estar tapando una mala respuesta a otra.
- ¿El audio sale del dispositivo? No «es seguro» ni «está cifrado»: ¿viaja o no? Un servicio que procesa en un servidor debería decirlo con claridad.
- ¿Cuánto tiempo se conserva? Si el audio se envía a algún sitio, se almacena en algún sitio, al menos brevemente. La pregunta es si eso son minutos, días, o hasta que tú pidas que se borre.
- ¿Se usa para entrenar algo? Procesar tu audio y aprender de tu audio son usos distintos. Un servicio puede ser honesto con lo primero y vago con lo segundo.
Si una página solo responde a la primera pregunta, tienes un tercio del cuadro completo. Si no responde a ninguna y en su lugar te ofrece lenguaje sobre cifrado, trata eso como una respuesta en sí misma. Que la retención quede en la vaguedad casi nunca es casualidad.
Aplicando este criterio aquí: la app de transcripción SozAI funciona con servidor, así que el audio que grabas o subes se envía para procesarse, y los detalles sobre retención y manejo de datos están explicados en la página de seguridad y manejo de datos. Las herramientas gratuitas de subtítulos y conteo del sitio web son la parte que funciona por completo dentro del navegador, y esas no transcriben.
Borrar la transcripción no es lo mismo que borrar el audio
Este es el detalle que atrapa a quienes hicieron todo lo demás bien. Terminas con una grabación sensible, borras la transcripción de la app, y el elemento desaparece de tu lista. Da la sensación de que ya está resuelto.
La transcripción y el audio suelen tener reglas de retención separadas. Eliminar una transcripción de una app la elimina de tu vista dentro de esa app. El audio que la generó vive con el servicio que hizo el procesamiento, bajo la política de retención que ese servicio aplique, y esa política puede no activarse solo porque hayas pulsado borrar sobre un texto. Son dos acciones distintas, y solo una de ellas está delante de tus ojos.
Así que si el audio importa, busca específicamente la respuesta sobre retención, en la política de privacidad o donde sea que el servicio la documente. Busca un plazo concreto, o un mecanismo concreto para pedir la eliminación del archivo original, no solo del resultado. Si no encuentras ninguna de las dos cosas, no has encontrado una política que cubra lo que realmente te preocupa.
Lo que se pierde al insistir en el procesamiento local
Si decides que nada debe salir del dispositivo, sin excepciones, esa es una postura defendible y tiene un coste. Conviene tener claro ese coste antes de comprometerte, porque la decepción suele llegar más tarde, a mitad de un archivo largo.
El modelo tiene que estar en tu dispositivo, así que pagas en espacio de almacenamiento. Tiene que funcionar en tu dispositivo, así que pagas en tiempo, y esa factura crece con equipos antiguos y grabaciones largas. Una reunión de dos horas no es un trabajo de dos minutos en un teléfono que ya tiene algunos años. No hay forma de comprar una salida a esto dentro de la arquitectura local, porque toda la idea es precisamente que no interviene ningún equipo más rápido.
Sobre la precisión, resiste la tentación de aceptar una regla general en cualquier dirección. Lo que sí se puede afirmar con certeza es que un sistema local está limitado por lo que cabe en el dispositivo y lo que ese dispositivo puede calcular, mientras que un sistema en servidor no tiene ese techo. Que eso se note o no en tu transcripción depende del modelo, de la grabación, de los acentos, del ruido de fondo y del idioma. La única prueba honesta es tu propio audio, en la herramienta que estés considerando, antes de confiar en ella para algo que realmente importa.
Y hay un camino intermedio que mucha gente pasa por alto: no toda grabación necesita el mismo trato. La sesión de terapia y la reunión rutinaria no requieren un manejo idéntico. Es perfectamente razonable usar una herramienta con servidor para la mayoría del trabajo y mantener un pequeño grupo de grabaciones completamente fuera de ella, transcribiéndolas a mano o no transcribiéndolas en absoluto. Decidir en qué grupo cae cada archivo suele ser un camino más rápido hacia la tranquilidad que buscar una sola herramienta que cubra todos los casos.
