Whisper large-v3 con audio limpio se acerca a un transcriptor humano; con audio malo se equivoca como cualquiera. Las seis reglas de abajo valen más que cualquier ajuste.
Transcribir ahora, gratis →Una voz a la vez: cuando dos personas se solapan, ningún motor transcribe bien. Audio no demasiado comprimido: un m4a o wav original es mejor que un mp3 a 32 kbps recodificado varias veces. Volumen normal: si tienes que subir el volumen al máximo para oír, el motor oye tan mal como tú.
Convertir el archivo a otros formatos, "limpiar" el audio con filtros agresivos que también quitan la voz, volver a subir el mismo archivo varias veces. Si el texto sale mal de todos modos, el problema casi siempre es la grabación: vuelve a escuchar diez segundos y pregúntate si un desconocido entendería las palabras.
Con audio limpio en uno de los 8 idiomas admitidos, normalmente se corrige menos de una palabra de cada veinte; con ruido o voces solapadas, bastante más.
Muy poco y solo en los primeros segundos: si conoces el idioma, elegirlo es más seguro.
Sí: copia el texto y corrige nombres y números usando las marcas de tiempo para localizar los puntos en el audio.