Voz a texto en español, gratis

El español lo hablan como lengua materna unos 500 millones de personas, solo por detrás del chino mandarín, y es idioma oficial en veinte países — España, Guinea Ecuatorial y dieciocho estados de América Latina — además de en Puerto Rico. Esa extensión explica que las grabaciones en español lleguen de redacciones madrileñas, centros de llamadas de Ciudad de México, estudios de pódcast de Buenos Aires y trabajos de campo andinos: todos escriben la misma lengua y ninguno la dice exactamente igual.

La ortografía del español se corresponde muy de cerca con el sonido, lo que traslada casi toda la dificultad a otro sitio: a las marcas gráficas. La tilde no es un adorno, cambia el significado. Papá y papa no son la misma palabra; sí y si tampoco; término, termino y terminó son un sustantivo, una primera persona y una tercera persona separadas únicamente por dónde cae el acento. La ñ es una letra por derecho propio, no una n con sombrero — año y ano son cosas distintas. ConvertSpeech escribe todo esto, que es justo lo que separa un español legible de una salida de máquina descafeinada.

Luego están los signos de apertura. El español abre las preguntas con ¿ y las exclamaciones con ¡, y los abre donde empieza realmente la pregunta, que muchas veces está a mitad de frase y no al principio. Esto importa más de lo que sugiere la simetría: el orden de palabras a menudo no distingue una pregunta de una afirmación — «tienes hambre» y «¿tienes hambre?» son las mismas palabras —, así que son los signos los que le dicen al lector de cuál de las dos se trata. La transcripción de ejemplo de más abajo muestra al motor colocando un ¿ a mitad de frase, después de una coma, exactamente donde lo pondría un corrector humano.

La pronunciación añade una última capa que no desaparece por muy limpio que esté el audio. Con seseo, casa y caza suenan igual; el yeísmo hace que cayó y calló sean el mismo sonido; b y v son un único sonido en español, y la h es muda — así que la grafía de tuvo frente a tubo, o de haya frente a halla y aya, solo puede decidirse por el contexto. Sube tu audio o vídeo y el motor escribe el español hablado como texto limpio, localizable y con su puntuación. Funciona en tu navegador, no requiere instalación, y tus primeros minutos son gratis sin necesidad de crear una cuenta.

Esta es una grabación real de 45 segundos de una persona leyendo en voz alta, procesada por nuestro motor de IA exactamente igual que procesarías tu propio archivo. Después no se corrigió nada. Dale al play y lee al mismo tiempo.

Merece la pena fijarse: la primera línea termina con ¿por qué no ministro? y el ¿ se abre a mitad de frase, después de una coma, justo donde empieza la pregunta y no al principio del enunciado — esta es la regla que más falla en el español automático. El diálogo se abre con «¡Mia tú, y el motor eligió por su cuenta las comillas angulares españolas y la exclamación de apertura. Las tildes caen donde cambian la palabra: tú y quién en ¿Sabes tú quién tiene la culpa? van acentuados, mientras que el tu átono de a tu abuela no. Sacristán, había, llegaría, quizá, célebre, compañero, ponía, empeños, mamá y tías salen bien. No es perfecto: en la novela el chico se llama Cadalso y la transcripción escribe Carso, la parroquia de Monserrat se convierte en Monserrate, y los nombres propios son lo primero que se le tuerce a una transcripción en español.

Es una lectura cuidada y bien articulada, más cerca de una clase o una nota dictada que de una conversación real. Una entrevista en una cafetería ruidosa con tres personas hablando a la vez, o un hablante caribeño rápido que se come todas las eses finales de sílaba, no saldrá así de limpia; ningún sistema automático lo consigue. La última línea también se corta a mitad de frase, sencillamente porque ahí terminan los 45 segundos. La calidad de la grabación sigue siendo, con diferencia, el factor que más influye en el resultado.

El español europeo (castellano) mantiene una distinción que la mayor parte del mundo hispanohablante ha perdido: la c ante e o i, y la z, se pronuncian /θ/, el sonido interdental de zapato, de modo que casa y caza son palabras distintas también para el oído, no solo sobre el papel. El nombre técnico de esto es distinción, no ceceo — el ceceo es la fusión contraria, en la que la propia /s/ se realiza como /θ/, y es un rasgo regional de partes de Andalucía, no el estándar peninsular. El habla peninsular es además donde aparecen vosotros y sus desinencias propias — habláis, tenéis, sois, vosotros os —, que sencillamente no salen en las grabaciones hispanoamericanas.

El español de México es la variedad con más hablantes y una de las más cómodas de transcribir: la s final de sílaba se mantiene claramente pronunciada y el ritmo es regular. Lo que hay que mirar dos veces es el vocabulario y los topónimos de origen náhuatl — elote, popote, chamaco, guajolote — y la letra x, que en México, Oaxaca y Xalapa se pronuncia como una j, pero como /ks/ en taxi y como «sh» en Xochimilco. Nada de eso es predecible a partir de la grafía, así que conviene repasar los nombres propios.

El español rioplatense, en torno a Buenos Aires y Montevideo, tiene dos rasgos que cambian el texto en sí. El voseo sustituye tú por vos y trae sus propias formas verbales — vos hablás, vos tenés, vos sos, e imperativos como vení, mirá, decime —, y todo eso es español correcto, no errores que haya que normalizar a tú eres. El segundo es el žeísmo: ll e y se pronuncian con un sonido «sh» o «zh», así que calle suena como «cashe» y yo como «sho». El motor transcribe qué palabras son, no cómo se pronunciaron, de modo que la salida se mantiene en la ortografía estándar.

El español caribeño — Cuba, Puerto Rico, la República Dominicana y las costas de Venezuela y Colombia — es el grupo más difícil para cualquier sistema automático, y por un motivo honesto. La s final de sílaba se aspira convirtiéndose en una h o desaparece del todo, así que los dos suena «loh doh» y las casas puede sonar igual que la casa. Como esa s es la que marca el plural, el motor tiene que reconstruir información gramatical que quien habla nunca llegó a pronunciar, solo a partir del contexto. Las consonantes finales se debilitan, para se contrae en pa y el ritmo es rápido. Aquí un audio claro ayuda más que en ningún otro sitio.

El español andino, en las tierras altas de Perú, Bolivia y Ecuador, está en el extremo opuesto: es conservador, la s final de sílaba se conserva intacta y en algunas zonas sigue viva la vieja distinción entre ll e y que el yeísmo borró en otras partes. La complicación es de vocabulario más que de sonido: préstamos y topónimos del quechua y del aimara atraviesan el habla cotidiana, y los hablantes bilingües pueden mostrar patrones vocálicos de esas lenguas. El español de Chile merece su propio aviso: rápido, muy aspirado y con terminaciones verbales contraídas como ¿cachái? y ¿estái?, es una de las variedades más exigentes de acertar.