Cómo transcribir un audio con varios hablantes y marcar quién dice qué
Cómo grabar bien, transcribir y marcar quién habla con las marcas de tiempo, y qué herramientas identifican hablantes automáticamente (datos del 3/11/2026).
Equipo Sonorarium 6 min de lectura
Respuesta corta: Sonorarium transcribe lo que se dice y pone una marca de tiempo en cada fragmento, pero no separa hablantes: no escribe «Marta:» ni «Luis:» por ti. El camino que funciona con nosotros es grabar bien (un micrófono por persona, si puedes), transcribir y marcar quién habla a mano, guiándote por las marcas de tiempo. Si necesitas que el etiquetado sea automático, hay herramientas que sí identifican hablantes; más abajo tienes cuatro, con sus datos públicos y su fecha.
Esto sirve para una entrevista de dos personas, una reunión de cinco o un grupo focal. Cuantas más voces y más solapamientos, más trabajo de revisión, y lo decimos desde el principio para que no te lleves una sorpresa.
Qué hace y qué no hace Sonorarium
- Sí: transcribe el audio con el idioma que elijas, con una marca de tiempo en cada fragmento. Al pulsarla suena justo ese momento, así que localizar un cambio de voz es rápido.
- Sí: puedes editar el texto en el editor y descargarlo en Word, TXT, SRT, VTT o JSON, con tus correcciones (descargar y editar requieren tu cuenta). El Word empieza cada párrafo con
[hh:mm:ss]; el TXT va sin marcas. - No: separar ni nombrar hablantes. Tampoco lo hace el resumen con IA: dice de qué se habló, no quién lo dijo.
1. Graba pensando en el final
La separación de voces se decide, sobre todo, antes de transcribir:
- Un micrófono por persona si puedes, aunque sea el móvil de cada una (ojo: cada archivo gasta sus minutos). Si solo tienes uno, ponlo en el centro y a menos de un metro de todos.
- Que cada persona diga su nombre al empezar. Son diez segundos y te dan la clave para el resto de la grabación.
- Un turno cada vez. Los solapamientos son lo que peor se transcribe y lo más difícil de atribuir después.
- Haz una prueba de 30 segundos y escúchala antes de empezar. Si la sala tiene eco o ruido, mira cómo transcribir audio con ruido.
- Pide permiso a todos los que se oyen antes de grabar. Qué dice la ley en España y cómo preguntarlo está en ¿es legal grabar una clase, una reunión o una llamada?.
2. Transcribe el archivo
- Sube la grabación al transcriptor de reuniones o al de entrevistas: audio o vídeo, hasta 5 horas y 2 GB.
- Elige el idioma en el que se habló.
- Abre el texto: cada fragmento lleva su marca de tiempo.
Los primeros 15 minutos son gratis al crear tu cuenta, sin tarjeta. Si el archivo dura más, esos 15 minutos se transcriben como vista previa y el resto se desbloquea desde tu cuenta, pagando solo los minutos que faltan, mientras el audio sigue guardado (7 días).
3. Marca quién habla, con las marcas de tiempo
Este es el método que recomendamos. Con una grabación de dos o tres personas es asumible; con ocho, cuenta con ir despacio. Hazlo en los 7 días en que se guarda el audio: después, las marcas de tiempo siguen en el texto, pero ya no suena el fragmento.
- Escucha el primer minuto y apunta cómo suena cada voz (la que se presentó primero, la que habla más grave, etc.).
- Recorre el texto por marcas de tiempo. Un cambio de voz suele coincidir con una pausa y con una frase nueva: pulsa la marca del fragmento para oírlo y decide.
- Escribe el nombre al principio de cada intervención, con un formato fijo («MARTA:», «LUIS:»). Un formato único te permite buscar y contar después.
- Usa etiquetas para lo dudoso:
[solapamiento],[inaudible]o[¿Luis?]. Es mejor marcar una duda que atribuir mal una frase. - Revisa las atribuciones importantes (citas, cifras, decisiones) volviendo a escuchar el fragmento.
- Descarga cuando termines. Si corriges dentro del editor, el Word, el TXT y el SRT salen con tu texto ya corregido.
Un ejemplo, ficticio, de cómo queda un fragmento. Antes:
[00:00:04] Buenos días, empezamos.
[00:00:08] Vale, traigo las cifras.
[00:00:13] Perfecto, ¿y los plazos?
Después de marcar (ejemplo inventado, no es una transcripción real):
[00:00:04] MARTA: Buenos días, empezamos.
[00:00:08] LUIS: Vale, traigo las cifras.
[00:00:13] MARTA: Perfecto, ¿y los plazos?
Si trabajas con grupos focales o entrevistas de investigación, tienes una guía con convenciones, etiquetas y cómo importarlo en el software de análisis: transcripción para investigación cualitativa. Para entrevistas de un trabajo final, cómo transcribir una entrevista para el TFG o el TFM. Y para reuniones de Teams, Zoom o Meet, cómo pasarlas a texto.
4. Si necesitas que el etiquetado sea automático
Algunas herramientas identifican hablantes por su cuenta, algo que Sonorarium no hace. Estos son datos de sus propias páginas, consultadas el 3 de noviembre de 2026. Cambian con frecuencia: comprueba siempre su web. No las hemos probado con tu audio, y la calidad del etiquetado depende de la grabación.
| Herramienta | Qué dice su web | Gratis o coste según su web |
|---|---|---|
| Word (Microsoft 365) | Separa y etiqueta a los hablantes («Speaker 1», «Speaker 2»…), que puedes renombrar | Con una suscripción a Microsoft 365, hasta 300 minutos de audio subido al mes |
| Otter | Su plan Basic (gratis) lista «Speaker identification» | 300 minutos al mes, hasta 30 minutos por conversación y 3 importaciones de archivos de por vida, en el plan Basic |
| Notta | Su plan Free lista «Speaker identification» | 120 minutos al mes, hasta 3 minutos por conversación |
| noScribe | Distingue entre hablantes; usa pyannote | Gratuito y de código abierto (GPL-3.0); funciona en tu equipo, sin nube |
Dos precisiones: la función de Word está disponible en Word para Microsoft 365 en Windows (y, según su página, en Word para la web) y funciona en Edge y Chrome, y noScribe se instala en tu ordenador (Windows, macOS o Linux).
Si tu grabación dura una hora o más, fíjate en el tope por archivo antes que en los minutos al mes: en los planes gratis, Otter admite 30 minutos por conversación y Notta, 3, así que tendrías que partirla en trozos. Sonorarium transcribe de una vez archivos de hasta 5 horas, sin instalar nada y con paquetes sin suscripción: pagas solo los minutos que te faltan. Lo que no hace es etiquetar a los hablantes; si eso es lo que más te importa, esas herramientas hacen algo que nosotros no hacemos. Los límites gratis de cada una, comparados, están en qué límites tiene cada herramienta para transcribir gratis.
Cuánto cuesta una reunión o una entrevista de una hora
Con una cuenta nueva, los primeros 15 minutos son gratis al crear tu cuenta, sin tarjeta, y faltan 45. El paquete de 120 minutos cuesta 6 €, y los 75 que sobran no caducan. Todos los paquetes están en precios.
Preguntas frecuentes
¿Puede Sonorarium separar los hablantes en el futuro? No lo prometemos. Hoy no lo hace, y por eso este artículo explica cómo marcarlos tú.
¿El resumen con IA dice quién habló? No. Resume los temas, pero no atribuye frases a personas.
¿Y si cada persona está grabada en un archivo? Es la situación más fácil para saber quién habla: transcribes cada archivo por separado y el nombre del archivo te lo dice. Eso sí, cada archivo gasta sus minutos: una reunión de una hora grabada con tres móviles son tres horas de transcripción. Si el coste pesa, un buen micrófono en el centro de la mesa da una sola grabación.
¿Qué pasa con mi audio? Se borra a los 7 días; la transcripción de tu cuenta se queda hasta que la borres y no se usa para entrenar modelos.
Fuentes de las herramientas: Microsoft Support (Transcribe your recordings), Otter, Notta y el repositorio de noScribe en GitHub, consultados el 3 de noviembre de 2026.