SubtitleMedic

Generar subtítulos automáticamente

¿Tienes un video sin subtítulos? Arrástralo aquí y Whisper, una IA de reconocimiento de voz, los escribe por ti: líneas con sus tiempos en SRT o VTT, listas para revisar y guardar. Todo funciona en tu computadora, así que el archivo nunca sale de ella.

Se procesa en tu navegadorSin registro.mp4, .mov, .mkv, .webm, .mp3, .m4a y .wav

Cómo generar subtítulos automáticamente

  1. Abre el video o el audio

    Arrastra tu archivo al recuadro de arriba o haz clic para elegirlo. Funcionan videos (MP4, MOV, MKV, WebM) y audios (MP3, M4A, WAV, OGG, FLAC) de hasta tres horas.

  2. Elige el modelo y el idioma

    Rápido, Equilibrado o Preciso: los modelos más grandes aciertan más palabras, pero tardan más y la primera vez descargan más. Deja el idioma en Detectar automáticamente o elígelo para ayudar con clips cortos y acentos.

  3. Genera, revisa y descarga

    Presiona Generar subtítulos. Las líneas aparecen a medida que se escucha cada parte del archivo. Léelas, elige SRT o VTT y descarga el archivo, que lleva el nombre de tu video.

Cómo funcionan los subtítulos automáticos

La página usa Whisper, un modelo de reconocimiento de voz publicado por OpenAI y entrenado con cientos de miles de horas de habla en 99 idiomas. Whisper escucha el audio en ventanas de 30 segundos. En cada ventana escribe las palabras que oyó junto con marcas de tiempo: dónde empieza y dónde termina cada tramo de habla.

Antes de que Whisper escuche, el sonido se saca de tu archivo y se convierte a la forma que espera el modelo: un solo canal, 16.000 muestras por segundo. El sonido de una película se lee en bloques de unos diez minutos, cada uno cortado en una pausa para no partir ninguna palabra, así que ni una grabación de tres horas tiene que estar entera en memoria.

Los tramos de Whisper no son buenos subtítulos por sí solos: algunos duran 20 segundos y otros llevan un párrafo entero. Por eso cada tramo se corta en líneas del tamaño de un subtítulo, al final de una oración si se puede, luego en una coma y luego entre palabras. Cada línea recibe su parte del tiempo del tramo, se reparte en un máximo de dos renglones de 42 caracteres y se queda en pantalla como mucho siete segundos, los límites que usa la mayoría de los servicios de streaming. Se descartan las líneas sin palabras y la costumbre de Whisper de repetir una frase sobre el silencio.

Todo funciona en tu computadora

Los generadores de subtítulos en línea suelen subir tu video a un servidor, hacer el reconocimiento allí y devolverte el texto. Esta página no. El modelo se descarga a tu navegador y funciona ahí: con WebGPU en tu tarjeta gráfica cuando el navegador lo ofrece y con WebAssembly en tu procesador cuando no. Eso importa con entrevistas, reuniones, clases y videos familiares que preferirías no entregar al servidor de un desconocido, y significa que no hay que esperar una subida, ni crear una cuenta, ni respetar un límite de minutos.

Los archivos del modelo vienen de Hugging Face y el motor que lo ejecuta, de jsDelivr, ambos en versiones fijas; el motor se comprueba contra una huella conocida antes de ejecutarse. Nada tuyo se envía a ninguno de los dos.

Qué modelo elegir

  • Rápido (Whisper tiny) es la descarga más pequeña y el más veloz, incluso sin WebGPU. Sirve para voz clara en inglés o español y para una transcripción aproximada; le cuestan los acentos, el ruido y los idiomas menos comunes.
  • Equilibrado (Whisper base) es el predeterminado cuando tu navegador tiene WebGPU. Es claramente mejor con nombres, puntuación y otros idiomas, a cambio de más o menos el doble de tiempo.
  • Preciso (Whisper small) solo se ofrece con WebGPU, porque solo con el procesador tardaría más que el propio video. Elígelo para idiomas que Whisper escuchó menos o para una grabación con ruido de fondo.

La etiqueta Descargado marca los modelos que ya están en tu navegador: volver a usarlos no requiere ninguna descarga.

Cómo obtener el mejor resultado

Lo que más ayuda es un sonido limpio. Whisper funciona mejor con una persona que habla claro cerca del micrófono. La música debajo de la voz, una sala con ruido y varias personas hablando a la vez le restan precisión. Si puedes, usa la grabación original en lugar de un video con banda sonora añadida.

Elige el idioma en los clips cortos. La detección automática escucha los primeros 30 segundos. Un clip que empieza con música, o con unas palabras en otro idioma, puede detectarse mal, y entonces todo el archivo sale en el idioma equivocado.

Cuenta con editar. Incluso un buen resultado necesita una lectura: nombres escritos como suenan, una palabra perdida en un diálogo rápido, una línea que pertenece al siguiente hablante. Corregir un borrador sigue siendo mucho más rápido que escribirlo todo a mano.

Qué hacer después con los subtítulos

  • Míralos con tu video en VLC, Plex o una TV dándole al SRT el mismo nombre que al video, como se explica en cómo agregar subtítulos a un video.
  • Mételos dentro del archivo como una pista que se puede activar y desactivar con Agregar subtítulos a MP4.
  • Dibújalos en la imagen para Instagram, TikTok o una presentación con Incrustar subtítulos en un video.
  • Sube el SRT o VTT a YouTube o Vimeo como tu propia pista de subtítulos, que reemplaza a sus subtítulos automáticos.

Los subtítulos automáticos no son lo mismo que los subtítulos para personas sordas o con discapacidad auditiva: escriben lo que se dice, pero no sonidos como la música o un portazo. La diferencia se explica en qué son los subtítulos SDH.

Preguntas frecuentes

¿Cómo genero subtítulos automáticos para un video?

Arrastra el video al recuadro de arriba, elige la precisión del modelo y el idioma que se habla, y presiona Generar subtítulos. Whisper escucha el sonido y escribe líneas con sus tiempos, que puedes revisar en la página y descargar como archivo SRT o VTT.

¿Se sube mi video a un servidor?

No. El sonido se lee y se reconoce dentro de tu navegador, en tu propia computadora. Lo único que se descarga es el modelo de voz, una vez, desde Hugging Face; tu archivo, su sonido y las palabras que se encuentran en él nunca salen de tu dispositivo.

¿Qué tan precisos son los subtítulos?

Con voz clara y poco ruido de fondo, Whisper acierta la mayoría de las palabras, y cada modelo más grande se equivoca menos que el anterior. Falla sobre todo con nombres, términos técnicos, voces bajas y personas que hablan a la vez o sobre música, así que revisa siempre las líneas antes de publicarlas.

¿Qué idiomas reconoce?

Whisper se entrenó con 99 idiomas, entre ellos español, inglés, portugués, vietnamita, indonesio, chino, japonés, hindi y árabe. Funciona mejor con los idiomas que más escuchó, así que el español y el inglés salen muy limpios. Elige el idioma tú mismo para clips cortos o acentos marcados; la detección automática decide con los primeros 30 segundos.

¿Por qué es lento en mi computadora?

El modelo es más rápido en la tarjeta gráfica mediante WebGPU, que Chrome y Edge ofrecen en la mayoría de las computadoras. Sin WebGPU, la página usa el procesador, y un video largo puede tardar varios minutos. Elige Rápido para tener el resultado antes, cierra otras pestañas y deja esta abierta hasta que termine.

¿Cuánto se descarga?

Rápido pesa de 45 a 125 MB, Equilibrado de 80 a 210 MB y Preciso, que solo se ofrece con WebGPU, de 410 a 590 MB, según lo que admita tu tarjeta gráfica; la página muestra el tamaño exacto junto a cada modelo. Se descarga la primera vez que usas un modelo y se guarda en tu navegador, así que el siguiente video empieza de inmediato. Un botón debajo de Generar elimina los modelos descargados cuando necesitas recuperar el espacio.

¿Puede traducir los subtítulos a otro idioma?

No. Esta página escribe lo que se dice, en el idioma en que se dice. Para tener subtítulos en otro idioma, genéralos aquí primero y luego traduce el archivo SRT, por ejemplo en una hoja de cálculo con Convertir SRT a Excel.

¿Funciona en el celular?

Sí, con clips cortos. Los celulares tienen menos memoria y procesadores más lentos, así que un video largo puede detenerse a la mitad. En el celular, elige Rápido y usa clips cortos, o usa una computadora para cualquier video de más de unos minutos.