Generador de Subtítulos — SRT y VTT automáticos desde vídeo o audio (gratis)

Dos rutas. (1) Recomendada — sube tu SRT: entra en YouTube Studio → tu vídeo → Subtítulos → Añadir idioma → subir archivo → 'Con tiempos' → selecciona el .srt de VexaScribe → Publica. YouTube indexa el texto del SRT para búsqueda, lo que mejora el SEO frente a los subtítulos automáticos del propio YouTube. (2) Sube el MP4 a YouTube y usa sus subtítulos automáticos (10–30 min de espera, ~85 % de precisión, sin control de estilo). Para calidad publicable en español, la ruta (1) da mejor resultado en el mismo tiempo total.

Sí, pero cada herramienta tiene letra pequeña distinta. VexaScribe: 30 min gratis única vez, sin tarjeta, todos los formatos (SRT/VTT/DOCX/TXT/JSON) sin marca de agua. Competencia: Vizard 60 min/mes (marca de agua en versión free), VEED 10 min/mes con marca de agua, CapCut ilimitado si aceptas su editor, FlexClip 10 min/mes, HappyScribe 10 min/mes. Para un vídeo puntual corto, cualquiera funciona; para uso continuado, hay que pasar a pago (VexaScribe desde 2 $/mes, competencia desde 12–30 $/mes).

El español es un idioma Tier 1 de Whisper Large-v3 con tasa de error de palabra (WER) del 4-6 % en el benchmark FLEURS de OpenAI — nivel casi comparable al inglés. En la práctica: 94-96 % en audio limpio de estudio o podcast, 90-94 % en Zoom/Teams/Meet, 92-95 % en vídeo móvil con micro cercano, 78-88 % con ruido de fondo. La sincronización temporal es precisa a ~200 ms — suficiente para lectura cómoda. Los nombres propios y términos técnicos tienen 20-30 % de error independiente de la calidad del audio; planifica una revisión de 5-15 min por hora de vídeo para calidad publicable.

SRT para casi todo: YouTube, TikTok (via burn-in), Premiere, DaVinci, Final Cut, CapCut, VLC — SRT es el formato universal. VTT específicamente para HTML5 web video con el elemento <track>, streaming HLS de Apple, o si necesitas control de estilo CSS-like (posición, tamaño, color). VexaScribe exporta ambos formatos del mismo procesamiento — pagas los minutos una vez, descargas SRT + VTT + TXT + DOCX + JSON. Más detalles en /what-is-an-srt-file y /what-is-a-vtt-file.

Sí, con matices por plataforma. TikTok no acepta subida de SRT directamente — necesitas burn-in (subtítulos incrustados en el vídeo) con un editor como CapCut, DaVinci o Premiere. Instagram Reels tiene su propio generador in-app de subtítulos automáticos (calidad decente), o puedes usar SRT externo burn-in. YouTube Shorts acepta SRT via YouTube Studio igual que vídeos normales. Para creadores en varias plataformas, VexaScribe genera un SRT y tú lo usas para burn-in (TikTok/Reels) y upload directo (YouTube/YouTube Shorts).

Sí. VexaScribe soporta traducción a 133 idiomas destino incluida en todos los planes de pago. Flujo: transcribe el vídeo en el idioma origen (español), luego traduce el SRT al idioma destino (inglés, portugués, francés, alemán, etc.) manteniendo la sincronización temporal. Ideal para creadores que sirven mercados multi-idioma — un solo procesamiento produce un SRT en español + traducciones listas para subir. La calidad de traducción de SRT es sensiblemente mejor que la de subtítulos automáticos in-platform de YouTube/TikTok.

3–8 minutos de procesamiento — Whisper Large-v3 corre a 4–10× tiempo real dependiendo de la carga. Ejemplos: vídeo de 30 min → 3–8 min; vídeo de 1 hora → 6–15 min; vídeo de 2 horas → 12–30 min. Añade 5–15 min de revisión manual para calidad publicable (nombres propios, términos técnicos, ajustes de segmentación). Alternativa humana (Rev): 12–48 horas de plazo con coste 90–300 $ por hora de vídeo — casi nunca se justifica salvo verbatim legal.

Sí. VexaScribe incluye editor in-browser para corregir el texto, ajustar la segmentación (dividir/unir cues), renombrar hablantes y ajustar timings antes de exportar. Los cambios se guardan y puedes re-exportar SRT/VTT/DOCX/TXT/JSON las veces que quieras sin re-procesar. Para edición avanzada de subtítulos (efectos ASS, karaoke, posicionamiento fino), Subtitle Edit (Windows, gratis) y Aegisub (multiplataforma, gratis) son los estándares — ambos importan y exportan SRT/VTT.

Sube el MP4 directamente. VexaScribe extrae la pista de audio automáticamente — sin conversión previa. Acepta MP4, MOV, MKV, WebM, AVI, FLV, WMV, M4V, 3GP en el lado vídeo; MP3, M4A, WAV, OPUS, FLAC, AAC en el lado audio. También puedes pegar una URL de YouTube, TikTok, Instagram o Google Drive y VexaScribe descarga el vídeo del lado servidor sin que tengas que hacer nada. Sin ffmpeg, sin conversiones intermedias, sin instalación local.

Depende del flujo de trabajo. VexaScribe si buscas transcripción + exportación multiformato (SRT/VTT/DOCX/TXT/JSON), 99 idiomas source + 133 target para traducciones, hosting UE con RGPD, procesamiento por lotes (50 archivos), al mejor precio (2 $/mes). CapCut si necesitas editor de vídeo completo integrado y subtítulos como parte del flujo de edición (gratis con marca de agua o Pro). Submagic si haces Reels/TikTok con subtítulos animados palabra-por-palabra y presets estilizados (~10 $/mes, sin transcripción bruta). VEED si quieres editor + generador en la misma app (13-24 $/mes). Para pipeline de generación pura con máxima flexibilidad de exportación y precio, VexaScribe.

VexaScribe procesa cada exportación de subtítulos mediante un algoritmo de división de cues a nivel de palabra. Las cues están limitadas a aproximadamente 80 caracteres y 5 segundos (límite máximo de 10 segundos) — coincidiendo con el rango de subtítulos web legibles usado por Descript, Sonix y Vimeo, y con los estándares de la industria BBC y Netflix. Las divisiones prefieren primero los límites de oración, luego las comas, luego los límites de palabra. Las etiquetas de hablante se preservan en cada división. Los archivos se importan limpiamente en YouTube, Premiere Pro, Final Cut Pro, DaVinci Resolve y VLC sin limpieza manual.

Sí. VexaScribe usa marcas de tiempo reales a nivel de palabra del motor de transcripción — los tiempos de inicio y fin de las cues caen sobre límites de palabra reales, no sobre aproximaciones interpoladas a lo largo de un segmento largo. Las pausas dramáticas en el habla (charlas motivacionales, audiolibros) se preservan: la cue permanece en pantalla durante el silencio en lugar de producir un parpadeo de menos de un segundo seguido de pantalla en blanco. La precisión de sincronización es de ~200 ms típicamente.