Generador de subtítulos IA: transcribir vídeo a TXT y SRT

Un generador de subtítulos IA convierte la voz de un vídeo en texto editable y temporizado. Con Transcription de Pipe2.ai, subes un vídeo o audio y recibes tanto un TXT como un SRT con marcas de tiempo; además, puedes detectar el idioma, etiquetar a los hablantes y corregir palabras que se reconozcan mal de forma repetida.

Elige el flujo para entrevistas, podcasts o subtítulos

Para una entrevista o un podcast, empieza por TXT si necesitas un registro escrito o una cita. Activa la detección de hablantes en una conversación y comprueba cada etiqueta con la grabación antes de atribuir una frase. Para una locución de una sola persona, deja la detección desactivada salvo que la necesites.

Para generar subtítulos automáticamente, empieza por SRT. Revisa el texto y los tiempos, y adjunta el SRT y el vídeo original a Captions para crear subtítulos visibles. Transcription genera el archivo de subtítulos; Captions lo incorpora al vídeo.

Transcribir un vídeo o una grabación de voz exportada

Para transcribir un vídeo, sube el propio vídeo: no necesitas extraer antes un MP3. La pipeline utiliza su pista de audio. Por ejemplo, una entrevista grabada puede producir, en una sola ejecución, un TXT para comprobar citas y un SRT para preparar subtítulos.

Si has usado una grabadora de voz, exporta primero el archivo de audio y súbelo a Transcription. Este proceso parte de un archivo existente; no graba conversaciones en directo. Activa la detección de hablantes para una entrevista o déjala desactivada para una nota de voz de una sola persona.

Antes de ejecutar el proceso, decide si necesitas un texto escrito o subtítulos en pantalla. Para un registro escrito, contrasta el TXT con la grabación. Para subtítulos, revisa el texto y los tiempos del SRT y después úsalo con el vídeo original en Captions.

Transcribe un vídeo a texto en cinco pasos

1. Elige un vídeo con una pista de audio clara. Transcription necesita voz. Un vídeo silencioso no puede producir una transcripción.
2. Sube el archivo. Abre Transcription y adjunta el vídeo o audio que quieras convertir.
3. Configura el idioma y los hablantes. Deja Idioma en Auto si no estás seguro. Para entrevistas o mesas redondas, activa Detección de hablantes y, si quieres, indica cuántos esperas.
4. Añade correcciones recurrentes. Si un nombre, una sigla o un producto suele reconocerse siempre de la misma forma incorrecta, asigna esa forma a la escritura correcta. Las correcciones distinguen mayúsculas y minúsculas y coinciden con palabras completas.
5. Ejecuta y revisa los dos archivos. Usa TXT para leer y editar. Usa SRT cuando importe la sincronización o cuando la transcripción vaya a convertirse en subtítulos.

La pipeline actual utiliza ElevenLabs Scribe v2. Su formulario público admite un único recurso de vídeo o audio subido, Auto y diez idiomas seleccionables, detección opcional de hablantes, una pista opcional de 0 a 20 hablantes y correcciones de palabras. Devuelve recursos SRT y TXT separados.

Elige TXT o SRT según el trabajo

Las dos salidas contienen lo que se dijo, pero lo organizan de forma distinta.

Salida	Qué contiene	Para qué sirve mejor
TXT	Texto continuo y legible sin bloques temporizados	Notas, citas, búsquedas, resúmenes, borradores y revisión editorial
SRT	Bloques numerados con tiempos de inicio y fin	Subtítulos, recortes guiados por frases y flujos que deben mantenerse alineados con el vídeo

Conserva ambos. TXT se lee con rapidez; SRT mantiene los tiempos necesarios para producir vídeo. Si el siguiente paso es crear subtítulos visibles, revisa el SRT y sigue la guía para añadir subtítulos a un vídeo.

Consigue una conversión de voz a texto más limpia

La calidad empieza en la grabación. Acerca el micrófono, reduce la música de fondo y el eco, y evita que varias personas hablen a la vez. Aumentar el volumen después no recupera palabras que nunca se grabaron con claridad.

Selecciona el idioma cuando lo conozcas; en caso contrario, Auto es un buen punto de partida. La detección de hablantes ayuda cuando importa saber quién dijo cada frase, pero las etiquetas necesitan revisión humana. Voces parecidas, interrupciones y fuentes de grabación distintas pueden confundir al modelo.

Reserva Correcciones para errores constantes y previsibles, no para reescribir el contenido. Si una marca siempre aparece como una palabra común parecida, una sustitución de palabra completa puede arreglarla en ambas salidas. No reconstruye frases poco claras ni decide lo que la persona quiso decir.

Revisa la transcripción antes de publicarla

Una transcripción de IA es un documento de trabajo, no una garantía literal. Léela mientras escuchas el original y presta especial atención a:

• Nombres, organizaciones, términos técnicos y siglas
• Números, precios, fechas y medidas
• Cambios de hablante en entrevistas y conversaciones de grupo
• Nombres propios que un corrector ortográfico podría cambiar por error
• Fragmentos con ruido, música, acentos o voces superpuestas
• Bloques SRT que empiezan pronto, terminan tarde o contienen demasiado texto

Si vas a citar a alguien, contrasta la cita con la grabación. Si vas a crear subtítulos, corrige las palabras y los tiempos antes de integrarlos en el vídeo final.

Convierte la transcripción en subtítulos o clips

Transcription no incrusta texto en la imagen. Crea archivos reutilizables para que puedas revisarlos antes de producir otro recurso.

Para subtítulos visibles, adjunta el SRT revisado y el vídeo original a Captions. Para editar contenido corto, una sola transcripción puede alimentar todo el proceso: localizar momentos útiles, cortar en límites de frase y subtitular los clips. La guía para convertir un vídeo largo en shorts explica la secuencia, y el artículo sobre recortar por frases detalla cómo conseguir cortes limpios.

Separar los pasos resulta útil. Puedes corregir un SRT, reutilizarlo con varios estilos de subtítulos y conservar TXT para descripciones, notas o un montaje sobre papel sin volver a transcribir la fuente.

Lo que el generador no hace

Un transcriptor convierte voz en texto; no resume automáticamente la grabación, elige los mejores momentos, traduce el contenido ni crea un vídeo ya subtitulado. Son tareas editoriales o de producción separadas.

También necesita una pista de audio. El texto que aparece en pantalla sin ser pronunciado no forma parte de la transcripción. Si hay diapositivas, rótulos o texto de interfaz importantes, revísalos por separado y añádelos a tus notas.

Empieza con una grabación representativa, no con todo tu archivo. Comprueba cómo trata tus voces, vocabulario y condiciones de audio, añade las correcciones recurrentes y aplica la misma lista de revisión al resto del lote.