Cómo transcribir un audio a texto: WhatsApp, reuniones y archivos

Tenés un audio y necesitás el texto. Podés escucharlo dos veces y tipear, que es lo que hace casi todo el mundo, o resolverlo en treinta segundos.

La confusión es que "transcribir un audio" son en realidad tres problemas distintos, con tres soluciones distintas. Una nota de voz de WhatsApp no se resuelve igual que una reunión de una hora, ni que un archivo que te mandaron por mail. Elegir la herramienta equivocada es la razón por la que mucha gente termina pagando algo que no necesita, o peleando con algo que no sirve para su caso.

Van los tres casos, en orden de frecuencia. Y al final, el paso que casi nadie da y es el único que cambia algo de verdad.

Caso 1: una nota de voz de WhatsApp

Es el más común y el más fácil, porque ya no hace falta ninguna app externa.

WhatsApp transcribe notas de voz de forma nativa. Se prende una sola vez en Ajustes, Chats, Transcripción de mensajes de voz, se elige el idioma, y desde ahí se mantiene presionada cualquier nota y aparece la opción de transcribir. El texto se genera en tu propio teléfono, no en un servidor, así que ni WhatsApp ni nadie más lee el contenido.

Si no te aparece la opción, hay dos motivos posibles: la versión de tu app todavía no la trae, o tu idioma no está habilitado en tu sistema operativo. La salida en ese caso es exportar el audio (compartir la nota como archivo) y subirlo a un asistente de IA o a una herramienta de transcripción.

Y una tercera vía que casi nadie usa: reenviar la nota de voz a un asistente conectado por WhatsApp. Si tu empresa ya tiene un agente de IA en WhatsApp, transcribir audios es lo más barato que puede hacer.

Caso 2: una reunión

Acá el error clásico es transcribir después. Grabás la llamada, guardás el archivo, y a la semana siguiente intentás encontrar el momento donde el cliente dijo lo que dijo.

Lo que corresponde es transcribir durante. Las apps de reuniones se conectan a Zoom, Meet o Teams y entregan la transcripción, el resumen y los compromisos apenas cortás. Hay dos familias, y la diferencia importa más de lo que parece:

• Con bot: entra un participante extra a la llamada, visible para todos. Fireflies, Otter, tl;dv y la mayoría funcionan así. Es transparente, y a veces incómodo: en una negociación, un participante llamado "Notetaker" cambia la conversación.
• Sin bot: graban el audio de tu computadora sin que aparezca nadie en la llamada. Granola, Jamie y Bluedot juegan en esta liga. Más discreto, y por eso mismo exige más cuidado con el aviso y el consentimiento.

Si querés gratis y sin vueltas, el plan gratuito de Fathom transcribe y graba sin límite, con bot o sin bot. Si además necesitás video, tl;dv da grabaciones de video ilimitadas en su plan gratis. Y si tu empresa ya paga Zoom o Google Workspace, revisá antes de contratar nada: Zoom AI Companion viene incluido en los planes pagos y Gemini en Google Meet viene desde Business Standard. Es la función que más empresas ya pagan y nunca prendieron.

Comparamos 28 herramientas de reuniones con precios, idiomas y conexión MCP en la comparativa completa de apps para transcribir reuniones.

Caso 3: un archivo suelto

Un audio que te llegó por mail, una entrevista, un mensaje grabado, el audio de un video.

Para uso ocasional, subilo directamente a un asistente de IA. Claude y ChatGPT procesan archivos de audio y te devuelven el texto, y de paso podés pedirles el resumen en el mismo movimiento. Cero costo adicional si ya pagás la suscripción.

Para volumen o exigencias particulares, hay herramientas dedicadas: Happy Scribe declara más de 150 idiomas de transcripción, Sonix cobra por hora de audio, y Rev ofrece transcripción hecha por humanos a 1,99 dólares el minuto cuando la precisión tiene que ser cercana al 100% (actas legales, contenido que se publica textual).

Regla simple: automática para entender, humana para publicar.

Sobre el español y el ruido

Dos preocupaciones que aparecen siempre y merecen respuesta honesta.

El español funciona bien. Casi todas las herramientas montan sobre los mismos motores de reconocimiento de voz, así que el español neutro sale correcto en cualquiera. Donde sí hay diferencia real es en las reuniones que mezclan idiomas, en los acentos muy marcados y en si la interfaz está traducida para el equipo que la usa todos los días.

El ruido sí rompe. Una llamada desde el auto, una fábrica de fondo, tres personas hablando encima. Ahí ninguna transcripción automática hace magia. Si ese es tu escenario habitual, existen herramientas con cancelación de ruido incorporada, pero la mejora más grande sigue siendo gratis: un micrófono decente y que hable uno a la vez.

El paso que casi nadie da

Acá está lo que separa transcribir de que sirva para algo.

Transcribir resuelve el minuto siguiente. Tenés el texto, lo leés, seguís. Tres semanas después ese texto está en una carpeta que nadie abre, junto a otras doscientas transcripciones que tampoco abre nadie.

El valor no está en la transcripción. Está en poder preguntarle a tus reuniones. "¿Qué le prometimos a este cliente en las últimas tres llamadas?" "¿Cuántas veces salió el tema del precio este trimestre?" Eso no lo resuelve una app de transcripción: lo resuelve conectar esas transcripciones a un asistente que pueda buscarlas y cruzarlas, o sea convertirlas en parte de la base de conocimiento de tu empresa.

Varias de estas herramientas ya tienen servidor MCP oficial, que es justamente la pieza que permite ese salto: Fireflies, Otter, Zoom y tl;dv, entre otras. Lo listamos con el resto en las herramientas con servidor MCP oficial.

La diferencia entre las dos empresas es enorme y la inversión casi la misma. Una tiene transcripciones. La otra tiene memoria.

¿Querés que las conversaciones de tu equipo dejen de ser archivos muertos? Escribinos en magnesium.team/contacto y lo vemos sobre tus herramientas.