Cómo transcribir un video de YouTube a texto (y también Reels y TikTok): con marcas de tiempo, SRT y VTT

Abajo lo vemos plataforma por plataforma: dónde el texto ya está y basta con tomarlo, y dónde toca reconocerlo desde el audio. Y antes, qué va a tener la transcripción al final, porque de eso depende el formato que te llevas.

La salida de una transcripción no es una sola cosa, son tres, y la eliges por tarea, no "por si acaso". El texto corrido por párrafos sirve para una cita, un post, la descripción o el borrador de un guion: ahí el tiempo no importa. Los subtítulos con tiempos son para lo que va al reproductor, al montaje o a la plataforma: cada frase sabe cuándo empieza y cuándo termina.

La tercera forma son las marcas de tiempo para capítulos: el mismo texto, pero con marcas tipo 00:00, 04:12, 11:38 que pegas en la descripción de un video largo para que el espectador salte entre bloques. Sirve cuando ya tienes la transcripción y el video es largo: lo partes en tramos para la descripción o para el recorte.

YouTube genera los subtítulos automáticos de su lado: reconoce el audio y guarda el resultado, por eso aparece el botón de Subtítulos debajo del video y, en el estudio del autor, una pista de texto. Puedes tomarla si el autor no la desactivó y si la plataforma alcanzó a generarla. También pasa que no hay subtítulos: video recién subido, idioma que no se soporta, o el autor que simplemente no dejó que el texto apareciera.

Reels y TikTok no tienen esa pista lista. Muestran subtítulos encima del video, pero no te entregan un archivo: es parte del reproductor, no un documento que puedas bajar. Así que cualquier texto de un video ajeno ahí lo tienes que conseguir tú: bajar el audio y reconocerlo. La misma regla aplica a un video de YouTube donde el autor desactivó los subtítulos.

La diferencia es de fondo. Los subtítulos automáticos de la plataforma son una herramienta ajena: no controlas el idioma, ni cómo parte las frases, ni qué tan limpio queda. Tu propio reconocimiento es un resultado que revisas, corriges y te llevas en el formato que haga falta. Así se ve por plataforma:

El orden es simple: primero miras si hay subtítulos listos y solo después, si no hay o salen como sopa de letras, reconoces el audio de cero. Así no repites un trabajo que la plataforma ya hizo.

1. 1

   Copia el enlace del video

   Toma la dirección desde el navegador o la app. youtu.be/X y watch?v=X&t=90 son el mismo video: el reconocimiento lo entiende y no hace el trabajo dos veces.

2. 2

   Pégalo en el campo de transcripción

   Abre la herramienta y pega el enlace. Si pones un perfil o un canal en vez de un video, el campo lo rechaza: no existe la transcripción de un canal, solo de un video concreto. También acepta un archivo de tu biblioteca, video o audio, de hasta una hora.

3. 3

   Mira qué apareció debajo del video

   Si el video tiene pista de subtítulos lista, el texto sale rápido y casi sin errores. Si no hay pista, se activa el reconocimiento del audio: de la modelo propia a la de la nube, si la propia no pudo.

4. 4

   Llévate el texto en el formato que necesitas

   En pantalla queda el texto por párrafos, al lado la descarga de SRT y VTT y los botones para pasar el texto a guion o el enlace a recorte. Los párrafos se separan con una línea en blanco, así el texto se lee de corrido y no queda como un bloque.

5. 5

   Revisa un empalme en una pausa

   Desplázate a un punto donde el hablante respiró o cambió de tema. La frase debe cerrar en la pausa, no a mitad de palabra; si todo se rompe, puedes reconocer el texto otra vez.

Un detalle sobre cómo se parten las frases. No se cortan por los pedazos que devuelve el reconocimiento, sino por palabras: la frase cierra al final de una oración, en una pausa de 0,8 s, a los 84 caracteres —dos líneas de 42, el tope de la guía de subtítulos de Netflix— y a los seis segundos. Si no, de una charla de media hora saldrían frases de media línea que parpadean en el reproductor y no se alcanzan a leer.

Aquí no hay pista lista, así que el camino es uno: sacar el audio y reconocerlo. El enlace sirve igual para verticales y para videos normales, el tipo se detecta solo. Si el clip salió de un video más largo, el reconocimiento te da solo el texto de ese pedazo: los tiempos se cuentan desde el inicio del clip, no desde el inicio del original.

Con Reels hay una historia aparte: el enlace directo a veces no se entrega, y entonces el audio se baja por el origen de Instagram. Eso no siempre funciona: una cuenta privada o un cambio en el armado de la página pueden romper la descarga. Si el video no se jala, bájalo con la exportación oficial o una app y reconócelo desde el archivo: el resultado es el mismo, solo que el material lo traes tú.

1. 1

   Copia el enlace del Reels o del TikTok

   Sirve un enlace público normal, sin acortadores ni redirecciones. Si el enlace lleva a un perfil y no a un video, el campo lo rechaza.

2. 2

   Pega el enlace y lanza el reconocimiento

   La descarga del audio va por un método propio para cada plataforma, y de ahí sigue la misma cadena de reconocimiento que en YouTube. El texto sale por párrafos y los tiempos se cuentan desde el inicio del clip.

3. 3

   Si el enlace no se jaló, trae el archivo

   Descarga el video y súbelo a tu biblioteca. Acepta video o audio de hasta una hora: del archivo el audio se extrae en mono a 16 kHz, suficiente para reconocer el habla.

4. 4

   Llévate el texto y decide qué sigue

   Del texto salen los subtítulos del mismo clip, una cita para el copy o el recorte en clips: la grabación vertical ya está lista para cortarse por el habla.

Para este caso justo, en Kutto el Transcript toma un enlace de cualquier plataforma —YouTube, Shorts, Reels, TikTok o VK— y devuelve el texto por párrafos, SRT y VTT. Esos mismos tiempos sirven de entrada para hooks, subtítulos y clips.

Los tres formatos llevan el mismo texto; lo que cambia es lo que le va pegado. TXT son párrafos separados por una línea en blanco: material limpio para una cita, un post, un artículo o el borrador de un guion. No tiene tiempos, así que para subtítulos no sirve.

SRT es el estándar de subtítulos: número de frase, tiempo de inicio y fin, la línea de texto, una línea en blanco y la siguiente frase. Lo entienden los programas de montaje, los reproductores, los editores de subtítulos y la mayoría de las plataformas. VTT es el pariente de SRT del mundo web: la misma estructura, pero con su encabezado y sus etiquetas, por eso es más cómodo para conectarlo a un reproductor en un sitio o una app.

Dentro de SRT y VTT las frases se cortan por palabras, no por los segmentos del reconocimiento: un segmento puede durar medio minuto y con una sola frase así el subtítulo no se lee. Por eso la frase cierra al final de la oración, en la pausa, por el largo de línea y a los seis segundos como máximo. Las dos líneas se dividen cerca del medio, con preferencia al corte después de un signo de puntuación; si no, en la segunda línea queda una sola palabra. Y las frases que se enciman se recortan: si no, el reproductor muestra dos subtítulos a la vez y el texto salta.

El reconocimiento con la modelo propia no gasta saldo. Si esa modelo no pudo con el video, entra el tramo en la nube, y ese sí se va al volumen de IA del plan como "Textos IA". La transcripción no tiene un renglón aparte en precios: no se paga por unidad. Las condiciones de cada plan y qué es gratis y qué va al volumen de IA están en la página de precios.

El tiempo depende del largo del video y de dónde sale el audio. Un clip corto se reconoce bastante más rápido que una entrevista de una hora, y bajar el material por el enlace es un paso aparte que también toma lo suyo. No tiene sentido darte segundos por minuto de grabación: eso cambia con la fila y con la modelo que tomó la tarea.

Repetir sale más barato que la primera vez. La transcripción se guarda por la clave del video, así que volver a lanzar el mismo enlace se devuelve desde el caché y no se vuelve a calcular. Para un archivo la clave es el archivo mismo: el mismo material, el mismo texto. Una tarea que se cayó no entra al caché, se puede reconocer otra vez. Y el resultado también es materia prima: de ahí salen subtítulos, hooks por las primeras frases, marcas de tiempo para la descripción y el recorte en clips.

Música más fuerte que la voz, ruido, eco o una grabación por parlante: el reconocimiento empieza a inventar palabras donde no se alcanza a distinguir el habla, y el texto hay que corregirlo a mano. Cuando dos personas hablan a la vez, las frases se mezclan y no aparece el marcado por hablante: eso lo pones tú. Un acento marcado, los términos raros, los nombres y las siglas también salen con errores seguido: sale más barato revisarlos de una vez que cazarlos después en los subtítulos ya armados.

Comprobación rápida, sin medir precisión con números: toma el tramo con el habla más rápida —los primeros treinta segundos, donde el hablante atropella, respira y brinca de tema— reconócelo aparte y lee el texto en voz alta junto al reproductor. No mires las erratas, mira los empalmes: la frase debe cerrar en la pausa, no a mitad de palabra.

Después, tres cosas que se rompen más seguido. Los nombres propios y las marcas: verifícalos contra el video, no de memoria. Los números y las fechas: el reconocimiento oye "quince" donde iba "cincuenta". Y los tramos del inicio y el final donde el hablante va sobre la música: esos son los primeros candidatos a corregir.

• Coteja nombres, marcas y términos contra el video: son lo que más se deforma.
• Revisa los puntos donde dos voces se enciman: ahí hay frases mezcladas.
• Comprueba números, fechas y cantidades con el oído, no con el ojo.
• Verifica que las frases no se superpongan: si no, el subtítulo salta en el reproductor.

• Formato elegido por tarea: TXT para citas y posts, SRT o VTT para subtítulos y montaje, marcas de tiempo para la descripción.
• Nombres, términos y números cotejados con el video, no con la memoria.
• Empalmes parejos: las frases cierran en pausas y no hay superposiciones.
• Claro a dónde va el texto después: a guion como materia o a recorte como clips y subtítulos.

El texto es media tarea. De ahí suele salir lo que de verdad va a la plataforma: subtítulos encima del video, clips de una grabación larga o capítulos para la descripción. Kutto toma el enlace o el archivo y devuelve la transcripción con tiempos palabra por palabra: suficiente para cortar por el habla y no a ojo.