Cómo poner subtítulos automáticos a un video: 5 formas y dónde falla cada una

Vas a saber elegir entre cinco formas de subtitular sin probar cada una a ciegas. La clave está en que no se diferencian por el "motor de IA", sino por lo que te dejan hacer con el resultado: si el estilo es palabra por palabra o una línea entera, si la palabra pega con los labios en habla rápida, si puedes corregir una palabra sin mover las vecinas, si te entregan un archivo con marcas de tiempo y con qué se paga.

Abajo va la comparación por características y un método para que verifiques la precisión en tu propio clip, con el peor trozo que tengas a mano. Nada de confiar en la intro tranquila: lo que importa es dónde se rompe.

El color del botón y el número de plantillas casi no deciden nada. Deciden cinco cosas, y cada una se rompe a su manera.

• Estilo palabra por palabra. La palabra se resalta a medida que suena (karaoke) o cuelga una línea entera en pantalla. De eso depende si la mirada del espectador entra en el ritmo del habla.
• Que pegue en habla rápida. Si la palabra se queda en los labios cuando el ritmo sube y qué pasa en las pausas y el silencio.
• Groserías y nombres. Si la grosería se censura sola y si puedes corregir el nombre o el término sin rehacer la frase entera.
• Exportar SRT y VTT. Si te entrega un archivo aparte con marcas de tiempo, para las plataformas que muestran su propia pista de subtítulos.
• Precio y límites. Con qué se paga la operación, si hay tope de duración y si el archivo queda contigo.

La tabla de abajo muestra cómo funciona cada forma según su documentación e interfaz, no resultados de una prueba. Los detalles de las plataformas y de CapCut cambian de versión a versión, así que los valores son cómo funciona el enfoque en principio; tu propio armado conviene verificarlo con los pasos de la sección más adelante.

La falla siempre es la misma por naturaleza: la herramienta adivina dónde termina la palabra. La diferencia está en qué hace con esa suposición y qué puedes corregir tú a mano.

Subtítulos nativos de las plataformas

Lo fuerte: cero ajustes, funciona desde la app, no pesa nada. Lo que hay que tener en cuenta: la línea cuelga entera, no habrá animación palabra por palabra estilo TikTok, eso toca armarlo aparte en el clip. La corrección se limita al texto de la línea; no hay con qué arrastrar el borde de una palabra, y a veces solo quieres borrar una línea pero con ella se va un pedazo del habla.

CapCut y similares

Lo fuerte: plantillas karaoke de fábrica, todo en la misma ventana del montaje, el resaltado por palabra se ajusta con el ratón. Lo que hay que tener en cuenta: en habla rápida los bordes de las palabras se corren, y después de corregir una línea a mano las vecinas se van detrás, así que toca revisar todo el tramo. La exportación con marcas de tiempo no está en todas las versiones.

SRT manual

Lo fuerte: control total, tú decides dónde termina la palabra, cómo se llama el invitado y con qué reemplazas la grosería. Lo que hay que tener en cuenta: en un Short de 40 segundos con habla rápida pones las marcas de tiempo frase por frase a mano, y son justo las horas que te faltan para editar. Este camino salva cuando hay pocos subtítulos o son poco convencionales.

Kutto, Subtítulos

En habla rápida la línea se pega y se aleja de los labios porque el modelo adivina el final de la palabra. La alineación por audio pone la marca de tiempo de cada palabra en su lugar real dentro de la pista y recorta los finales estirados; así el salto cae en el borde de la frase y no en medio de una palabra. En Subtítulos corregir una palabra cambia solo el texto, no toca el tiempo de las vecinas, los estilos salen de los presets de clips y hay censura de groserías y descarga de SRT/VTT. Lo que hay que tener en cuenta: no tiene plantillas propias, solo presets de clips, y un clip de más de 30 minutos ya es tarea de Recortes en el Estudio.

El reconocimiento de voz funciona como una adivinanza del siguiente fragmento: el modelo escucha trozos de audio y supone qué palabras son y cuándo termina la última del trozo. En pausas, respiraciones y música inventa "subtítulos" que no estaban en el habla, y en habla rápida estira el final de la palabra porque no sabe con exactitud dónde se apagó.

De ahí la escena clásica: la palabra todavía no suena y el subtítulo ya cuelga, o al revés, cuelga cuando la persona calla. La alineación por audio coloca la marca de tiempo según el lugar real de la palabra en la pista y recorta los finales estirados. Por eso corregir el texto no vuelve a reconocer el habla: el reconocimiento se hace una vez por clip y los renders se acumulan aparte.

Un detalle útil si traes tu texto de otra parte: si entra un SRT, ya no trae tiempo palabra por palabra. Las palabras se reparten dentro de la frase por su largo y el borde de la frase se vuelve un salto fijo. Para karaoke conviene corregir por palabras y no por líneas.

La prueba toma menos de un minuto y no necesita ninguna cifra ajena. La idea es agarrar el trozo más incómodo y mirar qué se rompe.

1. 1

   Agarra 20–30 segundos del peor caso

   Toma un fragmento con habla rápida, donde haya un nombre, una marca o algo de jerga, y donde al menos una vez hablen dos personas. Ahí la diferencia se nota de inmediato.

2. 2

   Corre los subtítulos sin tocarlos

   Sube el fragmento y mira el resultado sin corregir nada. Así ves qué hace la herramienta sola y qué te va a tocar terminar a mano.

3. 3

   Revisa tres puntos

   Primero: la palabra está en los labios o llega tarde. Segundo: el salto de línea no parte la frase ni empuja la palabra fuera del borde. Tercero: el nombre y el término están bien escritos.

4. 4

   Corrige una palabra y mira a las vecinas

   Cambia la escritura de una palabra en medio de una frase. Si después se corren las marcas de tiempo de las vecinas, editar ese archivo en un clip largo va a doler.

5. 5

   Descarga el SRT y ábrelo en el reproductor

   Exporta el archivo con marcas de tiempo y ábrelo como pista aparte. Ahí ves si los tiempos son tuyos o si el clip solo sabe entregar una imagen con el texto incrustado.

Ningún método da resultado garantizado con una entrada mala, y la alineación no es la excepción: coloca palabras por audio, pero no inventa lo que no está en el sonido. Con ruido fuerte, viento o música encima de la voz, las palabras se pierden junto con el habla y no hay dónde poner la marca de tiempo. Con jerga, nombres raros y marcas sale una escritura verosímil pero equivocada, que toca corregir a mano. Y cuando dos personas hablan a la vez, el motor entrega una sola pista de palabras y no puede repartirla por personas.

Corre el checklist en el fragmento más incómodo, no en la intro tranquila: si los subtítulos aguantan ahí, en el resto del clip pegan con más razón. Revisa aparte las groserías y los nombres, que es donde más seguido saltan errores ya publicados.

• Los subtítulos pegan con los labios en el trozo más rápido, probado ahí y no en la intro
• Nombres, marcas y términos bien escritos; los dudosos verificados con el audio
• Líneas que no pasan del ancho de pantalla ni se meten bajo la interfaz; el salto no parte la frase
• Groserías censuradas donde la plataforma lo pide
• Un solo estilo en el clip, sin que la censura y los subtítulos incrustados se peleen
• SRT exportado si la plataforma muestra una pista aparte

Subtítulos hace el trabajo central: reconocimiento palabra por palabra, corrección de palabra sin arrastrar las vecinas, estilos de los presets de clips y SRT/VTT para descargar. El clip va hasta 30 minutos y la operación cuesta 0; la sección la abre el plan. Si necesitas censurar groserías y quitar silencios y titubeos en una pista aparte, Silencios y groserías hace eso. Y para videos de más de 30 minutos, córtalos en Recortes del Estudio con los mismos subtítulos.