Identificación de hablantes online | WhisperX
Sigue cada intervención de una conversación, revisa las etiquetas y asigna nombres que puedas verificar.
Servicio independiente y no oficial. Sin afiliación con los autores de WhisperX ni con OpenAI.
Detalles del resultado y salida original
Escucha el original y comprueba el resultado
Grabaciones sintéticas breves procesadas con WhisperX real. El texto del ejemplo se conserva en inglés para que puedas compararlo con el audio original. Estos ejemplos muestran el funcionamiento, no son pruebas de precisión en situaciones reales.
Conversación · 17.86 segundos · Inglés
Audio sintético · Salida automática sin editar
0.09–2.72 s SPEAKER_01
How do I run WhisperX without installing it?
3.20–7.83 s SPEAKER_00
Upload an audio file, choose your language, and start transcription.
8.27–11.37 s SPEAKER_00
Can I download Word timestamps and subtitles?
Revisa las voces antes de asignar nombres
Este flujo utiliza WhisperX large-v3 con alineación forzada. Empieza con una intervención clara y larga de cada participante. Cambiar el nombre de una etiqueta actualiza ese grupo; corregir una intervención mal asignada es una edición distinta. El número de grupos detectados no garantiza el número de participantes.
Vuelve al fragmento que quieres revisar
La alineación de WhisperX estima dónde aparece cada palabra en el audio. Pulsa una marca de tiempo disponible para escuchar ese fragmento en contexto. Algunas palabras pueden no tener marcas de tiempo fiables. Corregir el texto no vuelve a ejecutar la alineación ni genera nuevas marcas de tiempo; conserva el JSON original si necesitas distinguirlo de tu versión revisada.
Identificación de hablantes: quién dijo qué
La identificación de hablantes agrupa las intervenciones por voz dentro de una grabación. Escucha antes de cambiar una etiqueta por un nombre. Las voces parecidas, las respuestas breves y el habla simultánea pueden provocar errores. Las etiquetas no verifican identidades ni permiten reconocer a la misma persona en archivos distintos.
Texto, datos y subtítulos
Descarga TXT para leer, JSON para conservar los datos estructurados o SRT y VTT para subtítulos. TXT y JSON conservan las etiquetas de hablantes; SRT y VTT no añaden sus nombres automáticamente. Revisar y descargar un resultado existente no consume más minutos. Los subtítulos se exportan como archivos separados: no se incrustan en un nuevo vídeo.
Idiomas de las grabaciones
La prueba gratuita admite inglés. El acceso de pago permite transcribir en inglés, español, francés, alemán, italiano, portugués, chino y japonés. El texto conserva el idioma hablado: no se traduce. El idioma de la interfaz no amplía los idiomas de transcripción disponibles.
Cómo funciona
- 1
Sube una grabación que tengas permiso para procesar. Elige el idioma hablado y activa las etiquetas de hablantes si las necesitas.
- 2
Comprueba la duración y el cargo antes de iniciar el procesamiento. La tarea queda asociada a tu cuenta.
- 3
Escucha, corrige y descarga. Conserva la salida original o exporta tu versión revisada.
Formatos y límites
Admite MP3, WAV, M4A, FLAC, OGG, MP4, MOV y WebM. La prueba única incluye 5 minutos y admite archivos de hasta 100 MB y 5 minutos. Con acceso de pago, el límite por archivo es de 500 MB y 60 minutos. Se necesita una cuenta para procesar archivos propios. No se admiten enlaces externos ni grabación en directo.
Archivos privados y conservación
Los resultados son privados y están vinculados a tu cuenta. Se conservan 7 días en la prueba y 30 días con acceso de pago; descárgalos antes de la fecha indicada. El audio se procesa en un servicio externo, no en tu navegador. Los minutos se reservan antes del procesamiento y se descuentan del saldo cuando el resultado se entrega correctamente; las tareas fallidas liberan la reserva.
Elige tu herramienta
Audio a texto ↗
Sube tu audio, transcríbelo con WhisperX y revisa el texto mientras escuchas la grabación.
Vídeo a texto ↗
Convierte el habla de tu vídeo en una transcripción que puedes revisar y exportar.
Generador de subtítulos ↗
Genera subtítulos a partir de tu grabación, comprueba las palabras y descarga SRT o VTT.
Identificación de hablantes ↗
Sigue cada intervención de una conversación, revisa las etiquetas y asigna nombres que puedas verificar.
Whisper Diarization ↗
Convierte una conversación en texto con etiquetas de hablantes y tiempos por palabra, sin configurar Python ni una GPU.
Guías de WhisperX
Cómo usar WhisperX ↗
Guía práctica para subir una grabación, confirmar el cargo, revisar los tiempos y hablantes y exportar el resultado.
Instalación local ↗
Prepara un entorno Python aislado, CPU o GPU compatible y FFmpeg. Consulta los requisitos actuales del proyecto original.
WhisperX frente a Whisper ↗
Qué añade WhisperX al reconocimiento de voz: alineación de palabras, grupos de hablantes y límites que conviene revisar.
Guía de etiquetas de hablantes ↗
Entiende los grupos de voz, cuándo indicar el número de hablantes y cómo revisar solapamientos y etiquetas dudosas.
Preguntas frecuentes
¿Qué formatos conservan las etiquetas de hablantes?
TXT antepone el nombre a cada intervención etiquetada. JSON conserva el mapa de hablantes, las asignaciones y los tiempos disponibles. SRT y VTT no añaden nombres automáticamente.
¿Separa el audio de dos personas que hablan a la vez?
No. Produce una transcripción, no una pista de audio por participante. El habla simultánea puede provocar omisiones o etiquetas incorrectas. La identificación de hablantes no tiene un cargo adicional.
¿Es la web oficial de WhisperX?
No. Es un servicio alojado independiente y no oficial. El proyecto de código abierto se mantiene por separado en GitHub, en m-bain/whisperX.
¿Puedo usar mi propio archivo sin instalar nada?
Sí. Necesitas una cuenta para subir y procesar tu archivo. El modelo se ejecuta en un servicio externo; no necesitas una GPU ni un token de modelo propio.
¿Se traducen las grabaciones?
No. La transcripción conserva el idioma hablado. La prueba admite inglés; el acceso de pago añade español, francés, alemán, italiano, portugués, chino y japonés.
¿Editar o descargar cuesta más?
No. Editar y descargar un resultado existente no consume más minutos. Una nueva transcripción es una tarea nueva con su propio cargo confirmado.
¿Los tiempos y los hablantes siempre son correctos?
No. Puede haber palabras sin tiempo fiable y errores al agrupar hablantes. Revisa el audio. Editar una frase no genera nuevas marcas de tiempo y las etiquetas no verifican identidades.
¿Puedo pegar un enlace de YouTube?
No. El servicio utiliza archivos que subes con permiso. No descarga vídeos ni audio de enlaces externos.