Voz a texto: cómo funciona y cuánto cuesta

Di una frase al móvil y mira cómo aparecen las palabras. Después fíjate en cómo cambia la tercera palabra justo cuando terminas la quinta. Ese parpadeo es todo el campo en miniatura: una máquina que hace una apuesta y luego la corrige en cuanto llegan más pruebas.

La conversión de voz a texto es hoy tan corriente que casi nadie se pregunta qué es. Subtitula vídeos, tramita partes de seguro, atiende centralitas telefónicas, redacta notas clínicas y registra en silencio todo lo que oye el micrófono de tu coche. También falla de maneras que parecen aleatorias hasta que entiendes la maquinaria, momento en el cual parecen casi inevitables.

Así que: qué abarca el término, qué hace el sistema entre tu boca y la pantalla, hasta qué punto acierta de verdad, quién se apoya en ello, cuánto cuesta y qué se ha movido últimamente. Aquí no hay rankings de productos.

El término abarca más terreno del que la gente supone

La conversión de voz a texto es el paso de audio hablado a palabras escritas. Su nombre formal es reconocimiento automático del habla, abreviado normalmente como ASR, y ambas expresiones señalan exactamente lo mismo. Los ingenieros y los proveedores dicen ASR; el resto dice voz a texto, o dictado por voz, según la costumbre.

Donde la gente se equivoca es al tratarlo como una categoría de producto. No lo es. Es una capacidad que se sitúa por debajo de muchos productos, en dos modos que no se parecen en nada.

El modo en directo funciona mientras el sonido sigue llegando. Las palabras aterrizan en pantalla una fracción de segundo por detrás de quien habla: una app de dictado, un sistema de subtitulado, el botón del micrófono de una barra de búsqueda. No se almacena nada antes; el audio se consume según llega.

El modo de archivo funciona sobre una grabación que ya existe. Todo está disponible de golpe, así que el sistema puede leer hacia delante y hacia atrás antes de comprometerse con ninguna palabra. Ese es el modo que hay detrás de convertir una grabación en un documento tras una reunión o una entrevista: un trabajo emparentado, con su propio flujo.

Cuatro tecnologías que no dejan de confundirse entre sí

Los resultados de búsqueda sobre voz a texto están contaminados por tres tecnologías vecinas que hacen trabajos genuinamente distintos. Merece la pena separarlas bien una vez.

La confusión más molesta es la del reconocimiento del hablante. En sentido laxo significa lo mismo que reconocimiento del habla. En sentido estricto significa la otra mitad del problema: no qué se dijo, sino quién lo dijo. Un sistema de huella vocal compara las características físicas de la voz de una persona con una muestra registrada para confirmar su identidad, que es lo que hace un banco cuando dice «mi voz es mi contraseña». La identificación de hablantes y la diarización vienen de la misma familia. Te dicen la persona, no las palabras, y funcionan de forma independiente, y por eso una transcripción puede atribuir una frase al hablante equivocado con todas las palabras bien escritas.

El texto a voz es la imagen especular limpia: una voz fabricada a partir de escritura en lugar de escritura fabricada a partir de una voz. La comprensión se apoya encima del reconocimiento: una vez que tienes las palabras, algo tiene que decidir todavía que «pásalo al jueves que viene» es una petición de agenda. Un altavoz inteligente encadena tres de las cuatro en menos de un segundo, y por eso la gente las vive como una sola cosa.

Qué hace la máquina mientras hablas

El modelo intuitivo —el ordenador empareja cada sonido con una palabra del diccionario— es falso, y todo lo útil que puedes hacer para mejorar tus resultados se deriva de por qué lo es.

Un reconocedor no identifica palabras de una en una. Busca la secuencia de palabras que con más probabilidad ha producido el sonido recibido, puntuando a los candidatos por dos cosas a la vez: cómo encaja cada uno con la evidencia acústica y cuán plausible resulta como trozo de lengua. Los sistemas clásicos mantenían esas piezas separadas: un modelo acústico que mapea sonido a fonemas, un léxico de pronunciación y un modelo de lenguaje que puntúa secuencias de palabras. Los sistemas modernos de extremo a extremo entrenan toda la cadena como una sola red que emite tokens de texto directamente, pero la aritmética de fondo es el mismo acto de equilibrio.

Ese equilibrio explica el chiste más famoso del campo. En inglés, «recognize speech» y «wreck a nice beach» son casi idénticos como sonido. Solo el lado lingüístico deshace el empate, y lo deshace preguntando qué frase dice realmente la gente. Lleva la lógica un poco más lejos y obtienes el comportamiento que todo el mundo nota: el sistema repara una palabra que mascullaste porque sus vecinas hacían obvia la respuesta.

También explica el fallo que más irrita. Di el apellido de un compañero o el nombre de un producto interno que el modelo nunca vio durante el entrenamiento y no podrá escribirlo: no es que «no quiera», es que no puede. Sustituye lo más parecido que conoce y sigue adelante. El remedio es el sesgo contextual, vendido como diccionario personalizado, vocabulario personalizado o refuerzo de palabras: le pasas al sistema una lista breve de términos y repondera la búsqueda a su favor. Es el ajuste con más palanca en la mayoría de herramientas, y el último que la gente encuentra.

Diez minutos de configuración que cambian tu opinión sobre una herramienta: antes de juzgar cualquier app de voz a texto, carga su vocabulario personalizado con veinte términos: apellidos de compañeros, nombres de producto, los acrónimos de tu sector, tus dos mayores clientes. La mayoría evalúa el primer día, ve cómo destroza un nombre tres veces y concluye que la tecnología es mala. No lo es. Simplemente todavía no ha conocido tu mundo.

El directo y el diferido son problemas distintos

Aquí es donde los dos modos se separan, y donde empieza casi toda la confusión sobre la calidad. Un sistema que trabaja sobre un archivo terminado puede mirar hacia delante. Ve el final de la frase antes de decidir el principio, lo que supone una ventaja considerable: la misma ambigüedad acústica se resuelve mucho mejor con tres segundos de contexto futuro. Por eso procesar una grabación suele ganar a capturar en directo ese mismo audio. No es un producto de distinta calidad; es un problema de distinta dificultad.

Un sistema en directo no tiene futuro que consultar. Tiene que emitir algo ahora, así que publica una hipótesis parcial —su mejor conjetura del momento— y la revisa a medida que llega más audio. Esas revisiones son las palabras que se reescriben solas en pantalla. No es un fallo: es la expresión honesta de un sistema que actualiza su apuesta.

Hay dos mecanismos que definen cómo se siente la voz a texto en directo:

• La detección de fin de habla. Algo tiene que decidir si has dejado de hablar o solo has hecho una pausa. Umbral corto y el sistema te corta a media idea; umbral largo y cada frase termina con una espera incómoda. Ningún ajuste contenta a todos, y por eso unas herramientas parecen impacientes y otras lentas.
• La decodificación en dos pasadas. La arquitectura habitual ejecuta un modelo rápido que solo ve lo que ya ha ocurrido para producir los parciales parpadeantes, y después uno más lento que sí puede mirar hacia delante para cerrar la línea. Latencia baja donde hace falta reacción, mejor precisión donde el texto queda fijado.

La latencia tampoco es aquí un solo número. Está el retardo hasta que aparece la primera palabra, el ritmo al que se actualizan los parciales y la espera hasta que una línea queda cerrada. El tamaño de bloque mueve sobre todo lo primero; la detección de fin de habla mueve sobre todo lo último. Un proveedor que cita una sola cifra cita la que le favorece.

La precisión es una propiedad de tu audio, no del producto

Todo el mundo quiere un número. La versión honesta necesita dos frases.

Los investigadores puntúan estos sistemas con la tasa de error de palabra: suma cada palabra cambiada, omitida o inventada y divide por el número de palabras realmente pronunciadas. Cuanto más baja, mejor, y es la inversa del porcentaje de precisión de los folletos comerciales: un 3 % de tasa de error es un 97 % de precisión.

Sobre habla limpia y bien grabada de una sola persona, los motores punteros se sitúan en 2026 aproximadamente entre el 2 y el 5 %. El Scribe v2 de ElevenLabs se midió en torno al 2,3 % en marzo de 2026; el Nova-3 de Deepgram y el Canary Qwen de NVIDIA han aterrizado ambos cerca del 5 % en clasificaciones independientes en inglés. Cifras excelentes y, para la mayoría de lectores, irrelevantes.

Los bancos de pruebas se construyen con grabaciones que se portan bien: frases leídas, micrófonos decentes, una voz cada vez. Tu audio es una videollamada con alguien hablando por el altavoz de un portátil, un perro y dos personas terminándose las frases mutuamente. Sobre material real y mezclado, las cifras de precisión publicadas se abren desde cerca del 85 % hasta el 98 %, y las tasas de error en audio de reuniones caótico con varios hablantes se reportan habitualmente en la franja del 15–25 %. Los mismos motores. Otro mundo.

Lo que mueve tu número, más o menos por orden de daño: cuántas personas hablan a la vez, a qué distancia de la boca está el micrófono, cuánto reverbera la sala, hasta qué punto el acento de quien habla está representado en los datos de entrenamiento y cuán especializado es el vocabulario. Las brechas por acento son reales y afectan a todo el sector: todos los motores que se venden hoy, el nuestro incluido, pierden terreno cuando los acentos son marcados y la gente se pisa al hablar. Cualquier proveedor que insinúe lo contrario está vendiendo.

Hay además un problema más sutil: el sistema no tiene ni idea de cuándo se equivoca. Las puntuaciones de confianza existen, pero un modelo de extremo a extremo fluido puede producir una frase perfectamente gramatical que nadie pronunció y entregarla con el mismo aplomo que una correcta. Un transcriptor humano escribe «[inaudible]». Un modelo adivina.

La mejora de precisión más barata que existe: un micrófono USB de $60 o unos auriculares con cable mejorarán tus resultados más que cambiar de proveedor. Grabar cerca de la boca recorta el eco de la sala, levanta la voz por encima del ruido de fondo y conserva las frecuencias altas que separan consonantes parecidas. Todos los modelos de esta página pelean contra la misma física, y la física se decide antes de que al software le llegue el turno.

Los trabajos que la voz a texto hace en silencio todo el día

La productividad personal es la punta visible. El volumen está en otra parte.

Los centros de contacto son probablemente el mayor despliegue comercial. El reconocimiento en directo alimenta paneles de asistencia al agente que sacan la respuesta correcta a media frase, y convierte el control de calidad de escuchar una muestra del 2 % a puntuar todas las llamadas. El enrutado, las comprobaciones de cumplimiento y los resúmenes posteriores se apoyan en la misma transcripción.

La accesibilidad y el subtitulado son el terreno donde la tecnología dejó de ser opcional. En EE. UU., la norma del Título II del Departamento de Justicia fija el nivel WCAG 2.1 AA como estándar para el contenido digital de administraciones estatales y locales, con fechas de cumplimiento en abril de 2027 y abril de 2028 según el tamaño de la población, y las organizaciones privadas se construyen mayoritariamente contra ese mismo listón. Aparte, desde el 17 de agosto de 2026 la FCC exige a los fabricantes de dispositivos cubiertos y a los distribuidores de vídeo multicanal que los ajustes de visualización de subtítulos ocultos sean fácilmente accesibles. Conviene decirlo claro: los subtítulos automáticos por sí solos no suelen llegar al nivel de precisión que estas normas presuponen. Puntúan mal, destrozan nombres y se saltan sonidos no verbales que un espectador sordo necesita. El patrón que sí cumple es borrador de máquina más corrección humana.

La documentación clínica sigue siendo un mercado enorme, aunque cualquier cosa que toque información sanitaria protegida necesita un proveedor dispuesto a firmar los acuerdos correspondientes, no una app de uso general. Los juzgados la usan como primera pasada bajo revisión humana certificada. Los medios y la educación la usan para hacer buscables sus archivos: el verdadero premio de subtitular una serie de clases de 40 horas es encontrar los cuatro minutos que hablan de autovalores.

Y las reuniones, que es como la conoce hoy la mayoría del personal de oficina: un sistema captura la llamada y produce un registro con marcas de tiempo y etiquetas de hablante, y cada vez más hace algo con él después en lugar de entregarte un muro de texto.

Integrado en el sistema, embebido en una app, dedicado o una API

Todo producto de voz a texto cae en uno de cuatro cubos, y el cubo predice tu experiencia mejor que la marca.

La división interesante dentro del tercer cubo es qué pasa después de que existan las palabras. Algunas herramientas se detienen en el texto. Otras tratan la transcripción como materia prima: Laxis, por ejemplo, graba y transcribe llamadas de Zoom, Google Meet y Microsoft Teams en más de 100 idiomas, después extrae tareas pendientes y empuja los resultados a HubSpot o Salesforce, que es un trabajo distinto de teclear más rápido. Ninguno de los dos enfoques gana en abstracto; responden a preguntas diferentes. Si has llegado hasta aquí sobre todo para decidir qué producto comprar, nuestra comparativa práctica de las mejores herramientas de dictado sí da nombres, algo que esta página evita a propósito.

Tres formas de precio y una trampa

El coste depende por completo del cubo en el que estés, y las formas no son comparables entre sí.

Gratis significa gratis de verdad en la capa del sistema operativo. Todas las plataformas principales incluyen dictado y, para ráfagas cortas, la opción integrada va bien y cada vez corre más en el dispositivo que en un servidor.

Las suscripciones por puesto son el estándar de las herramientas dedicadas, agrupadas entre unos $10 y $20 por usuario y mes, normalmente con una franquicia gratuita para empezar. Nuestro propio precio está en esa banda: un nivel gratuito con 300 minutos de transcripción al mes y, a partir de ahí, $15,99 por usuario en Premium y $29,99 en Business. La cuenta que importa no es la tarifa de portada, es tu volumen: los minutos incluidos ganan en cuanto procesas varias horas por semana, y el consumo medido gana si lo tocas dos veces al mes.

El precio medido de las API es donde vive la economía unitaria de verdad, y las tarifas de lista de 2026 son lo bastante bajas como para sorprender. AssemblyAI publica transcripción asíncrona desde unos $0,15 por hora de audio en Universal-2 y $0,21 en Universal-3.5 Pro, con streaming en tiempo real a $0,45. El Nova-3 de Deepgram figura en torno a $0,0043 por minuto en lotes y $0,0077 en streaming, es decir, alrededor de $0,26 y $0,46 la hora. El GPT-4o Transcribe de OpenAI ronda los $6 por cada mil minutos, y el nivel estándar de Google Cloud unos $16 por cada mil minutos antes de descuentos por volumen.

Hay dos patrones que se repiten en todos ellos. El streaming cuesta bastante más que procesar por lotes ese mismo audio —habitualmente entre un 40 y un 50 % más— porque estás pagando por una conexión mantenida abierta y por una latencia más ajustada. Y la tarifa de portada es un suelo, no un precio: activa diarización, resumen, anonimización, sentimiento y vocabulario personalizado y el coste efectivo puede acabar entre dos y cuatro veces por encima de lo que sugiere la página de precios. Esa es la trampa.

Pon la voz a texto a trabajar en tus llamadas

Laxis graba, transcribe y resume reuniones de Zoom, Google Meet y Microsoft Teams en más de 100 idiomas, extrae tareas pendientes y sincroniza con HubSpot y Salesforce. El plan gratuito incluye 300 minutos de transcripción al mes.

Prueba Laxis gratis

Qué cambió de verdad y qué está llegando

Tres giros explican por qué esto dejó de ser frustrante y siguió mejorando.

El primero es arquitectónico. Las tuberías construidas a mano, con componentes acústico, de pronunciación y de lenguaje separados, dieron paso a redes únicas ajustadas sobre archivos enormes de habla grabada emparejada con su forma escrita. Por eso la cobertura de acentos, idiomas y habla informal mejoró de forma tan brusca, y por eso cambió también el modo de fallar. Los sistemas antiguos producían galimatías evidente; los nuevos producen errores fluidos y seguros de sí mismos.

El segundo es que los modelos se hicieron lo bastante pequeños para moverse. Un reconocimiento que antes exigía un centro de datos corre hoy en un móvil, y algunas funciones de videollamada y subtitulado procesan en local por defecto, lo que es una ganancia real en privacidad y fiabilidad, ya que no hace falta conexión y no viaja audio. Los modelos en la nube siguen sacando ventaja en audio difícil, vocabulario inusual e idiomas de cola larga, que es el compromiso honesto detrás de herramientas en la nube como la nuestra.

El tercero es la arquitectura de streaming. Codificadores diseñados para consumir audio fotograma a fotograma, guardando en caché lo ya visto en lugar de reprocesarlo, bajaron la latencia en directo lo suficiente como para que hablar con una máquina dejara de parecerse a un intercambio por walkie-talkie. El trabajo de NVIDIA sobre conformers con caché en 2026 es un ejemplo público.

Lo que viene es más interesante que otro punto de precisión. Los modelos que operan directamente sobre el audio —responder a una pregunta hablada sin llegar nunca a fijar una transcripción intermedia— se saltan el paso que describe este artículo, y ya se están enviando en productos de asistente. La evaluación también está bajo presión: la tasa de error de palabra trata igual un «el» perdido y un «no» perdido, lo cual es claramente incorrecto, y los investigadores empujan hacia medidas que ponderen el significado. Nuestro informe 2026 sobre el estado de la categoría reúne las cifras de adopción y de mercado que hay detrás de todo esto.

La conclusión

El problema que queda no es oír. Sobre audio limpio la tecnología está terminada: mejor que casi cualquier persona, más rápida que todas, por una fracción de céntimo por minuto. Lo que sigue sin resolver es lo humano: saber quién habló, saber qué importaba, saber cuándo no ha entendido.

Eso último es la frontera de verdad. Un sistema capaz de decir «esta línea no la tengo clara» valdría más que uno dos puntos más preciso y callado sobre sus errores. Hasta entonces, trata el texto automático como un borrador sólido escrito por un compañero rápido y seguro de sí mismo que jamás ha dicho «perdona, ¿puedes repetir?».

Preguntas frecuentes

¿Qué es la conversión de voz a texto?

La conversión de voz a texto es la tecnología que transforma audio hablado en palabras escritas, y su nombre formal es reconocimiento automático del habla. Cubre tanto el uso en directo, donde las palabras aparecen en pantalla mientras hablas, como el uso diferido, donde se procesa después un archivo de audio o vídeo ya almacenado. Las apps de dictado, los subtítulos en directo, los asistentes telefónicos y las herramientas de reuniones son todos productos construidos encima.

¿Cómo funciona el reconocimiento automático del habla?

Un sistema de reconocimiento automático del habla convierte la señal del micrófono en una descripción numérica del sonido y después una red neuronal busca la secuencia de palabras que con más probabilidad lo ha producido. Esa búsqueda pesa la evidencia acústica frente a lo plausible que resulta una frase en la lengua, que es la razón por la que el contexto repara sonidos que el micrófono captó mal. El formato y las etiquetas de hablante se añaden después.

¿Qué precisión tiene la conversión de voz a texto?

Sobre grabaciones limpias de una sola persona, los motores punteros logran aproximadamente entre un 2 y un 5 por ciento de tasa de error de palabra, es decir, entre un 95 y un 98 por ciento de palabras correctas. Las cifras publicadas sobre audio real y mezclado se abren mucho más, desde cerca del 85 hasta el 98 por ciento, y el audio caótico de reuniones con varios hablantes se reporta a menudo en un rango de error del 15 al 25 por ciento. Tu micrófono y tu sala importan más que tu proveedor.

¿Cuál es la diferencia entre reconocimiento del habla y reconocimiento del hablante?

El reconocimiento del habla averigua qué palabras se dijeron. El reconocimiento del hablante, en sentido estricto, averigua quién las dijo comparando características vocales con una huella de voz registrada, que es por lo que los bancos lo usan para verificar a quien llama. Los dos funcionan como sistemas separados y responden preguntas separadas, aunque en el lenguaje cotidiano se use a menudo «reconocimiento de voz» de forma laxa para referirse a cualquiera de ellos.

¿Es gratis la conversión de voz a texto?

Sí, a pequeña escala. Windows, macOS, iOS y Android incluyen dictado sin coste, y los navegadores y las suites ofimáticas traen su propia escritura por voz. Las herramientas de pago cobran o bien un precio mensual por puesto, habitualmente en torno a 10 o 20 dólares, o bien una tarifa medida a través de una API, donde las tarifas de lista de 2026 van desde alrededor de 0,15 hasta 1 dólar por hora de audio.

¿Funciona la conversión de voz a texto sin conexión?

Una parte sí. Móviles y portátiles ya vienen con modelos de reconocimiento comprimidos que corren en local, de modo que el dictado básico y parte del subtitulado en directo siguen funcionando sin conexión y sin que el audio salga del dispositivo. Los modelos grandes en la nube siguen siendo por lo general más fuertes en audio difícil, vocabulario amplio y muchos idiomas, así que la mayoría de herramientas profesionales, Laxis incluida, procesan en la nube.

¿Cuál es la diferencia entre voz a texto y texto a voz?

Van en direcciones opuestas. La voz a texto escucha audio y produce palabras escritas. El texto a voz lee palabras escritas y produce audio sintético, que es lo que mueve los lectores de pantalla, la narración de audiolibros y las respuestas de los asistentes de voz. Un asistente de voz usa los dos: reconocimiento para oír la petición, síntesis para contestarla.